用于暖通空调维护规划的深度图嵌入技术

《Journal of Building Engineering》：Deep Graph Embeddings for HVAC-related Maintenance Planning

　　

• •
  基于CMMS和BAS数据的异构图，用于HVAC维护分析。
• •
  专为深度图嵌入设计的领域特定图注意力网络架构。
• •
  创新的边特定注意力机制及注意力掩码模块构建。
• •
  下游优先级预测、级联故障检测以及维护区域划分。
• •
  2025年9月29日

引言

供暖、通风与空调系统约占总建筑能源消耗的40%[1]，对提升使用舒适度及系统运行稳定性至关重要[2]。这些系统的故障往往因设备老化及工作负荷不稳定而加剧[3]。设施管理人员通常依赖来自建筑自动化系统、计算机化维护管理系统以及气象站的孤立数据。虽然建筑自动化系统能提供实时传感器数据，但其可解释性较差[4]，而气象信息多仅作为运营调整或负荷估算的背景参考，未能有效融入维护决策过程[5]。计算机化维护管理系统则记录了用户投诉、技术人员诊断结果及维修措施等非结构化工单，但这些数据很少被系统性地分析[6]。这种数据分离导致决策往往处于被动状态，传感器异常与环境因素可能掩盖系统性故障及维护规律，使得维护工作被孤立处理[7]，进而造成调度效率低下及资源分配不合理[8]。

在故障检测与诊断领域，研究已从基于规则的模型[9]发展到运用机器学习[10]或深度学习技术处理传感器数据的驱动型模型[11]。这类方法通常依赖结构化数据，缺乏语义上下文，且难以捕捉系统范围内的故障传播规律。其应用面临的挑战包括文档不一致[12]、标签稀缺[13]以及验证复杂性高[14]。而在中央 HVAC 系统中，各组件之间存在紧密的空间、功能和时间关联[15][16]，这些限制更为突出。泵、阀门或控制装置等子系统中的小故障都可能引发级联效应[7]，从而增加早期干预的难度，也难以满足美国制冷空调工程师学会制定的第36号指南中关于优化维护顺序的要求[17]。

鉴于中央 HVAC 系统具有通过物理流程、控制信号及空间层级相互连接的固有关系结构，图模型为捕捉这些关联提供了理想表示方式，再结合图神经网络可进一步进行分析[18][19]。已有研究通过将模拟的空气处理单元时间序列数据转换为关联图嵌入，提出了以传感器为中心的故障检测方法，为基于图嵌入的 HVAC 研究奠定了基础[20]；另有研究则聚焦可解释性，分析了特征与节点对空气处理单元故障诊断中图卷积过程的贡献[21][22]。不过，这些方法多针对特定设备且以传感器为核心，未能纳入计算机化维护管理系统中的描述内容以及明确的物理和控制拓扑结构。

本文介绍了HVACONNECT（用于节点嵌入、聚类与分类的 HVAC 运维网络）这一异构图学习框架，它通过三大创新点显著提升了 HVAC 维护管理的智能化水平：

• (1)
  异构图表示方法——与传统的同质化模型不同，HVACONNECT通过针对不同关系的边和节点特征，编码五种不同的依赖关系。这些特征包括开始日期、工时成本等时间和经济属性[23]，位置、楼层、房间及设备间连接关系等物理结构信息[24]，由控制逻辑驱动的运行交互，以及体现在性能变化和共发故障中的随机或功能关系[25][26][27][28]；此外，该框架还首次将维护记录中的问题-处理描述文本嵌入作为节点的语义特征。这种表示方式能够完整呈现 HVAC 维护网络的复杂特性，保留了传统方法所丢失的领域语义。
• (2)
  领域适配的架构设计——采用改进版的异构图注意力网络2.0版本生成图嵌入，该版本融入了基于关系意识的注意力机制，以及一种新的建筑内掩码注意力门，可用于保持建筑内部的语义一致性，便于进行建筑内部的分析。
• (3)
  基于领域知识的训练框架——通过多目标优化，结合掩码特征重建、多样性正则化及分离约束，生成的嵌入既能捕捉局部故障模式，也能反映整体维护结构。这些学习得到的嵌入可实现：(i)工单优先级预测，在严重类别不平衡情况下仍能获得较好的AUROC和PR-AUC值；(ii)共发故障的早期检测，可在故障发生前3至14天识别出恒温器到泵的故障传导链；(iii)基于数据的维护区域划分，揭示人力和成本分布规律，为资源优化提供依据。

本文旨在解答两个研究问题：如何通过异构图更准确地表示 HVAC 维护数据中的多种依赖关系？从学习得到的嵌入中又能获得哪些洞察，以支持主动式维护和资源优化？图1展示了本文所采用的简化分析场景。

本文其余部分结构如下：第2节详细回顾了 HVAC 故障检测、基于计算机化维护管理系统工单数据的分析方法以及图表示学习领域的最新进展；第3节阐述研究方法，第4节展示研究结果并进行分析讨论；第5节介绍该技术在运维中的应用场景及其局限性，最后第6节对整个研究进行总结。

章节要点

相关研究

本节探讨了 HVAC 故障检测技术的发展历程，从针对单一设备的模型逐步发展到集成化的、以维护为导向的方法，同时分析了跨组件依赖关系、标签匮乏等问题，并强调了计算机化维护管理系统记录在构建智能维护规划统一框架中的潜力。

研究方法

如图2所示，本研究方法共包含3.1至3.5五个子部分，以下将分别介绍各阶段的详细内容。

结果与讨论

结果与讨论部分对生成的嵌入进行了验证，并分析了其在后续运维中的应用价值。本研究共获得了两类嵌入：(i)来自问题-处理描述文本的文本嵌入，(ii)通过图表示学习得到的节点嵌入。

运维应用场景

本节通过实际数据集验证了所提出的分析方法的有效性，证明了其在运维领域的实用价值。研究通过工单优先级预测、共发故障检测及维护区域识别等方法获取了相关证据，并构建了将这些分析结果与实际运维工作相结合的流程。此外，本节还分析了该方法的扩展性及部署特点，最后指出了现有局限性，为未来的研究方向提供了参考。

结论

本研究分析了异构图如何表示 HVAC 维护数据中的多种依赖关系，以及从学习得到的嵌入中如何获取有用信息以支持主动式维护和资源优化。本文提出了一种融合了物理、运行、时间、经济及随机因素的、富含文本信息的异构 HVAC 图模型，同时验证了文本提取流程的有效性，该流程已通过300条标准数据集的测试，并可通过开源模型实现复现。

CRediT作者贡献说明

王军：验证、监督、资源提供、方法设计、研究实施、概念构思。张凯文：验证、监督、资源提供、项目管理、研究实施、概念构思。侯磊：初稿撰写、验证、监督、项目管理、方法设计、概念构思。Sajith Wettewa：初稿撰写、可视化处理、验证、软件应用、方法设计、形式化分析、数据整理、概念构思

利益冲突声明

本文作者声明不存在任何可能影响本研究或其结果解读的利益冲突，这些冲突包括但不仅限于财务利益、个人关系、学术竞争及观念分歧等。

我们确认， ourselves与本文研究的主题或相关材料没有任何关联的组织或实体存在财务或非财务利益关系。

Sajith Wettewa|Lei Hou|Goumin (Kevin) Zhang|Jun Wang