一种用于供暖、通风和空调系统的少样本未知故障诊断框架，该框架采用基于熵的不确定性引导方法

《Advanced Engineering Informatics》：A few-shot unknown fault diagnosis framework for heating, ventilation, and air conditioning systems with entropy-based uncertainty guidance

　　长富河|柯岩|袁高
湖南大学机械与车辆工程学院，长沙，中国

**摘要**
供暖、通风和空调（HVAC）系统的故障诊断对于智能城市能源基础设施中的节能和减排至关重要。尽管现有的HVAC故障诊断方法已经取得了显著进步，但大多数方法需要大量的故障数据，并假设训练集和测试集之间的标签空间是相同的。由于故障样本有限以及存在未知故障，传统框架的性能通常会显著下降。为了解决这些挑战，本文提出了一种基于熵的不确定性引导的少样本未知故障诊断框架（FEUG）用于HVAC系统。首先，开发了一个特征关联融合模块（FAFM）来增强特征的表示能力和可重用性。在FAFM的基础上，设计了一个多尺度特征交互关联网络（MFIAN），以实现不同尺度特征之间的相关性融合，从而加强对全局和局部信息的联合关注。其次，提出了一个自适应对比学习模块、一个熵辅助分类模块和一个原型相似性模块，以提高类别内的紧凑性和类别间的可分离性。最后，通过将基于熵的不确定性与少样本学习机制相结合，FEUG显著提高了HVAC少样本未知故障诊断任务的性能。在三个HVAC数据集上进行的全面实验和消融分析表明，FEUG在各种场景下始终能够实现更高的准确性。具体来说，FEUG在SZVAV（SC2）、SZCAV（SC8）和冷水机（SC12）上的平均F1分数分别为69.92%、82.39%和78.48%，分别比第二好的模型高出3.24%、5.39%和2.35%。

**引言**
HVAC系统的运行状态直接影响能耗、设备寿命和维护成本[1]。研究表明，HVAC系统的能耗约占建筑总能耗的30%-60%[2][3]。在持续高负荷运行和极端环境条件下，核心组件容易出现性能下降和多种故障。这些故障不仅降低了室内舒适度，还导致大量能源浪费并引入潜在的安全风险。因此，开发先进可靠的HVAC系统故障诊断信息技术已成为提高运行效率和可靠性的关键方法[4]。

作为HVAC系统的核心设备，冷水机和空气处理单元（AHU）与整体能源效率和运行可靠性密切相关[5]。因此，对冷水机和AHU进行高质量的故障诊断对于确保高效可靠的HVAC运行以及实现节能和减排具有重要意义。

HVAC系统的故障诊断方法通常分为基于规则的方法和数据驱动的方法[6]。基于规则的方法依赖于具有丰富诊断经验的领域专家来构建与故障模式相关的规则库或专家系统。当运行数据满足预定义的触发条件（例如阈值或逻辑关系）时，系统会推断出相应的状态并生成诊断报告[7]。虽然这些方法具有可解释性，但它们对规则库的广度和多样性敏感，并且常常受到规则覆盖不足和更新不频繁的阻碍。

随着先进工程信息科学和数据采集技术的不断发展[8]，数据驱动的故障诊断方法在HVAC领域取得了快速进展并取得了显著成功。其中，基于机器学习（ML）的方法受到了广泛关注[9]。例如，郭等人[10]设计了一个高斯混合模型来诊断HVAC故障类型，并报告了令人满意的结果。姚等人[11]开发了一个基于轻量级梯度提升机的集成模型来识别冷水机故障，并比较了各种基于树的模型的性能差异。白等人[12]使用特征度量技术来评估故障数据与正常数据之间的差异，并应用了谱回归核判别分析来增强特征空间中的故障类别可分离性。

由于深度学习方法具有强大的表示学习和自动特征提取能力，它们已被广泛应用于HVAC故障诊断任务。高等人[13]将冷水机运行数据映射到二维图像，并使用卷积神经网络（CNN）实现了高故障识别精度。李等人[14]基于图神经网络（GNN）开发了一个能源系统的故障诊断框架，提高了诊断过程的可解释性。潘等人[15]将冷水机系统机制纳入神经架构，并在真实故障数据集上验证了该方法的有效性。张等人[16]首先通过判别分析从AHU运行数据中提取特征，然后将这些特征转换为图像信号，然后使用改进的GNN进行准确分类。Ghalamsiah等人[17]开发了一个嵌入因果关系的领域适应网络，以提高不同AHU系统之间的可迁移性和领域鲁棒性。尽管取得了这些成就，但深度学习模型通常依赖于大量高质量的标记故障样本进行训练，而在工程实践中获取此类数据仍然成本高昂且具有挑战性。

