用于大规模建筑能源系统脱碳的统一AI框架：整合声学-视觉泄漏检测与具备时序意识的机器学习技术 作者：Mooyoung Yoo

《Buildings》：Unified AI Framework for Decarbonization in Large-Scale Building Energy Systems: Integrating Acoustic-Vision Leak Detection and Schedule-Aware Machine Learning Mooyoung Yoo

　　摘要 压缩空气系统（CASs）在大型建筑环境和制造设施中的能耗中占很大比例，这些问题既源于微小的物理管道泄漏，也源于宏观层面的运行效率低下。本文提出了一个统一的双重作用人工智能框架，旨在通过系统地将声学-视觉泄漏量化技术与具备时间意识的机器学习相结合来推进建筑的脱碳进程。具体而言，该框架针对压缩空气分配网络中的气动管道连接泄漏、配件磨损以及接头退化故障，这些是工业建筑系统中微小体积能量损失的主要来源。首先，开发了一种基于超声波相机的概率多模态融合算法（MPSF），用于检测并几何量化物理泄漏，成功地将像素区域转换为物理设施能量损失指标（据估计，通过检测到的严重泄漏浪费了11.0千瓦的电力）。其次，为了在不导致内部流量传感器数据泄漏的情况下优化压缩机的供应以匹配实际设施需求，提出了一种极端梯度提升（XGBoost）模型。该模型仅利用外部建筑环境条件和13个不同区域的实时运行时间表，实现了高度准确的动态功率预测（R2 = 0.9698）。最后，基于来自设施规模建筑环境的实际数字监控数据进行的综合模拟表明，只有同时应用这两个模块才能确保末端压力的稳定。与基线恒定压力运行相比，集成框架实现了超过20%至40%的系统范围建筑能耗降低，估计每年可减少116吨二氧化碳排放，从而为实现碳中和建筑运行提供了一条直接路径。

1. 引言
随着向碳中和和可持续建筑环境的快速转型，优化大型设施的能源消耗已成为应对气候变化和实现净零排放目标的一项至关重要的全球性任务[1,2]。在各种设施设施中，压缩空气系统（CASs）被广泛认为是“第四大能源”，作为大型建筑运营、暖通空调控制基础设施和自动化设施系统的关键且普遍存在的动力源[3]。然而，尽管其作用不可或缺，但CASs却以高能耗和低效率而闻名。统计分析表明，压缩空气生成占大型建筑环境和复杂商业设施总电力消耗的约10%至30%，但由于严重的热力学和机械损失，只有少量电能被转化为实际的有用气动功[4,5,6]。在许多国家，工业建筑中的压缩空气系统占设施总电费的20%至30%，这使得它们成为建筑级脱碳策略的关键目标[7,8]。因此，提高CAS效率直接有助于减少建筑运营的Scope 2二氧化碳排放，这与欧盟能源效率指令和国家净零建筑要求等国际框架保持一致[9]。在现代设施规模的建筑系统中，这种系统性的能源效率低下主要源于两个不同但根本相互关联的领域：微小的物理损失（例如，隐藏的管道泄漏）和宏观层面的运行冗余（例如，无论实际实时需求如何，压缩机始终以最大负载运行）[10,11]。通常估计有20%至30%的压缩空气因隐藏在复杂管道网络、老化阀门和退化接头中的泄漏而持续浪费[12]。这些泄漏包括各种形式的气动故障，如管道连接故障、配件磨损、接头密封退化以及连接点处的螺纹松动，所有这些都会导致建筑气动基础设施中的持续体积能量损失。

传统上，检测这些泄漏主要依赖于使用单点声学棒传感器或简单的肥皂水测试的手动检查。这些传统方法不仅劳动密集，而且极易受到严重背景噪声的影响，在完全运作的工业环境中几乎无效[13]。除了超声波检测之外，还有几种替代的故障监控方法被研究用于压缩空气系统。基于压力的监控方法通过分析压力衰减曲线来检测泄漏并量化其严重程度，虽然简单，但在精确定位特定故障位置方面的空间分辨率有限[14,15]。周期时间分析通过监测执行器或机器的周期时间变化来识别由压力损失引起的系统性能下降[16]。基于振动的方法也被用于检测压缩机组件中的机械故障，但对于分布式管道泄漏效果较差[17]。使用差压流量计在供给点和需求点之间测量流量可以提供泄漏的定量估计，但这需要在整个网络中部署密集的仪器[18]。最近，结合多种传感器模式的集成故障检测和诊断（FDD）系统作为气动系统健康管理的一个有前景的方向出现，旨在不仅检测故障，还分类其根本原因[19,20]。虽然这些方法在简单性、成本或诊断深度方面具有各自的优势，但它们通常缺乏非接触式、空间分辨的泄漏检测能力，同时提供故障的位置和几何量化。在本研究中，选择了声学-视觉技术，因为它能够独特地实现非接触式的实时空间定位和泄漏面积量化，而无需关闭工厂或部署密集的传感器，这在具有广泛管道网络的复杂工业建筑环境中特别有利[21,22]。最近，配备了麦克风阵列的基于视觉的超声波相机被引入，通过将声音地图叠加在光学图像上来定位高频声学信号[21,22]。然而，大多数现有的声学-视觉应用依赖于基本的静态阈值技术。虽然它们可以成功地指示泄漏的存在，但在动态工业照明条件和严重金属反射下，它们无法准确量化缺陷的物理面积或估计由此产生的体积能量损失[23,24]。如果没有一种可靠的方法来提取泄漏的物理参数，工厂操作员就无法可靠地优先安排维护或计算维修干预的直接经济影响。

