基于 CFlow-cf 的冷水机组故障数据增强与样本级解释方法：采用假设重置与反事实重建进行诊断

《ENERGY AND BUILDINGS》：CFlow-cf based chiller fault data augmentation and sample-level interpretation method for diagnosis using hypothesis reset and counterfactual reconstruction

　　

摘要

故障检测与诊断（FDD）有助于减轻建筑物能源损耗。数据不平衡问题严重制约了数据驱动FDD模型的可靠性和应用。深度生成模型能够解决这一不平衡问题，但缺乏样本级的可解释性，这阻碍了可信人工智能的部署。本研究提出了一种基于CFlow的假设重置与反事实推理框架（CFlow-cf），通过假设重置、反事实重建和条件归一化流（CFlow）在样本级解释CFlow生成的故障数据。一个故障数据生成流模型用于合成少数故障样本，以重建FDD所需的数据平衡。一个冻结的正则基线流从重置后的潜空间参考点重建模型定义的反事实正常参考。对于生成的冷水机组故障数据，该双模型框架能够量化特征偏差并识别与文献支持的专家参考物理判别特征一致的属性特征。在RP-1043冷水机组故障数据集上，针对不同的正常与故障数据不平衡比进行了评估。验证结果表明，在包括专家指导特征子集（EGFS）、数据驱动选择特征子集（DDSF）和全特征子集（FFS）的三组冷水机组特征组合输入下，支持向量机（SVM）诊断准确率均有所提升。在不平衡比125:1的条件下，在FFS下，CFlow生成的冷水机组故障数据样本使SVM诊断准确率提升了0.206，对应的相对一致性比（RCR）在三种特征组合中范围为93.3%至95.0%。CFlow-cf在EGFS、DDSF和FFS上分别实现了0.892、0.861和0.823的平均特征识别准确率。对于FFS，CFlow-cf以0.840的平均解释质量得分优于三种传统解释方法。

引言

暖通空调（HVAC）系统占据了建筑物能耗的主要份额。根据国际能源署的数据，空间供暖、空间制冷和热水服务合计约占全球建筑能耗的50%[1]。在长期运行过程中，HVAC系统不可避免地会出现性能退化、机械故障或不当的控制逻辑。有报道称，运行不良的建筑物系统和设备可导致商业建筑消耗的能源高达30%被浪费[2]。

为缓解这些普遍的能源问题，需要及时进行准确的故障检测并配合适当的应对措施。因此，在建筑物运行周期中集成故障检测与诊断（FDD）技术至关重要[3]、[4]。有报道称，更精确的传感、更有效地利用现有控制以及部署先进控制可以消除高达30%的建筑物能耗[5]。智能能源分析行动进一步记录了FDD的中位数年度节能为9%[6]。通信技术[7]、[8]和建筑自动化系统[9]、[10]的最新进展加速了数据驱动FDD技术的快速发展。然而，这些数据驱动FDD方法的诊断性能高度依赖于充足且平衡的训练数据的可用性[11]、[12]。在实际应用中，建筑物HVAC系统的实际运行数据通常表现出显著的长尾分布[13]、[14]。具体而言，正常运行数据样本与故障数据样本之间的严重不平衡严格限制了少数故障类别的诊断性能[15]、[16]、[17]。为解决这一问题，数据增强方法已被广泛研究[18]、[19]。通过在样本级扩展有限的故障数据样本[13]、[20]，数据生成方法重塑数据分布平衡，进而提升FDD模型的诊断性能[21]、[22]。

HVAC数据不平衡的数据增强研究已历经多个阶段，包括浅层数据重采样[14]、[23]、深度生成模型[24]、[25]和多技术融合阶段[13]、[26]。初始浅层方法通过最近邻插值合成少数类样本，例如合成少数类过采样技术（SMOTE）[27]。SMOTE与主成分分析的组合同时应用于HVAC系统，提升了诊断性能[23]。此外，先验知识迁移[14]和混合策略[28]提升了可变制冷剂流量（VRF）系统和冷水机组在有限故障数据下的诊断性能。然而，浅层数据重采样方法难以学习复杂概率分布[29]。因此，研究人员探索了各种深度生成方法，包括变分自编码器（VAE）[30]、生成对抗网络（GAN）[31]和去噪扩散概率模型（DDPM）[32]。对于空气处理机组（AHU），VAE提升了故障诊断准确率[33]。此外，GAN及其变体解决了冷水机组和AHU的数据不平衡问题[24]。DDPM与特征变换的集成生成了高质量的冷水机组数据样本[19]。此外，集成DDPM在数据不平衡场景下提升了多个HVAC子系统的诊断准确率[18]。另外，WGAN-GP与VAE的融合提升了VRF系统的故障诊断[26]。为解决实际数据不平衡问题，有研究将SMOTE与迁移条件GAN集成应用于运行中的AHU[13]。

