《Algorithms》：A Physics-Informed Explainable AI Framework for HVAC Anomaly Detection and Maintenance-Oriented Analysis in Urban Bus Fleets
编辑推荐：
尽管城市公交车队通过车载传感器和远程信息处理平台越来越多地生成暖通空调（HVAC）运行数据，但这些数据在维护决策中的实际应用仍然有限。在真实条件下，这些数据很少伴随可靠的故障标签、完整的上下文信息或对监测变量的清晰物理解释。因此，仍然需要能够将有缺陷的运行数据
尽管城市公交车队通过车载传感器和远程信息处理平台越来越多地生成暖通空调（HVAC）运行数据，但这些数据在维护决策中的实际应用仍然有限。在真实条件下，这些数据很少伴随可靠的故障标签、完整的上下文信息或对监测变量的清晰物理解释。因此，仍然需要能够将有缺陷的运行数据转化为具有物理意义和面向维护洞察的方法论框架。研究人员提出一个结构化框架，结合领域知识、无监督异常检测和可解释人工智能（XAI），以支持HVAC车队数据的初步利用。该框架首先进行传感器上下文化，并将可用测量结果物理映射到蒸汽压缩制冷循环上，从而构建具有物理意义的特征和连贯的运行基线。然后使用隔离森林（Isolation Forest）模型识别偏离该基线的数据，同时利用核SHAP（Kernel SHAP）解释产生的偏差分数。SHAP贡献进一步被分组为物理知识引导的解释族，使得异常可以根据HVAC机制而非孤立变量进行解释。结果表明，这种领域知识–XAI方法有助于区分物理上合理的罕见运行状态、检查候选对象和模糊的多变量情况，而无需依赖已确认的故障标签。本研究的主要贡献在于一个物理知识引导的XAI框架，该框架结合领域知识、无监督异常检测和可解释性方法，将来自早期数字化公交车队的不完美HVAC运行数据转化为可解释且与维护相关的信息。
**论文解读：基于物理知识引导的可解释人工智能框架在城市公交车队暖通空调异常检测与维护分析中的应用**
**1. 研究背景与问题**
城市公交车队暖通空调（HVAC）系统通过车载传感器和远程信息处理平台产生了大量运行数据，然而这些数据在维护决策中的实际应用十分有限。现有数据普遍存在以下问题：缺乏可靠的故障标签、上下文信息不完整、监测变量的物理解释不清晰，以及数据采样频率低、来源异构。尽管工业4.0和人工智能（AI）技术已在车辆维护领域取得进展，但多数研究依赖合成或模拟数据集，缺乏对真实运行复杂性的捕捉；即使使用真实数据，也常局限于有限样本或单车辆场景，且多数黑箱AI模型缺乏可解释性，难以被维护人员信任。因此，亟需一种能够将不完美运行数据转化为物理上有意义、面向维护洞察的方法论框架。本研究正是为了解决这一需求而开展，提出了一种结合领域知识、无监督异常检测和可解释人工智能（XAI）的结构化框架，并发表在《Algorithms》期刊上。
**2. 关键技术与方法**
研究人员主要采用了以下关键方法：（1）**传感器上下文化与物理映射**：通过现场检查与维护人员协作，将车载传感器标识符与物理安装点对应，并将测量结果映射到蒸汽压缩制冷循环的关键组件上，从而构建物理上有意义的特征和运行基线。（2）**运行数据同质化**：针对路线、时间窗口、服务日类型、维护通知记录和物理合理性（如冷却模式激活、制冷剂温度>70°C等）设置过滤条件，去除主要上下文因素带来的变异性，构建一个更均匀的参考数据集。样本队列来源于164辆同品牌、同型号、同年份的城市公交车，运行于同一城市的不同线路，数据包括OBD-II系统、GPS、路线信息和驾驶员维护通知。（3）**无监督异常检测**：使用隔离森林（Isolation Forest）模型，基于11个输入变量（包括直接传感器测量和物理知识引导的派生特征）识别偏离参考基线的异常观测，并通过杰卡德相似性指数（Jaccard Similarity Index）评估模型稳定性。（4）**可解释性分析**：采用核SHAP（Kernel SHAP）对异常观测的偏差分数进行解释，并将SHAP贡献按物理机制分组为热排斥、热响应、设定点配置、空气分布和运行上下文五个解释族，从而将孤立变量贡献转化为系统级物理机制。