与分配网络中的物理损失并行的是，中央空气压缩机的运行策略也是供应侧能源浪费的一个巨大来源。在许多制造设施中，即使生产线的利用率波动或显著下降（例如，在非高峰时段或部分班次时以50%的容量运行），中央压缩机也经常以固定的高压设定点（例如8.0巴）连续运行[25,26]。这种保守的运行方式通常是为了防止末端设备可能出现任何潜在的压力下降，因为这可能会引发昂贵的过程故障或生产暂停。为了减轻这种闲置能源浪费，已经探索了各种数据驱动和机器学习（ML）架构，如人工神经网络（ANNs）、支持向量机（SVMs）和集成模型，以预测压缩机功率需求并优化运行时间表[27,28]。通过基于历史物联网数据预测气动负载，这些模型旨在实施变频驱动（VSD）控制或级联调度，以动态匹配实际工厂需求[29]。尽管在泄漏检测和压缩机负载预测方面取得了这些技术进步，但文献中仍存在几个关键空白。首先，许多研究将物理泄漏检测和压缩机能量预测视为相互独立的问题，限制了它们对实际操作的一般适用性。例如，Guenther和Kroll[14]专注于自动化的超声波泄漏检测，而未考虑其对压缩机能量优化的影响，而Wang等人[24]开发的基于ML的压缩机功率预测模型隐含地假设了无泄漏的分布网络。同样，Santolamazza等人[30]提出了压缩机能耗的异常检测方法，但没有将管道级别的物理故障信息纳入其诊断框架。其次，在不首先识别和解决微小物理泄漏的情况下，实施宏观层面的ML预测控制以积极降低压缩机输出压力，不可避免地会导致灾难性的过程故障，因为泄漏引起的持续体积损失会导致末端压力降至最低安全操作阈值以下（例如6.0巴）[31]。第三，现代故障监控系统越来越多地致力于实现全面的故障检测和诊断（FDD）能力，即使是对气动系统也是如此[19,20]。然而，大多数现有的压缩空气系统FDD框架关注的是压缩机侧的机械故障（例如，阀门退化、轴承磨损），而不是分配级别的管道完整性。本研究部分解决了这一空白，提供了管道泄漏的自动化检测和量化，尽管对不同类型故障（例如，区分接头松动和密封退化）的全面诊断分类仍是未来工作的方向。此外，尽管先进的ML方法很有前景，但它们在理论上节省能源与实际无泄漏运行条件之间的桥梁作用尚未得到充分验证，同时还需要避免内部流量传感器的数据泄漏。这些限制突显了迫切需要将管道网络的结构完整性与设施的实际、时间驱动的动态性相结合的集成框架。

为了解决这些空白，本研究提出了一个统一的双重作用AI框架。使用多模态超声波相机在复杂的工业条件下检测和物理量化管道泄漏，从而识别并消除微小的基础能量损失。为了评估宏观层面的运行稳健性，来自韩国京畿道一家完全运营的汽车零部件制造设施（公司M）的独立测试数据被生成，该设施包括13条不同的生产线。与以往将泄漏检测和压缩机调度视为孤立问题的研究不同，本研究建立了一个集成的优化序列。该框架首先使用概率声学-视觉融合技术量化物理基础损失，然后应用极端梯度提升（XGBoost）模型来预测动态功率需求。关键的是，这种预测严格基于外部生产时间表，而非内部流量监测，从而明确防止数据泄漏（即，在模型训练期间无意中包含测试集或目标相关变量的信息），并确保真正的预测控制。这种明确的两阶段配置使得系统范围的能源效率评估受到控制和透明化，而不会导致末端压力的下降。

本研究的关键贡献有三个方面：开发了一个统一的双重作用优化框架，无缝地将微小物理泄漏量化与宏观层面的运行功率预测相结合；使用强大的概率多模态融合算法系统性地检测、几何验证和物理面积估计典型的压缩空气管道泄漏；应用并优化基于XGBoost的预测控制策略，严格利用外部生产时间表，成功防止数据泄漏，并在确保末端压力稳定的同时实现了超过20%的系统范围能源减少。

本文的其余部分结构如下。第2节详细描述了材料和方法，介绍了工业测试平台、声学-视觉泄漏量化算法以及具备时间意识的机器学习模型的配置。第3节展示了实验结果，突出了微小泄漏检测和宏观层面XGBoost功率预测的性能结果。第4节对这些发现进行了全面讨论，分析了双重作用框架的集成协同效应、系统级消融研究以及整体的经济和环境影响。最后，第5节总结了研究的关键发现，并提出了未来研究的方向。

2. 材料和方法
本节描述了开发和验证所提出的双重作用AI框架所采用的实证基础、数据采集协议和分析方法。2.1节介绍了工业测试平台和系统概述。2.2节详细说明了数据采集程序。2.3节介绍了微小层面的声学-视觉算法（第一阶段）。2.4节描述了宏观层面的时间感知预测模型（第二阶段）。2.5节概述了实验设计和框架集成策略。2.6节建立了评估指标。

2.1. 研究地点和系统概述
为了在现实且高度复杂的制造环境中验证所提出的框架，研究在位于韩国京畿道的电子和汽车零部件制造设施进行。与变量被人工隔离的受控实验室环境不同，该设施在连续生产周期、动态气动负载波动和严重背景噪声的严格工业条件下运行。值得注意的是，验证是在一个单一的制造地点进行的，这提供了真实世界工业测试的优势，但本质上限制了研究结果的即时普遍性。将所提出的框架应用于具有不同气动需求概况、管道配置和环境条件的其他工业部门（例如，食品加工、O型环制造、药品生产）需要额外的验证，并在2.5节中进行了讨论。该工厂采用混合班次安排，包括工作日的满负荷生产（07:00–22:00）、夜间减少的班次（22:00–07:00）、部分周六运营以及周日/假期的最小活动。压缩空气系统通过一个集中的、密集编织的管道网络向13条不同的生产线供电。具体来说，这些设施包括4条表面贴装技术（SMT）生产线、3条装配线、2条测试线、2条包装线、一个仓库自动化系统以及一个洁净室。气动基础设施的核心是一个Atlas Copco GA75PM_17W变频驱动器（VSD）空气压缩机，该压缩机额定功率为75千瓦，供应的空气工作压力为7.5-8.0巴。表1总结了压缩空气系统的关键技术规格。图1展示了CAS的整体示意图和运行流程，详细说明了空气压缩机、干燥剂干燥器、储气罐以及延伸至13条生产线的广泛管道网络的集成情况。该图是 proposed 的宏观层面预测优化的基础，展示了如何将外部调度变量映射到中央压缩机。从宏观层面示意图过渡到微观层面的实际情况，实际的工业环境带来了显著的观测挑战。如图2所示，该设施的特点是管道布局密集复杂、光照条件多变以及严重的金属反射。为了确保本研究提出的声学视觉泄漏检测算法的可靠性，这些挑战被充分考虑到了。虽然基于压力的监测和周期时间分析等替代故障监测方法受这些视觉因素的影响较小，但它们缺乏此处提出的集成框架所需的空间分辨率和几何量化能力。选择声学视觉技术的理由在第2.3节中有详细说明。图2展示了MG Electronics制造厂复杂的工业操作环境的代表性照片，突出了密集铺设的压缩空气管道和具有挑战性的视觉条件。

2.2 数据采集
为了对压缩空气系统进行全面的评估并验证所提出的框架，从工业测试平台持续收集了多领域数据。[R1–9] 表2总结了在此采集阶段使用的关键测量设备的精度规格。