尽管深度生成模型在冷水机组和AHU等HVAC系统的故障数据增强方面表现良好，但其复杂的多层非线性网络架构不可避免地引入了明显的黑箱特性[34]、[35]。由于HVAC运行数据样本具有明确的物理和热力学意义[36]，这些黑箱特性限制了数据增强方法在实际智能维护系统中的部署[37]。

模型解释提高了透明度并支持HVAC维护中的可信AI应用[37]。为增强数据驱动模型的可靠性，可解释人工智能（XAI）[38]、[39]在建筑HVAC研究领域获得了持续关注[40]，但其应用仍更多聚焦于判别模型而非生成模型。

在基于XAI的HVAC FDD研究中，判别模型与生成模型之间存在显著差异。判别模型（分类器或预测器）主要学习HVAC运行数据样本与故障标签之间的条件关系用于诊断，即：p(y|x)[41]，其中x表示冷水机组运行数据样本，y表示故障标签。因此，它们的解释主要回答为什么基于分类器或预测器的故障诊断模型输出特定故障结果。相比之下，生成模型学习原始HVAC数据分布或条件数据分布，如p(x)、p(x|c)或p(x|c)[30]、[41]，其中c表示故障标签。因此，可解释的生成模型应进一步阐明生成的或重建的HVAC故障数据样本如何表达物理上有意义的故障相关偏差，即在HVAC故障判别特征中。换言之，生成模型不仅需要回答为什么生成的数据样本提升了FDD准确率，还需要回答哪些物理特征使得生成或重建的HVAC故障数据样本对于给定HVAC故障的运行具有合理性且与故障操作相一致。在XAI研究[42]、[43]应用于冷水机组故障诊断方面，针对一维卷积神经网络（1D-CNN）提出了Grad-Absolute-CAM以提取具有物理判别性的故障特征图[36]。采用逐层相关性传播（LRP）和基于梯度的特征级解释策略来量化CNN内部神经元对早期冷水机组故障的决策贡献[44]、[45]。对于AHU，对五种事后解释方法（包括SHAP和LRP）在CNN诊断模型上的性能进行了比较[46]。引入显著性图到图卷积网络（GCN）中，以验证模型识别的物理判别特征与专家参考物理判别特征之间的高度一致性[47]。此外，通过提出的XFDDC框架使用TreeSHAP解释了XGBoost的分类逻辑，并通过反事实解释提供纠正建议[42]。利用因果发现算法[48]和知识引导的贝叶斯网络[49]揭示了AHU系统故障与症状之间的逻辑推理关系。近期，为缓解生成模型的透明度问题，一种基于分裂增益的方法被引入扩散模型，以增强HVAC故障诊断整体机器学习框架的可解释性[18]。在建筑能源预测和基准测试中，SHAP等解释方法被用于量化输入特征对回归模型（如梯度提升树（GBT））得分的边际贡献[50]、[51]。此外，在HVAC系统能源数据挖掘背景下，基于梯度的归因方法已被用于量化输入特征对神经网络输出的边际影响[52]。提出了时空逐层相关性传播（ST-LRP）方法来揭示长短期记忆（LSTM）模型在能耗预测中的时空依赖性[53]。基于可解释机器学习框架[43]和注意力机制[54]、[55]的解释方法研究已被广泛应用于增强判别预测模型（如循环神经网络（RNN）和LSTM）的过程透明度[56]。

与判别XAI研究（主要以分类器或预测器为导向）相比，与HVAC生成模型相关的XAI工作仍然非常有限。对于数据短缺条件下的HVAC FDD，一种基于集成学习的扩散模型引入了一种基于分裂增益的方法以增强合成数据集的稳定性和可靠性[18]。对于基于GAN的冷水机组FDD，使用了异常检测机制（如VAE和GANomaly）来选择高质量合成故障样本，从而减少由不受控合成样本质量引起的不稳定性[57]。类似的质量控制思想也被采用于AHU AFDD的半监督CWGAN-GP中，其中在有限真实故障样本下，高质量合成故障样本被迭代地识别并插入训练池中[58]。此外，改进的协同训练条件VAE在分类器训练之前选择了有益的生成冷水机组故障样本，而CWGAN-GP与DS证据理论的结合进一步强调了不平衡冷水机组诊断中的合成样本筛选[20]、[22]。关于建筑HVAC领域更多XAI与生成模型相关研究的总结可见补充材料S1部分。

尽管在验证HVAC生成模型用于生成框架和样本质量方面做出了巨大努力，但对于特定生成的HVAC故障数据样本如何偏离其正常运行参考，答案仍然是间接且不清晰的，特别是在物理可解释特征方面。在我们之前的研究中，对于冷水机组故障数据生成，引入了潜空间可视化和路径有效率指标来评估在直接概率建模方式下基于CFlow的冷水机组故障数据生成过程的可靠性[59]，但未对生成的冷水机组故障数据样本提供物理上故障相关的特征解释。这种缺乏样本级、物理上有据可依的解释导致了两个相互关联的研究空白：

(1) 尽管如CFlow等深度生成模型能够生成故障数据以提升正常与故障数据不平衡条件下的HVAC故障诊断性能，但其黑箱特性严重阻碍了可信AI的应用[37]、[40]。此类HVAC数据生成模型缺乏有效的样本级解释方法。