**3. 研究结果**
**3.1 传感器上下文化与物理系统理解（Sensor Contextualization and Physical System Understanding）**
通过现场检查，研究人员将原始传感器标识符与物理安装点对应，发现可用测量仅部分覆盖蒸汽压缩制冷循环（如缺少制冷剂质量流量、低压侧数据等），并构建了传感器上下文化表，为后续分析提供物理基础。
**3.2 运行数据源与局限性（Operational Data Sources and Limitations）**
研究人员整合了OBD-II（平均采样间隔约66分钟）、GPS（10-11秒间隔）、路线信息和维护通知等异构数据源，通过时间对齐策略构建统一数据集，并指出低采样频率、缺失变量和不完整上下文是主要限制。
**3.3 特征工程与物理知识引导特征（Feature Engineering and Physics-Informed Features）**
基于物理知识，研究人员构建了两个温度差派生特征：蒸发器入口侧温度与供气温度之差，以及环境温度与供气温度之差，作为热交换和冷却响应的代理指标，增强了特征的可解释性。
**3.4 运行数据同质化（Operational Data Homogenization）**
通过分析发现不同路线、时间、月份和服务日类型对HVAC变量有显著影响，因此研究人员将分析限制在单一代表性路线、13:00-17:00时段、工作日（排除周末、节假日和8月暑期），并移除驾驶员报告维护通知当天的观测，最终获得一个更均匀的参考数据集，包含3095个观测，来自22辆公交车。
**3.5 异常检测作为运行偏差分析（Anomaly Detection as Operational Deviation Analysis）**
使用隔离森林模型（基准配置：树数200、最大特征数1.0、污染率0.05），杰卡德相似性分析显示异常集在多种超参数组合下稳定性良好（大多>0.70）。决策分数分布呈连续左尾，无明确分离，表明异常是渐进偏离。共识别出155个异常（5.01%），单变量分析显示异常观测的供气温度更高、环境-供气温差更分散；双变量分析显示异常多位于运行空间低密度区域或边界，与物理预期一致。
**3.6 可解释性分析与物理解释（Explainability Analysis and Physical Interpretation）**
全局SHAP重要性分析表明，冷凝器风扇转速是最重要的解释变量，其次是供气温度、环境温度等。将变量分组为物理解释族后，热排斥是最常见的异常模式（占较大比例），其次是混合/模糊类别和热响应模式，设定点配置和运行上下文占比较低。研究人员选取四个代表性局部案例进行解读：案例1（热排斥）对应高冷凝器风扇转速、高环境温度但供气温度低，属于物理上合理的罕见高需求状态；案例2（热响应）显示供气温度未达到设定点，但制冷剂压力低，属于过渡性低活性控制状态；案例3（热响应）显示环境温度高、供气温度远高于设定点且制冷剂压力中等，属于潜在的热响应不足候选；案例4（混合/模糊）主要表现为异常设定点配置，但系统响应一致，属于控制-响应组合异常。
**4. 结论与讨论**
本研究提出的框架通过物理传感器上下文化、运行数据同质化、无监督异常检测（隔离森林）和可解释性分析（核SHAP及物理解释族分组），成功将不完美HVAC运行数据转化为可解释、面向维护的候选信息。结论表明：热排斥是最常见的异常模式，混合/模糊案例次之，热响应异常提供了更直接的维护候选。该方法不依赖故障标签，适用于早期数字化车队。未来应纳入更多测量（如乘客占用率、制冷剂质量流量），并通过与已确认干预措施或专家检查的对比验证，推动从异常解释向鲁棒故障识别前进。