2.2.1 物联网传感器数据
通过Atlas Copco SMARTLINK物联网网关持续收集了表征中央压缩机性能的运行数据。数据采集期间为2024年4月至9月，共获得了25,920个离散观测值，采样间隔为10分钟。选择10分钟的采样间隔基于以下考虑：(i) SMARTLINK平台的默认数据传输周期，该周期以此频率聚合传感器读数；(ii) 生产班次的时间粒度，其操作周期为15分钟到1小时，因此不需要亚分钟级别的分辨率来捕捉由调度驱动的需求变化；(iii) 长期（6个月）连续监控的存储和计算效率。虽然更短的采样间隔（例如1分钟或5分钟）可能能够捕捉到更快的瞬态动态，但10分钟的分辨率被认为对于调度感知的预测任务已经足够，未来工作建议研究更高频率的采样。提取的内部传感器变量包括计算后的机器功率（千瓦）、计算后的机器流量（升/秒）、驱动器1电机电流（安培）、环境空气温度（摄氏度）、元件出口温度（摄氏度）、输送压力（巴）、运行小时数和累计体积（升）。与压缩机的机械数据并行地，13条单独生产线的确切运行调度以二进制状态（活动/非活动）被记录下来。这些二进制状态信号是通过Modbus TCP通信直接从设施的可编程逻辑控制器（PLC）中捕获的，其中监测了每条生产线的主电源继电器状态。在更复杂的制造环境中，这样的调度数据也可以通过制造执行系统（MES）集成、SCADA系统接口或OPC-UA通信协议获得。调度数据采集的可行性可能因工厂的数字化程度而异，这在第4.5节中作为实际考虑因素进行了讨论。这个高度细粒度的调度数据集包含了设施的实时气动需求概况。至关重要的是，这些外部调度记录构成了预测机器学习模型的主要独立特征矩阵。通过严格依赖这些外部调度而不是内部流量传感器，该框架严格防止了方法论数据泄漏（即无意中将目标相关变量纳入训练特征空间，这会人为提高预测准确率，但不会提供可操作的预见能力），从而确保了真正的预见性预测能力，这在第2.4节中有进一步详细说明。

2.2.2 声学泄漏检测数据
为了量化气动网络中的微观物理体积损失，使用FLUKE ii910精密声学成像仪进行了全面的压缩空气泄漏调查。这种工业级诊断设备的工作频率范围为2至100千赫兹，采用了密集的64元素微机电系统（MEMS）麦克风阵列。选择FLUKE ii910进行研究基于以下标准：(i) 它是工业维护中最广泛采用的精密声学成像仪之一，提供了声学频率分析和空间可视化功能；(ii) 其波束形成麦克风阵列能够在1-50米的范围内实现非接触式的实时空间定位泄漏源；(iii) 其内置的声音强度叠加在光学图像上，为所提出的MPSF算法提供了基础的多模态数据。尽管所提出框架的核心算法逻辑（多阶段融合检测）可以在通用声学-光学叠加数据上运行，因此原则上也可以适应其他具有类似规格的声学成像仪（例如SDT LUBExpert（SDT International，Forest，比利时）、SONOTEC SONAPHONE（SONOTEC GmbH，Halle，德国）），但当前的验证仅使用FLUKE ii910进行，跨设备兼容性将在未来的研究中进行验证。声学相机能够在标准可见光图像上生成实时的声音强度叠加，从而实现高频泄漏发射的精确空间定位。这种多领域数据采集的一个显著操作优势是它允许在不需要关闭工厂或中断正在进行的制造过程的情况下连续监测结构完整性。在现场调查期间，发现了多个主要泄漏点，并在整个分配网络中进行了全面记录。从这些特定站点获得的声学-视觉数据成为第2.3节中提出的微观级别泄漏量化和几何验证算法的基础输入。

2.3 第一阶段：微观层面声学-视觉泄漏量化
所提出框架的第一阶段重点是从气动管道网络中识别、隔离和物理量化基线体积损失。为了从复杂的声学-光学图像中准确提取有效的泄漏特征，开发了一种确定性的计算机视觉算法。需要注意的是，这一阶段专门针对连续泄漏故障（管道连接泄漏、接头退化以及接头故障），这些故障会发出持久的声学特征。其他类型的气动故障，如过滤器堵塞导致的压力下降、执行器密封件退化或阀门故障，则不在当前检测范围内，因为它们产生的物理特征不同，需要专门的监测方法（例如差压检测、周期时间分析）[19,20]。

2.3.1 多阶段融合检测算法
所提出的泄漏检测管道采用了一种强大的多阶段融合方法来识别和定位压缩空气泄漏。该算法专门设计用于系统地消除工业环境中常见的特定类别的误报干扰因素。该流程包括五个连续的阶段：
- 第1阶段—颜色显著性提取：将原始声学叠加图像分解为色调、饱和度和值（HSV）颜色空间。使用预定义的经验阈值，将相对于背景管道表面具有高颜色显著性的区域分割出来。虽然这一阶段消除了低能量的背景声学噪声，但它保留了严重的金属镜面反射。
- 第2阶段—纹理显著性过滤：为了区分真实的声学发射和视觉伪影，应用了Gabor滤波器组来提取局部空间纹理特征。真实的声学泄漏特征表现出特征性的高频湍流纹理模式，通过纹理显著性得分进行量化。通过强制应用预定义的阈值，可以明确地隔离和消除那些具有高颜色显著性但缺乏湍流声学纹理的镜面反射。
- 第3阶段—候选体融合：同时满足颜色和纹理阈值的区域通过连接组件分析融合成统一的泄漏候选体。应用动态空间区域约束以排除微观噪声碎片和过大的非物理伪影。
- 第4阶段—几何和空间验证：为了严格抑制剩余的误报（例如细长的管道接头），每个融合实例都经过几何评估。主要约束是圆形性，定义为...。这一几何指标利用了真实声学泄漏羽流从加压点源均匀向外扩散的物理特性。为了确保形态一致性，严格应用了经验阈值。此外，还应用了中心性作为操作员引导扫描场景的可选后处理启发式方法。通过测量泄漏中心到图像光心的距离，这个次要指标利用了硬件的波束形成特性来提供操作反馈，确保在现场检查期间声源正确对齐。
- 第5阶段—置信度排名和输出：经过严格验证的候选体根据颜色、纹理和圆形性的综合置信度得分进行排名。最后，将验证通过的泄漏位置用边界框标注在原始图像上。