(2) 对于CFlow生成的冷水机组故障数据，生成故障数据样本中表达的关键物理判别特征与由具有专家先验知识的真实故障数据定义的这些特征之间的对齐仍需要定量验证。

为克服这些问题，本研究提出了一种基于假设重置和反事实重建的HVAC故障诊断数据增强与解释新方法。在本研究中，离心冷水机组作为建筑能源系统中常见的能耗密集组件，被选为主要研究对象。具体而言，本研究的研究目标如下：

1) 第一个目标是提出一种基于假设重置和反事实重建的条件归一化流的样本级解释方法。使用独立训练的正则基线流重建模型定义的反事实正常参考。然后计算故障样本与该参考之间的特征偏差，以定位与文献支持的专家参考物理判别特征一致的属性特征。

2) 第二个目标是利用所提出的解释方法评估从CFlow生成的和真实故障数据中识别出的文献支持的专家参考物理判别特征之间的一致性。

所提出框架的可靠性和鲁棒性还通过以下方式进行评估：模型定义正常参考的物理可行性和参考敏感性分析、与使用正常样本和七类故障样本训练的流进行比较、归因阈值鲁棒性分析以及在低严重性故障条件下的验证。

主要贡献如下：

(1) 提出并成功实现了一种基于假设重置和反事实重建的新型CFlow-cf解释方法。通过建立正则基线流来重建模型定义的反事实正常参考，实现了特征偏差的定量评估。实验结果表明，EGFS、DDSF和FFS上的平均FIA范围为0.823至0.892，超过了使用IG-LL、SHAP-LL和LRG所获得的结果。附加分析表明，逆映射正常参考的物理可行性、对所选正常潜空间参考的低敏感性、仅使用正常样本训练的基线流的可靠性，以及在不同阈值设置下归因排名的鲁棒性。

(2) 所提出的CFlow-cf方法定量评估了从CFlow生成的和真实故障数据中识别出的文献支持的专家参考物理判别特征之间的一致性，RCR达到93.3%–95.0%。

该双流架构将故障数据生成与模型解释分离开来，为故障诊断的可靠故障数据生成与解释框架提供了应用参考。额外的低严重度验证进一步表明，基于 CFlow 的数据增强提高了诊断性能，并且 CFlow-cf 在受控的低严重度故障条件下保持了有效的特征偏差解释。章节片段：所提出 CFlow-cf 框架的整体工作流程。基于我们之前基于 CFlow 的冷水机组故障数据生成框架 [59]，本研究进一步引入了独立训练的正常基线流和冷水机组的反事实解释分支。具有反事实推理的条件正态流（CFlow-cf）框架在样本级别上集成了冷水机组故障数据生成和反事实解释，同时保持这两项任务之间的功能独立性。在图 1 中，整体工作流程包括研究框架。所提出 CFlow-cf 方法的实验验证框架在图 4 中被组织成四个阶段。每个阶段都被单独列出以强调一个主要的实验功能：数据准备、故障数据生成、故障检测与诊断（FDD）性能评估以及反事实解释的定量评估。a. 实验数据预处理、特征子集构建和不平衡训练集构建。首先，对应用稳态处理 [36] 和标准化 [64]。CFlow 冷水机组故障数据生成前后的故障诊断结果。图 6 比较了三种特征组合的 SVM 故障诊断性能，涉及六种不同的不平衡率。总体而言，结果表明通过 CFlow 进行数据增强提高了原始 SVM 故障诊断模型的准确性和 F1 分数。数据不平衡率越高，性能改进越大。在极端数据不平衡率 125:1 的情况下，引入 CFlow 生成的故障数据将 EGFS、DDSF 和 FFS 的准确率提高到 0.669、0.649 和结论。用于冷水机组故障诊断的深度生成模型通常表现出黑箱特性，且针对此类模型的有效样本级解释方法仍然有限。因此，生成的故障数据所代表的物理特征模式仍然不清楚。为了填补这些研究空白，提出了 CFlow-cf 框架，该框架集成了基于 CFlow 的故障数据增强以及基于假设重置和反事实重建的样本级解释，并且 CRediT 作者贡献声明。高星：撰写 – 初稿、可视化、软件、方法论、数据管理。李冠南：撰写 – 审阅与编辑、撰写 – 初稿、监督、项目管理、资金获取、概念化。徐承亮：撰写 – 审阅与编辑、项目管理、资金获取。高佳佳：撰写 – 审阅与编辑。陈敏：撰写 – 审阅与编辑。李涛：撰写 – 审阅与编辑。袁媛：撰写 – 审阅与编辑。利益冲突声明。作者声明他们没有任何已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文报告的工作。致谢。本工作得到了国家自然科学基金 (52508137, 51906181) 和武汉科技大学“十四五”湖北省优势特色学科（群）项目 (2023D0504) 的支持。高星|李冠南|徐承亮|高佳佳|陈敏|李涛|袁媛