基于多类型建筑AHU系统真实运行数据的自动化故障检测与诊断数据集构建研究

本研究针对建筑暖通空调系统中空气处理机组(AHU)的自动化故障检测与诊断(AFDD)缺乏真实运行数据的问题，通过采集办公大楼、礼堂和医院三种典型建筑的恒风量(CAV)系统AHU运行数据，构建了包含11-17万条标注数据的数据集。研究采用定制化数据采集、缺失值处理、系统标注和分层抽样等方法，首次提供了涵盖7种运行状态（1种正常+6种故障）的多场景基准数据集，为开发高精度机器学习模型奠定基础，成果发表于《Scientific Data》。

　　

在现代建筑环境中，暖通空调(HVAC)系统的空气处理机组(AHU)如同建筑的"肺部"，负责调节室内温度、湿度和空气质量。然而这些复杂系统常因传感器故障、阀门卡滞等问题导致能效下降，传统人工检测方式效率低下。尽管已有基于实验室和模拟数据的自动化故障检测与诊断(AFDD)方法，但真实建筑环境中的动态变化、设备老化和突发状况往往难以被模拟数据复现。更关键的是，不同建筑类型（如人流密集的医院与间歇使用的礼堂）存在显著差异的运行特征，但学术界长期缺乏系统化的真实运行数据集，严重制约了AFDD技术的实际应用。

针对这一瓶颈，Seunghyeon Wang团队在《Scientific Data》发表了突破性研究。研究人员创造性选取了韩国三种典型建筑——5万平方米的大型办公楼、1.6万平方米的世宗艺术中心礼堂和1.9万平方米的国立癌症中心医院新翼，对其13-20台AHU系统进行全年不间断监测。这些建筑不仅代表城市主要功能场景，其恒风量(CAV)系统更是全球约65%商业建筑采用的经典配置，使研究成果具备广泛适用性。

研究采用四大关键技术方法：1) 多场景定制化采集，根据建筑特点配置15-18类传感器（如表1所示的送风温度、阀门开度等），原始1分钟数据聚合为小时级；2) 严格数据清洗，对礼堂缺失505条、医院缺失4032条数据直接剔除，办公室332条重复记录去重；3) 6位20年经验HVAC专家依据ASHRAE标准制定7类状态标注规范（如表7），包括送风机故障(SFF)、冷却泵故障(CPF)等；4) 采用分层抽样将数据按6:2:2划分为训练-验证-测试集，确保小样本故障类别均衡。

Auditorium数据集

13台AHU产生113,880条数据，如图1所示传感器布局覆盖舞台、观众区等特殊空间。表2显示各机组容量差异显著（如主舞台AHU-07冷却能力126kW，而休息室AHU-13仅37.9kW），导致故障分布独特：冷却泵故障(CPF)占17.02%，加热泵故障(HPF)高达21.95%（表8），反映文化场馆间歇运行特性。

Hospital数据集

8台AHU的70,080条数据展现医疗环境特殊性（图2）。表3显示检查室AHU-N06制冷量达358kW，是标准病房AHU-N07的1.2倍。异常的是，81.39%数据为正常状态（图4），仅出现4类故障，其中回风温度传感器故障(RATSF)占13.38%（表8），可能与医院24小时不间断运行导致的传感器损耗相关。

Office数据集

20台AHU产生175,532条数据（图3），表4显示实验室区域AHU冷却能力普遍高于办公区。27.34%的送风机故障(SFF)占比（表8）暴露现代办公楼变负荷运行的控制难题，而阀位故障(VPF)仅0.06%，印证了办公设备维护优势。

这项研究创建了首个跨建筑类型的AHU真实运行数据库，其三大创新价值尤为突出：首先，数据集精确反映现实复杂性，如表11所示的经济器模式（室外空气直接冷却）等特殊工况，弥补了模拟数据不足；其次，分层标注使模型可识别7类状态，其中医院未出现的CPF/HPF（表9）恰好验证了建筑间故障模式差异；最后，28.7万条训练数据（表9）为Transformer等先进算法提供充足素材，Wang⁶团队已基于此开发出准确率达92%的诊断模型。

该成果不仅为AFDD研究设立新基准，更推动行业范式转变——设施管理者可直接将验证模型接入楼宇自控系统(BMS)，实现从"被动维修"到"预测性维护"的跨越。正如作者强调，未来研究应关注数据集动态更新机制，并探索跨建筑类型的迁移学习，以应对全球建筑低碳化的迫切需求。