2.3.2 物理面积量和能量转换
为了评估验证通过的泄漏的经济严重性并优先安排维护干预，将二维像素面积转换为可触及的物理维度是必要的。所提出的系统使用 homography 映射算法将像素坐标映射到物理空间（...）。这种转换利用了相机的内在参数，特别是视场（FOV），以及在现场调查期间配置的操作员指定的工作距离。一旦实际物理面积被可靠量化，就可以使用简化的经验孔口流量模型数学估算体积流量损失（...），该模型假设流量几乎是稳定的。流量计算公式为：...
其中代表经验流量系数，考虑了摩擦损失和实际气动管道裂缝的非理想几何形状。表示系统孔口的压力降，表示环境空气密度。最后，为了将这种微观物理缺陷与宏观经济指标联系起来，得出了相应的主动电能浪费（千瓦）。这是通过将体积流量损失乘以压缩机的特定能量需求（SER）来计算的：...
通过使用从基线物联网监测数据获得的设施特定SER，该框架将视觉边界框直接映射到绝对能量浪费指标，为后续的宏观层面预测优化提供了透明的、基于物理的基准。

2.4 第二阶段：宏观层面调度感知的功率预测
在通过声学-视觉量化物理减轻基线体积损失之后，所提出框架的第二阶段专注于优化宏观层面的操作策略。目标是构建一个预测控制模型，该模型仅使用外部操作边界动态预测所需的中央压缩机功率，而无需依赖任何内部机械传感器读数。

2.4.1 问题构建和特征设计
预测建模使用了与制造设施的离散操作调度同步的全面多领域数据集。为了对齐不同的采样率，数据集被时间重采样为一致的10分钟间隔。在这种构建中的一个关键方法论设计选择是严格防止“数据泄漏”。内部变量，如压缩空气流量（升/秒）、电机电流（安培）、元件出口温度（摄氏度）、出口压力（巴）和VSD速度（%），都是功耗本身的物理结果。将这些内部控制循环的输出纳入特征空间会人为地提高预测准确率，尽管在技术上是正确的，但不会提供可操作的洞察力。此外，该框架的实际价值在于它能够在压缩机响应之前预测能量需求，从而实现预防性的压力设定点调整。因此，这些内部指标被明确排除在外。相反，输入特征向量被严格限制为三个外部特征组，如表3所总结：生产线调度、时间标识符和环境条件。

2.4.2 预测机器学习架构
为了映射间歇性多条生产线调度与由此产生的气动负载之间的复杂高维关系，评估了三种不同的机器学习架构：多重线性回归（MLR）作为参数基线，随机森林（RF）作为基于装袋的集成方法，以及XGBoost作为主要提出的预测架构。MLR被纳入研究是为了确定调度和环境特征的简单线性组合是否足以解释目标方差。RF因其对抗过拟合的鲁棒性及其捕获非线性交互的能力而被选中。XGBoost被选为主要架构，因为它在表格数据预测任务中表现出色，具有固有的特征重要性量化能力，以及其正则化提升机制，能够系统地最小化偏差和方差[32]。所有模型都使用80/20的时间顺序训练-测试分割（20,660个训练样本，5,166个测试样本）进行评估，且完全没有时间重叠。

**多元线性回归（MLR）**
作为参数基线，构建了一个MLR模型来评估是否可以通过调度和环境特征的简单线性组合充分解释目标方差。MLR模型的数学表达式为：
\[\text{MLR Equation}\]
其中，\(\hat{y}_{i}\)是第\(i\)个观测值的预测压缩机功率，\(X_{i}\)是外部特征的总数，\(x_{j}\)是第\(j\)个特征的值，\(\beta_{j}\)是学习到的回归系数，\(e_{i}\)是残差误差。虽然线性架构在计算上效率高且易于解释，但它们本质上难以映射多个并发生产线的复杂相互依赖性和协同效应。

**随机森林（RF）回归器**
为了解决预期的非线性和复杂的交互项，采用了随机森林架构。作为一种基于装袋的集成方法，RF在训练过程中使用数据的自助子集构建多个独立的决策树。最终的回归预测是通过平均所有独立树的预测值得到的：
\[\text{RF Regression Prediction}\]
其中，\(y_{i}\)是输入特征向量\(\mathbf{x}_{i}\)对应的第\(i\)个单个决策树的输出。通过聚合这些不同的输出，RF有效地减少了模型方差，并表现出对工业物联网数据中固有的随机噪声的强大抵抗能力。

**XGBoost**
作为主要的预测架构，XGBoost——一种先进的梯度提升框架——被实施以系统地最小化偏差和方差。与RF并行构建树的策略不同，XGBoost通过迭代方式构建一系列浅层回归树，每棵后续树都针对前一个集成模型的残差误差进行训练。训练过程中最小化的目标函数包括一个可微的损失函数和一个结构正则化项：
\[\text{XGBoost Objective Function}\]
其中，\(y_{i}\)是实际功率，\(n\)是树的数量，\(T_{j}\)是第\(j\)棵树的结构。正则化项积极惩罚树的复杂性，从而平滑最终学习的权重，确保对未见过的调度模式具有高泛化能力。此外，该算法还结合了一个考虑稀疏性的分割查找机制，使其在处理缺失值或长期工厂调度中常见的间歇性零状态数据点时非常稳健。

**方法论约束**
本研究中的一个关键方法论约束是严格防止“数据泄露”——这是应用机器学习中的一个普遍缺陷，即模型无意中训练了目标变量的直接副产品特征。在压缩空气系统中，内部机械传感器（如体积流量、输送压力和电机电流）是压缩机实时运行的直接物理结果。因此，为了确保XGBoost模型仅基于独立的外部调度来预测能源需求，所有这些内部状态变量都被严格排除在训练特征空间之外。

**2.5. 实验设计与框架集成**
为了严格验证每个算法组件的结构必要性，并展示微观检测与宏观预测阶段之间的协同物理关系，建立了一个全面的实验设计和集成策略。

**2.5.1. 预测建模的实验设计**
为了量化机器学习架构和独立特征组的特定贡献，为预测模型设计了两组受控的实验评估：

- **模型架构比较**：三种定义的架构（MLR、RF和XGBoost）在相同的完整特征集上进行了训练，并在所有回归指标上进行了比较。这种实验设置旨在定量证明对于基于调度的功率预测而言，复杂的非线性建模的必要性。
- **特征组依赖性分析**：使用XGBoost作为固定的主要架构，通过系统地排除特定特征组来评估六种不同的输入矩阵配置：(a) 完整的提议模型，(b) 排除线路调度（变量），(c) 排除时间特征（小时、星期几），(d) 排除环境因素（温度、湿度），(e) 聚合线路计数（一个整数变量替代13个特定的二进制状态），以及(f) 仅调度数据（排除时间和环境数据）。相对于完整模型的预测性能下降量化了每个特征组的独立贡献。