在实际的HVAC工程操作中，故障往往逐渐发展且难以检测，这使得系统地获取足够的故障样本变得具有挑战性。对于新部署的系统来说，这个问题尤为严重，因为故障数据极其稀缺。此外，高质量的注释依赖于领域专业知识，而对运行数据进行标注既耗时又费力。在这种背景下，半监督学习和数据增强已成为解决有限故障样本问题的两种常见策略。

半监督故障诊断策略通常利用大量未标记的故障样本来提高模型性能，尤其是在标记故障数据稀缺的情况下。范等人[18]利用大量未标记的故障样本来训练模型，显著提高了AHU故障诊断的准确性。韩等人[19]使用未标记的故障样本来提高变分自编码器的学习能力，并结合了基于熵和基于距离的度量来缓解样本量有限情况下的性能下降。范等人[20]将HVAC运行数据转换为图像，并使用标记和未标记的故障样本来提高GNN的故障分类性能。Albayati等人[21]应用了一种混合监督和半监督机器学习方法来识别屋顶单元故障类型。总体而言，基于半监督学习的故障诊断方法减少了对标记故障样本的依赖，但仍受可用未标记故障数据数量和质量的限制。

为了增加故障样本的数量和多样性，人们广泛研究了数据增强技术。Ebrahimifakhar等人[22]应用了合成少数样本过采样技术（SMOTE）来生成额外的故障样本以平衡数据集。沈等人[23]开发了一种稳定的SMOTE变体来产生更高质量的合成样本。吴等人[24]开发了一个混合冷水机故障诊断框架，首先使用SMOTE来平衡故障样本和正常样本，然后使用一维CNN提取特征，最后使用SVM进行分类。尽管SMOTE及其变体可以稳定地合成少数类数据，但合成样本的多样性仍然有限。相比之下，生成对抗网络（GAN）通过生成器和判别器之间的对抗优化，在故障数据合成方面显示出了明显优势。阮等人[25]将冷水机运行数据转换为图像，并使用改进的混合GAN来生成故障样本以平衡数据集。韩等人[26]开发了一个混合循环GAN，将模拟故障数据转换为近乎真实的故障样本，从而减少了对真实故障数据的依赖。李等人[27]使用未标记的故障样本增强了GAN的学习能力，并通过大量实验验证了该策略的有效性。杜等人[28]进行了特征选择以降低维度，然后使用GAN来平衡数据集，从而缓解了由于类别不平衡导致的性能下降。颜等人[29]将Transformer与GAN结合，提供了一种新的AHU故障数据生成和诊断方法。尽管基于GAN的数据增强在增加故障数据的数量和多样性方面显示出明显优势，但不稳定的训练仍然是一个关键挑战，且生成故障数据的有效性需要严格的验证。

在HVAC系统运行过程中，由于设备退化、环境变化和负载变化，可能会出现新的故障类型。新故障类别的出现对诊断模型提出了重大挑战，因为传统方法往往难以准确分类未知故障。为了解决这个问题，一些研究进行了初步探索。李等人[30]开发了一个基于知识的框架用于未知故障分类，并用真实建筑运行数据进行了验证。张等人[31]使用关联规则来评估正常样本和故障样本之间的关系，并结合专家知识来执行未知故障的异常检测。

表1总结了之前的HVAC故障诊断研究，包括一些超出详细审查范围的参考文献。表格显示，尽管之前的工作探索了有限的故障数据场景或单独的未知故障识别任务，但同时解决这两个挑战的研究仍然很少，系统性的解决方案尚未建立。尽管之前的研究为HVAC系统故障诊断提供了许多解决方案，但该领域仍面临两个关键挑战：
(1) 在故障数据稀缺条件下，故障诊断的可靠性和鲁棒性仍有待提高。半监督诊断方法受到可用未标记故障样本的数量和质量的限制，而在实际HVAC操作中，未标记的故障数据同样有限。数据增强技术在合成样本的多样性、不稳定训练以及严格验证生成数据的有效性方面仍存在挑战。在这些限制下，在故障数据稀缺的情境下实现可靠诊断需要进一步的方法论进步。
(2) 不确定性因素（如未知故障）的影响仍然是一个挑战。设备退化和负载波动等运行条件可能导致新故障类型的出现，传统诊断方法难以有效识别这些故障。尽管一些研究在未知故障识别方面取得了初步进展，但在故障数据有限的条件下诊断未知故障的研究仍然很少。

