基于知识和数据融合的自监督学习方法，用于空气处理单元故障诊断——尤其是在标记数据有限的情况下

《ENERGY AND BUILDINGS》：Knowledge and data fusion-driven self-supervised learning for air handling unit fault diagnosis with limited labeled data

　　

柯妍|梅华|袁高

摘要

空气处理单元（AHUs）是供暖、通风和空调（HVAC）系统中主要的能耗部件。因此，对AHUs进行故障诊断对于确保室内舒适度和提高能源效率至关重要。尽管基于深度学习的方法在AHUs的故障诊断方面取得了显著成效，但现有方法需要大量的标注操作数据来进行模型训练。然而，获取高质量的标注数据需要丰富的领域专业知识以及高昂的标注成本，这导致大部分收集到的操作数据未被标注，从而阻碍了基于深度学习的方法的实际应用。为了解决这一瓶颈，本文提出了一种基于知识和数据融合的自监督学习（KDFD-SSL）方法，用于在标注数据有限的情况下对AHUs进行故障诊断。具体而言，根据AHUs的先验诊断知识，选择最重要的k个物理故障特征。同时，设计了一个堆叠自编码器（SAE）从原始操作数据中提取高级故障特征，补充先验诊断知识中的缺失信息。此外，在自监督框架内构建了一个基于Transformer的编码器，并通过知识-数据融合进行预训练，使得能够从未标注的数据中提取具有区分性和针对性的特征，从而减少了对标注数据的依赖。在两个AHU数据集上的实验表明，KDFD-SSL方法在故障诊断方面的有效性和优越性尤为明显，尤其是在标注数据有限的情况下。所提出的KDFD-SSL方法为将基于深度学习的故障诊断从数据丰富的理论场景应用于数据稀缺的现实世界建筑能源管理提供了可行的途径。