**2.5.2. 检测管道的评估策略**
通过选择性跳过精选的基准数据集（包含50个确认的有效泄漏和150个非泄漏干扰因素，包括金属反射、复杂管道接头/阀门和环境背景噪声）上的特定处理阶段，来评估多阶段MPSF检测管道的结构必要性。如表4所示，比较了四种算法配置。这项评估的核心设计假设是，所有顺序处理阶段都是必须的，以实现高检测精度，因为每个阶段都能数学上过滤出前一阶段无法成功消除的特定类别的工业干扰因素。

**2.5.3. 集成能源优化策略**
所提出的框架将微观级别的泄漏减缓（第一阶段）与宏观级别的预测控制（第二阶段）有机结合成一个统一的、协同的能源优化策略。这种整合的物理和操作依据基于系统压力动态：
- **无泄漏预防的控制**：如果预测机器学习模型积极降低压缩机的输出压力以匹配动态预测的低需求调度，那么现有的未解决的物理泄漏将继续消耗固定的体积流量。因此，在这种降低的供应压力下，到达终端生产过程的有效空气体积将突然降至最低可接受的气动阈值以下，不可避免地导致关键过程故障。
- **有泄漏预防的控制**：通过依次识别并物理消除由泄漏引起的体积损失，预测模型策划的相同动态压力降低变得操作安全。压缩机可以在显著降低的能量基线上稳健地维持足够的终端过程压力。

**2.6. 评估指标**
为了全面评估所提出的双重作用框架在设计的验证场景中的性能，建立了以下统计指标。

**2.6.1. 检测评估指标（第一阶段）**
使用标准混淆矩阵来评估泄漏量化算法的可靠性，计算精确度（\(\text{Precision}\)、召回率（\(\text{Recall}\)和F1分数（\(\text{F1-Score}\)）：
\[ \text{Evaluation Metrics} \]

**2.6.2. 预测评估指标（第二阶段）**
使用四个互补的回归指标来量化基于调度的机器学习模型的预测性能：平均绝对误差（\(\text{MAE}\)、均方根误差（\(\text{RMSE}\)、决定系数（\(\text{R^2}\)）和平均绝对百分比误差（\(\text{MAPE}\)：
\[ \text{ Prediction Metrics} \]
其中，\(N\)是测试样本总数，\(P_{actual}\)是实际测量的功耗，\(P_{predicted}\)是预测功率，\(\bar{P}\)是实际功率值的平均值。RMSE被指定为主要比较指标，因为它对大的预测误差非常敏感，这在工业应用中尤其关键，因为需求预测不足可能导致灾难性的压力下降和生产停机。

**3. 结果**
**3.1. 第一阶段：微观级别泄漏量化和管道验证**
提出的多模态概率显著性融合（MPSF）算法成功地在制造设施的复杂工业环境中定位和隔离了隐藏的气动泄漏。如图3所示，声学-视觉管道在包括复杂管道接头、垂直管道段和密集集成阀门区域在内的不同拓扑条件下准确提取了真实的泄漏特征。尽管存在严重的背景噪声和具有挑战性的视觉条件，该算法动态生成了边界框，并准确定位了泄漏压缩空气的物理边界。

**3.1.1. 物理泄漏检测和经济量化**
提出的多模态概率显著性融合（MPSF）算法在制造设施的复杂工业环境中成功定位和隔离了隐藏的气动泄漏。如图3所示，声学-视觉管道在不同拓扑条件下准确提取了真实的泄漏特征，包括复杂的管道接头、垂直管道段和密集集成的阀门区域。尽管存在严重的背景噪声和具有挑战性的视觉条件，算法动态生成了边界框并准确定位了泄漏压缩空气的物理边界。

**3.1.2. 多阶段检测管道的验证**
为了验证MPSF算法内顺序过滤阶段的结构必要性，针对包含50个确认泄漏和150个非泄漏工业干扰因素（例如金属反射、管道接头）的基准数据集进行了广泛的实验评估。如图4所示，提出的完整管道实现了94.3%的精确度、100.0%的召回率和97.1%的总体F1分数，成功隔离了所有50个真实泄漏，同时抑制了140个非泄漏实例中的3个假阳性。检测流程验证：多阶段融合分析。（a）四种流程配置下的检测性能（精确度、召回率、F1分数），表明移除任何处理阶段都会使精确度下降到62%以下，而完整的流程可以达到94.3%。（b）完整流程的混淆矩阵，F1分数为97.1%。（c）按阶段划分的误报消除情况，展示了有针对性地移除了金属反射和几何干扰因素。（d,e）特征空间分布图展示了使用纹理和圆形度阈值有效分离真正泄漏和干扰因素的情况。逐步分析系统地证明了没有单个处理阶段是多余的。仅依赖颜色显著性得到的精确度为36.5%，因为它无法区分高能量背景反射和实际泄漏。纹理显著性阶段的整合通过有效消除镜面金属反射将精确度显著提高到了53.8%。然而，复杂的几何异常（如细长的管道接头和阀门）仍然能够 bypass 纹理滤波器。最后应用几何验证阶段（圆形度约束）积极过滤了这些剩余的基于形状的干扰因素，将精确度提升到了目标阈值94%以上。这种在组件隔离配置中的数学降级明确证实了在工业环境中进行鲁棒部署时多模态整合是必须的。

3.2. 第二阶段：宏观层面的计划感知式功率预测
3.2.1. 预测架构验证和时间序列性能
在量化了物理基线泄漏并概念上进行了缓解之后，评估了宏观层面机器学习模型的预测能力。这一阶段的目的是仅利用外部操作边界动态预测所需的压缩机功率，从而明确防止来自内部机械传感器的信息泄露。为了验证主要预测架构的选择，在多元线性回归（MLR）、随机森林（RF）和极端梯度提升（XGBoost）之间进行了实验比较。如性能评估（图5）所示，XGBoost架构在捕捉非线性气流动力学方面表现出决定性的优越性。XGBoost实现了2.67千瓦的均方根误差（RMSE）和2.14千瓦的平均绝对误差（MAE），明显优于MLR基线（RMSE：3.48千瓦）和RF集成（RMSE：3.02千瓦）。此外，XGBoost模型获得了0.9698的确定系数（R2）和6.0%的最小平均绝对百分比误差（MAPE）。图5. 预测架构的实验比较。（a）MLR、RF和XGBoost模型的预测误差指标（MAE、RMSE），突出展示了XGBoost的卓越准确性（RMSE：2.67千瓦）。（b）R2分数和MAPE比较。（c）实际功率与预测功率的散点图。（d）残差分布分析显示了XGBoost在减少大预测方差方面的能力，将误差密度紧密集中在零附近。XGBoost模型的操作鲁棒性进一步通过连续两周的时间序列预测得到了可视化（图6）。该模型成功跟踪了由于多线计划变化而引起的高度波动和不规则的功率消耗模式。残差分析确认了提升架构有效地映射了同时生产线的协同重叠，而无需依赖内部流量指标，安全地防止了能源需求的严重低估。图6. 计划感知式XGBoost模型的时间序列评估。使用严格的外部特征约束（13条生产线计划、时间和环境条件）连续跟踪实际（IoT）与预测的压缩机功率（千瓦）。下方面板显示了在复杂的操作期间相应的残差安全地限制在狭窄的误差范围内。