在我们之前的研究[32]中，我们主要关注并解决了少样本故障诊断问题，即上述挑战(1)。为了进一步应对上述挑战并填补现有研究中关于少样本未知故障诊断的空白，本研究提出了一种基于熵不确定性引导的少样本未知故障诊断框架（FEUG）用于HVAC系统。主要贡献如下：
(1) 引入了基于熵的不确定性引导，以实现可靠的诊断。具体来说，提出了一种基于熵的不确定性引导的少样本未知故障诊断框架。引入了基于熵的不确定性机制来区分已知和未知故障样本。通过结合少样本学习策略，该框架能够自适应地诊断未知故障，克服了传统固定阈值方法的局限性，并为故障数据有限的未知故障诊断提供了实用的解决方案。
(2) 开发了特征关联融合模块（FAFM）和多尺度特征交互关联网络（MFIAN）。FAFM执行不同尺度特征之间的相关性建模和加权融合，增强了表示能力和可重用性。在FAFM的基础上，MFIAN进一步实现了跨尺度特征交互和关联，有效提高了FEUG对HVAC运行数据的表示能力。
(3) 设计了一种结合自适应对比学习、熵辅助分类和原型相似性的诊断机制。自适应对比学习模块通过可学习的缩放因子优化样本对之间的相似性，促进了类别内的紧凑性和类别间的可分离性。熵辅助分类模块根据熵值调整分类边界，增强了未知故障样本的区分能力。原型相似性模块增加了未知故障样本与已知类别原型之间的距离，进一步提高了类别间的可分离性。
(4) 对提出的方法在三个HVAC数据集上进行了系统的通用性和可扩展性验证，涵盖了多种场景配置，并与七个最先进的基线进行了比较。消融研究进一步证明了推理模块的必要性，从而验证了该方法在不同设备类型和运行场景下的通用性和可扩展性。

**基于度量的少样本学习**
在现实世界应用中，故障数据的稀缺性紧密反映了实际设备运行条件，仍然是限制模型性能的关键因素。为了在故障样本有限的情况下提高模型性能，研究人员进行了大量研究并取得了显著进展。在这些努力中，基于元学习的少样本学习框架在数据稀缺场景中展示了显著的潜力和实际价值。

**故障诊断框架**
为了在少样本条件下实现未知故障的可靠识别，本研究提出了一种基于熵不确定性引导的诊断框架（图1）。该框架包含四个组成部分：数据采集与预处理、特征提取与映射、基于原型网络的故障分类以及实验结果分析。特征提取与映射是通过多尺度特征交互关联网络（MFIAN）实现的，该网络能够模拟多尺度特征之间的交互关系。

实验与结果分析：所提出的故障诊断框架（FEUG）是基于PyTorch深度学习平台开发的。在训练过程中，采用Adam优化器来更新网络参数，学习率为0.001，训练周期为50个时代。为了确保结果的可靠性和稳健性，每个故障诊断模型在相同配置下独立执行10次，最终报告的结果是10次运行的平均值。

为了全面评估该框架的有效性，本文还讨论了结论和未来的研究方向。针对传统方法在少样本和未知故障条件下的性能下降问题，本文提出了一种基于熵不确定性指导的少样本未知故障诊断框架（FEUG），专门用于暖通空调（HVAC）系统。首先设计了一个特征关联融合模块（FAFM），以增强特征表示能力和重用性；在此基础上构建了多尺度特征交互关联网络（MFIAN），以实现跨尺度特征之间的交互作用。

CRediT作者贡献声明：
何长福：撰写——审阅与编辑、撰写——初稿、可视化、软件实现、资源准备、方法论设计、形式化分析、概念化。
严科：撰写——审阅与编辑、监督工作、资源准备、方法论设计。
高媛：撰写——审阅与编辑、可视化处理、验证工作、概念化设计。

利益冲突声明：作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢：本研究得到了中国国家自然科学基金优秀青年海外人才计划（项目编号Z202304392531）和湖南省科技创新计划（海外专家项目）（项目编号2024RC9006）的支持。