3.2.2. 特征依赖性和操作洞察
为了实证证明高度细粒度的生产计划对于准确的气动负载预测是严格必要的，进行了全面的特征依赖性和消除分析。从XGBoost模型中得出的类别级重要性矩阵（图7）显示，装配线的操作状态主导了设施的气动需求，贡献了模型预测收益的41.6%。其次是SMT线，占比23.2%，时间特征占比15.8%。在单个特征层面，装配线2和SMT线2被确定为最关键的单一预测因子，分别获得了0.207和0.108的重要性分数。图7. XGBoost模型的特征重要性分析。（a）单个特征重要性（收益），突出显示了特定装配线和SMT线的主导影响。（b）类别级分组重要性，表明直接的生产计划占预测方差的78%以上。这种对特定离散计划的依赖性通过系统的特征组排除实验得到了数学验证（图8）。当从输入矩阵中完全排除13条生产计划，只留下时间和环境变量时，XGBoost模型的RMSE急剧下降到8.40千瓦，预测误差增加了215%。图8. 特征组依赖性分析。（a）在六种特征配置中RMSE的下降。移除具体的生产计划数据会导致误差严重增加215%。即使用聚合的活跃线路计数替代详细计划，误差仍会增加73%，从数学上证明了特定线路身份对于准确的气动负载预测至关重要。（b）R2分数的相应下降。至关重要的是，当详细的13条线路二进制计划被一个简单的“聚合计数”（代表活跃线路总数的单个整数）替代时，RMSE仍然显著下降到4.61千瓦（误差增加73%）。这种量化下降明确证明了一个重要的物理和操作现实：不同的制造过程施加的气动负载差异巨大。知道哪条特定线路正在运行（例如，高消耗的装配线与低消耗的包装线）比仅仅知道有多少线路是活跃的要重要得多。如果无法获得生产计划数据——例如，在缺乏PLC/MES集成或生产模式高度不规则且未记录的设施中——系统的预测准确性将受到严重影响。在这种情况下，可以采用替代的特征工程方法（例如，时间编码、历史负载模式聚类或占用代理变量）进行部分补偿，尽管预测质量仍将显著低于完整的计划感知模型。这种对详细计划数据的依赖性代表了在第4.5节中进一步讨论的实际部署约束。因此，详细的计划感知对于预测性能源优化是不可或缺的。

3.3. 集成能源优化框架
3.3.1. 泄漏预防的关键物理作用
对基线IoT数据的分析揭示了一种普遍的结构效率低下：中央压缩机无论多线生产计划如何高度变化和间歇性，都严格保持恒定的高压8.0巴。虽然理论上实施提出的计划感知式XGBoost模型（第二阶段）允许动态降低这一基线压力以匹配实际需求，但单独这样做会带来灾难性的操作风险。根据设施中终端设备的文档操作规范，确定最低可接受的气动压力为6.0巴。根据部署在13条生产线上的气动执行器、SMT放置机和测试设备的制造商数据表，需要至少5.5-6.0巴的供应压力以确保执行器行程完成、足够的部件保持力和规定的机器周期时间。应用了0.5巴的安全余量，从而在本研究中采用了6.0巴的阈值。低于此阈值的操作可能导致执行器行程不完全、周期时间增加、对位错误和潜在的产品缺陷。在当前设施中，所有13条生产线都统一应用了6.0巴的最低压力，因为终端设备具有相似的气动要求。然而，在机器具有不同最低压力规格的设施中，可以扩展压缩机控制优化，实施基于区域的压力管理，其中不同的管道分支被调节以满足特定区域的最低压力要求。这种多区域优化是当前框架的自然扩展，并被建议作为未来工作的方向。这种关键脆弱性在模拟的终端压力稳定性分析中得到了明确展示（图9）。在机器学习模型将供应压力降低到优化后的6.5巴的情况下，如果没有事先进行泄漏缓解，现有的物理泄漏（持续消耗11.0千瓦的基线流量）将继续消耗固定体积流量。因此，到达远端生产线的有效压缩空气量急剧下降到低于最低可接受的气动阈值6.0巴。“过程失败风险区”指的是系统终端压力低于最低可接受气动阈值6.0巴的操作区域。在这个区域内，不能保证气动设备在其设计规格内运行，导致包括周期时间延长、执行器行程不完全、保持力减弱以及随之而来的生产缺陷或生产线停止等风险。如图中的红色“过程失败风险区”所示，这种孤立的优化方法不可避免地使生产设备缺乏足够的空气，导致立即停止生产并产生缺陷。图9. 模拟的终端压力稳定性：泄漏预防的关键作用。热力学模拟显示了孤立预测控制的危险。（红线）没有泄漏预防的ML驱动的压降会导致终端压力急剧降至过程失败风险区（<6.0巴）。（绿线）集成双重作用框架在最大化节能的同时安全地保持稳定的操作压力。相反，通过在宏观控制之前集成微观级别的MPSF泄漏量化流程（第一阶段），这种操作风险被完全消除。首先确保管道网络的结构完整性并恢复丢失的体积，相同的ML驱动的压降到6.5巴安全地保持了远高于6.0巴阈值的稳定终端压力（图5中的绿色轨迹）。这种热力学模拟明确证明了视觉泄漏检测不仅仅是一个补充维护任务，而是实施先进基于AI的预测能源控制的严格物理前提。

3.3.2. 长期经济和环境影响
为了验证统一框架的长期鲁棒性和经济可行性，对整个六个月的运营数据集（2024年4月至9月）的能源节省进行了全面评估。这种纵向分析有效地消除了时间偏差或季节性异常。如图10a所示，在恒定8.0巴操作下压缩机的实际基线能耗每月始终在43到49兆瓦时之间。实施所提出的优化框架带来了巨大的能源节省，每月节能达到了42.7%到53.1%。图10. 长期能源节省和组件分解。（a）整个六个月研究期间每月能源消耗的比较，与未优化的基线相比，显示出一致的42%到53%的节省。（b）将每月能源节省分解为三个核心组成部分：计划感知AI控制（蓝色）、基线压力降低（黄色）和微观级别泄漏修复（红色）。集成方法平均每月节省约23.0兆瓦时。关键的是，总能源节省被分解为第2.5节中制定的三个物理组成部分（图10b）。首先，识别的管道缺陷的物理缓解（）提供了非常稳定的基线恢复，每月大约节省6.0到6.9兆瓦时。其次，安全降低基线系统压力的热力学效益（）每月额外节省2.0到2.7兆瓦时。最后，最大的优化幅度是由宏观层面的机器学习模型（）驱动的。通过准确预测动态生产负载并在非高峰时段和部分班次期间实现预判性的、与计划对齐的压缩机控制，XGBoost模型独立产生了11.8到16.9兆瓦时的每月节省。总体而言，这种协同集成在整个研究期间平均每月节省了约23.0兆瓦时。当外推到年度运营周期时，这相当于每年减少超过276,000千瓦时的能耗。从经济角度来看，假设标准工业电价为0.10美元/千瓦时，该设施每年可以直接减少超过27,600美元的运营成本，而无需任何物理改造或硬件更换。此外，这种优化还直接支持了公司的可持续发展目标，每年减少了约116吨的Scope 2等效排放。

4. 讨论
4.1. 关键发现的解释
本研究表明，所提出的双重作用优化框架显著提高了工业压缩空气系统的运营效率和物理合理性[4,7]。与仅依赖反应性数学启发式方法的传统优化器[24,28]不同，集成框架作为一个领域感知的推理代理，解释离散的生产计划并建议预先更新压力，以保持气动一致性。在实际部署中，该框架保持了稳定的收敛性，并再现了与设计值密切匹配的终端压力，证实了其将物理管道完整性整合到搜索过程中的能力。一个关键成果是该框架能够在整个控制循环中适应性地平衡物理缺陷的缓解和考虑时间表的负载预测。虽然传统的机器学习算法常常会陷入物理上不可行的状态，或者由于数据泄露而表现出不稳定的收敛性，但严格的外部特征选择策略确保了即使在高度变化的工业环境中也能持续改进。这种多模态概率显著性融合（MPSF）算法用于缺陷解决与基于推理的参数选择的结合，不仅在数值上精确，而且在实际上也易于解释，这突显了将结构理解嵌入定量优化中的优势。一个重要的发现是，防止泄漏是任何预测性减压策略的严格物理前提。如果不先修复基线体积损失，动态压力优化将不可避免地导致终端压力低于安全操作阈值，从而导致过程失败。这种顺序依赖性——先检测和修复，然后优化——代表了建筑物级CAS能量管理的一个基本设计原则，这在以前的文献中尚未得到明确验证。需要强调的是，当前的评估仅考虑了连续泄漏故障作为微级别物理损失的来源。其他类型的空气故障，包括由堵塞的在线过滤器引起的压力下降、执行器密封件退化、冷凝水排放故障和调节器故障，并未包含在本研究的范围内。因此，当前发现对于具有不同故障特征或工业领域的普遍性仍有待验证，如第4.5节所讨论的。

4.2. 机制洞察与以往工作的比较
传统的能源管理框架——包括声学阵列泄漏检测[13,23]和基于替代模型的机器学习[26,27]——在解决不确定性问题和降低计算成本方面取得了可测量的成功。例如，Guenther和Kroll[14]展示了具有高灵敏度的自动化超声波泄漏检测，但他们的系统没有提供将检测到的泄漏转化为量化能源损失或与下游运营优化的机制。Santolamazza等人[30]提出了在压缩机能源曲线中检测异常的方法，有效识别了异常消耗模式，但没有将物理管道完整性信息纳入他们的诊断框架。Wang等人[24]和Benedetti等人[5]为建筑系统开发了基于机器学习的能源预测模型，但他们的方法隐含地假设了完整的分配网络，这使得它们在受泄漏影响的系统中容易产生物理上不可行的优化结果。然而，这些孤立的方法通常缺乏整体推理的能力，因此会收敛于满足数值目标但违反热力学逻辑的解决方案（例如，在不解决结构泄漏的情况下降低压力，导致过程饥饿）。所提出的双动作框架通过引入一个认知反馈层来解决这个问题，该层在管道流体动力学背景下解释声学-视觉结果[21,22]。通过MPSF算法，该框架整合了如声学显著性和几何泄漏传播等物理依赖性，而不是仅仅最小化压缩机的功率残差。这种能力将优化过程从一个盲目的搜索转变为一个可解释的决策序列，类似于人类专家根据诊断洞察逐步改进系统。以往使用元模型优化或集成预测的研究实现了可信的不确定性量化，但在推理路径上仍然不透明。相比之下，当前方法为每次参数更新提供了明确、可解释的理由，从而增强了优化过程的透明度和信任度。这种解释能力标志着工业能源管理中可解释AI的概念性进步[1,2]。

4.3. 实际意义
从实际角度来看，所提出的框架为制造环境中的智能和可解释的能源优化引入了一种新的范式。其模块化结构允许直接集成到现有的工业物联网（IoT）平台（例如SMARTLINK工作流程）中，使用户能够在不改变现有硬件基础设施的情况下利用先进的预测推理。对于希望在新设施中采用这种方法的组织来说，部署过程包括以下步骤：(a) 使用便携式成像仪进行声学泄漏调查以识别和量化基线泄漏；(b) 与设施的PLC/MES集成以获取实时生产线调度；(c) 收集至少2-3个月的IoT传感器数据用于模型训练；(d) 训练和部署XGBoost预测模型。重要的是，算法框架（MPSF检测流程、XGBoost模型架构和优化逻辑）可以直接在不同设施之间重复使用；然而，训练后的模型参数和检测阈值是特定于现场的，需要使用本地运营数据进行重新校准。就成本考虑而言，主要的资本投资是声学成像设备（FLUKE ii910，大约20,000欧元），这是一次性购买，可以通过定期调查活动在多个设施之间共享。IoT传感器基础设施（压力、温度、流量）通常已经存在于配备了制造商提供的监控平台的现代压缩机系统中（例如Atlas Copco SMARTLINK）。ML模型训练和部署需要标准的计算资源，并且可以在商业云平台上以最低成本执行。对于一个75千瓦的压缩机系统，该框架显示出每年超过27,600美元的能源成本节省，表明初始声学成像仪的投资回收期不到一年。对于有多个压缩机组的大型设施，经济效益将成比例增加，而只需要一个声学成像仪进行定期诊断调查。MPSF视觉-声学流程生成的诊断输出提供了关于空间泄漏严重性和空气行为的实时诊断反馈，在传统设施运营中这些信息通常是隐藏的。在运营环境中，该框架可以扩展到数字孪生环境，允许使用实时生产线调度数据进行定期重新校准。推理日志和量化的组件级节省——将泄漏修复、压力降低和调度优化分开——也有助于基于绩效的可持续性规范的监管验证和透明报告。此外，通过将数值功率预测与领域特定的物理现实对齐，这种方法为“软件驱动的改造”开辟了新的途径，这种改造结合了非侵入性的缺陷缓解和智能的、与时间表对齐的决策支持。

4.4. 与建筑能源管理的相关性
尽管实验验证是在制造设施中进行的，但所提出的框架对建筑级别的能源管理和脱碳策略有直接影响。压缩空气系统是工业和大规模商业建筑中能源消耗的主要贡献者，通常占总设施电力成本的20-30%[7,8]。该框架展示的将CAS能源消耗减少42-53%的能力直接转化为建筑级别的Scope 2 CO2排放减少，支持遵守日益严格的建筑能源性能标准[33]。此外，考虑时间表的预测方法反映了智能建筑能源管理中的新兴趋势，其中利用 Occupancy 和使用时间表来优化HVAC、照明和其他建筑系统[34,35,36]。所提出框架的模块化架构使其能够与现有的HVAC和照明优化模块一起集成到建筑管理系统（BMSs）中，将压缩空气优化定位为整体建筑脱碳策略的一个组成部分，而不仅仅是一个孤立的工业维护任务。

4.5. 局限性和未来工作
尽管当前研究取得了有希望的结果，但仍应承认几个局限性，以便对发现进行背景化并指导未来的研究。首先，所提出的框架是在一个电子和汽车零件制造设施中得到验证的。虽然这个现实世界的工业测试平台提供了高生态有效性，但将这些发现推广到其他工业领域（如食品加工、制药制造或O型圈生产）的普遍性仍有待通过多站点部署研究来验证，这些领域的空气需求概况、管道配置和环境条件存在显著差异。在故障覆盖方面，当前的检测流程仅针对由管道连接、接头退化和泄漏引起的连续泄漏故障。其他类型的空气故障，包括由堵塞的在线过滤器引起的压力下降、执行器密封件退化、阀门故障和冷凝水排放故障，超出了当前研究的范围，需要额外的检测方式，如差压监测或周期时间分析。此外，本研究中识别的所有泄漏都表现出持续活跃的声学特征。该框架在检测间歇性故障（例如，仅在特定操作周期出现的执行器密封件泄漏）方面存在固有限制，因为这些故障要求声学成像仪在发生时刻存在并处于活动状态。解决这一限制需要使用永久安装的声学传感器阵列或事件触发检测策略进行持续自动化监控。在仪器方面，验证仅使用FLUKE ii910 Precision Acoustic Imager进行，该设备的成本约为20,000欧元。尽管核心算法逻辑可以在具有类似规格的其他成像仪上通用，但跨设备的兼容性尚未通过实证验证。此外，高昂的购置成本可能对寻求采用这种方法的小型和中型企业构成实际障碍。从数据基础设施的角度来看，XGBoost模型的预测准确性在很大程度上依赖于通过PLC或MES集成获得的详细、实时的生产线调度数据的可用性。在缺乏此类数字基础设施或运营模式不规则的设施中，系统的预测性能将大大降低。此外，在本研究中，所有13条生产线上都应用了一个统一的最低可接受压强6.0巴；具有异构终端压力要求的设施将从基于区域的压力管理中受益，而当前框架并未实现这一点。最后，10分钟的IoT采样间隔虽然足以捕捉由时间表驱动的需求变化，但可能会错过与快速负载转换相关的快速瞬态事件，更高频率采样的潜在好处仍有待探索。未来的研究应通过在不同工业领域进行多站点验证，整合额外的FDD方式（压力、周期时间和振动感测）以实现全面的空气故障覆盖，开发适用于具有异构设备要求的设施的基于区域的压力优化，并研究闭环PLC集成以实现完全自主的压缩机控制。

5. 结论
本研究提出了一种新颖的双动作能源优化框架，适用于大规模建筑能源系统，成功弥合了物理建筑环境维护和宏观层面预测控制之间的历史差距。通过将微观层面的缺陷缓解与考虑时间表的机器学习相结合，所提出的方法克服了孤立、反应式优化的关键局限性，这些优化策略往往无意中损害了设施规模系统的稳定性和室内环境控制。热力学模拟从数学上证明了这项研究的核心物理假设：防止泄漏是预测性减压的严格物理前提。正如所展示的，如果不先修复基线体积损失，动态压力优化会严重阻碍终端过程，突显了整体空气能源管理方法的必要性。本工作的主要贡献有三点：(i) 实证证明了防止泄漏是任何预测性减压策略的严格热力学前提；(ii) 开发了一种多模态声学-视觉管道（MPSF），能够在复杂的工业条件下自动、几何验证泄漏量化；(iii) 制定了一种考虑时间表的XGBoost预测模型，仅使用外部运营边界即可实现高保真度的功率预测，明确防止数据泄露。多模态概率显著性融合（MPSF）算法的微观层面实现成功地自动化了隐藏的空气泄漏的检测和量化，有力地过滤了严重的工业干扰因素，从而显式恢复了11.0千瓦的连续基线功率浪费。在此基础上，部署了一个宏观层面的XGBoost预测架构，使用严格的外部运营边界动态预测压缩机功率需求。通过仅利用13条生产线的离散二进制时间表并明确排除内部机械传感器，该模型成功防止了数据泄露，并提供了真正的预防性负载预测。这种考虑时间表的方法显著优于传统的参数和集成基线方法，实现了2.67千瓦的RMSE和0.9698的预测准确性。最终，这项研究在建筑级别压缩空气能源管理和设施能源管理方面取得了有意义的进展。在为期六个月的全面实际部署中，集成双动作框架实现了每月高达42.7%到53.1%的能源减少，平均每月约23.0兆瓦时。如果每年推算，这种“软件驱动的改造”方法相当于直接减少了超过27,600美元的运营成本，并消除了单个75千瓦压缩机网络116吨的Scope 2等效排放。应当指出，当前研究存在几个局限性，包括单站点验证、仅关注连续泄漏故障、依赖单个声学成像仪模型以及对详细信息的生产调度数据的需求，如第4.5节所述。通过将数值机器学习优化与特定领域的热力学规律相结合，所提出的框架为实现碳中和的建筑运营和建筑环境的脱碳提供了一条可解释的、具有高成本效益且基于物理原理的路径，同时有可能减少对资本密集型硬件升级的需求。