《Building and Environment》：Whole building HVAC diagnostic Bayesian networks for comfort-related fault detection and diagnosis: Application, evaluation and operational testing
编辑推荐：
本研究开发了一种用于整个建筑暖通空调（Heating, Ventilation, and Air Conditioning，HVAC）系统的诊断贝叶斯网络（Diagnostic Bayesian Network，DBN），旨在进行与舒适度相关的故障检测与诊断（
本研究开发了一种用于整个建筑暖通空调（Heating, Ventilation, and Air Conditioning，HVAC）系统的诊断贝叶斯网络（Diagnostic Bayesian Network，DBN），旨在进行与舒适度相关的故障检测与诊断（Fault Detection and Diagnosis，FDD）。该DBN结合了基于知识和数据驱动的方法进行参数建模。研究人员利用历史数据以及现场空气处理机组（Air Handling Unit，AHU）故障实验对DBN性能进行了评估。尽管存在传感器不确定性，但对于AHU故障实验，其分类率（Classification Rate，CR）仍达到了87.8%。此外，通过诊断一个疑似真实故障，证明了该DBN在HVAC系统运行期间的应用价值。
**研究背景、问题与意义**
现代建筑系统日益复杂，其内部组件以及与建筑和 occupants 之间的交互众多。通过遍布暖通空调（HVAC）系统的传感器，建筑管理系统（BMS）收集了大量数据，为实时监控和性能优化提供了可能。然而，组件与控制的耦合及相互作用带来的复杂性，使得维持无故障运行极为困难，导致建筑持续面临能源浪费、室内环境不适和空气质量差等问题。既有研究表明，组件退化或故障可导致15%至40%的额外能源需求。
自动故障检测与诊断（FDD）是解决此问题的有效途径。然而，现有研究多聚焦于单一组件（如AHU、冷水机组、传感器等），这类方法忽略了不同子系统间的相互依赖关系，可能导致实际应用中诊断不充分。故障可能在不同子系统间传播并引发误报。综述文献显示，仅有12%的研究关注整个建筑系统。诊断贝叶斯网络（DBN）因其鲁棒性、灵活性和可扩展性，成为全楼宇HVAC系统FDD的有力候选。但此前，DBN在整栋建筑HVAC系统（包括所有冷热源和输配系统）上的应用、利用建筑实验故障数据的验证以及真实运行数据的评估，尚未见诸文献。
为此，研究人员在荷兰一栋七层办公楼开展了研究，开发了一个涵盖供暖、制冷和通风系统的全楼宇HVAC系统DBN。这项研究的意义在于：它推进了DBN在集成化、大规模真实建筑系统中的应用，并通过多源数据（历史数据与现场故障注入实验）进行了评估，为全楼宇FDD提供了一种经过部分验证的可行方法，证明了该方法在实际运行中诊断疑似故障的潜力。
**主要关键技术方法**
本研究开发并评估了用于全楼宇HVAC系统的DBN。其方法论核心包括：第一，通过聚合系统定义（如锅炉组、冷水机组组、水力分配组）和基于管道仪表图（P&ID）的结构建模，定义了43个故障节点、50个症状节点及其177条因果关系边；第二，参数建模采用先验概率和条件概率，分别基于专家知识（文献值）和历史数据（动态阈值）进行设定，并使用Noisy-OR门简化条件概率表（CPT）；第三，利用Python包pgmpy实施DBN，采用变量消除算法进行精确推理。模型评估数据来源于案例建筑2022-2023年的历史运行数据（无故障标签）及2024年3-4月在该建筑AHU中开展为期六天的受控故障注入实验数据（有标签），最终网络在2024年9月1-10日疑似通风故障期间进行了运行测试。
**研究结果**
**历史数据评估（Historical evaluation）**：利用2022-2023年两年数据，通过四种时间尺度的症状检测，发现CO
2传感器症状在所有尺度下均100%被检测到，且最频繁检测到的故障中十一个与传感器问题（特别是东、西区CO
2传感器）相关。这揭示了建筑传感基础设施的偏差问题。同时，非传感器类故障中，室内温度偏离预期值和锅炉/水力系统回水温度症状也较常见，反映出系统的实际运行问题。
**部分实验评估（Partial experimental evaluation）**：通过在现场AHU控制系统中注入21种不同的故障组合进行实验。结果显示，所有模型版本对AHU故障的CR均超过80%。其中，采用均匀条件概率和基于三倍标准差（3σ）的数据驱动症状检测阈值版本表现最佳，达到87.8%的CR、90.4%的精确率（Precision）和83.5%的平衡准确率（Balanced Accuracy）。分析发现，先验概率的绝对取值对诊断性能影响不大；而基于P&ID的条件概率方案因将级联效应归因于最接近传感器的系统而表现最差。按子组件类型分析，模型对热回收轮（HRW）和加热盘管阀（HCV）等能源相关组件故障检测效果优异（CR达100%），但对风机控制和压力设定点类故障检测效果较差。同时，实验揭示了AHU实验引发的级联效应（如导致锅炉温度升高），导致“东区水力控制”或“锅炉”等竞争性诊断，这凸显了高度耦合的真实系统中FDD的复杂性。
**运行测试（Operational testing）**：在2024年9月初收到 occupant 关于过热问题的投诉后，应用最终定型的DBN对1-10日数据进行了分析。诊断结果显示，CO
2传感器持续被检测为故障，且AHU2的温度传感器和其控制系统被频繁诊断为故障根因，为设施管理提供了明确的检修优先级，即重点检查AHU2的控制逻辑。
**讨论与结论总结**
讨论部分指出，尽管面临故障传感基础设施带来的巨大不确定性，该DBN（分类率达87.8%）验证了其处理矛盾信息和不确定性的能力。其局限性在于：实验验证仅限于AHU；模型构建依赖文档且耗时，转移到新系统需要调整；数据驱动阈值可能受异常传感器数据影响导致偏差。研究强调，在传感器不可靠的情况下，将 occupant 反馈作为FDD的补充信息源极具价值，是未来研究方向。
研究结论总结如下：本文介绍了针对一栋真实建筑的全楼宇HVAC系统DBN的开发、测试及部分验证。基于长期历史数据的故障检测表明，该网络能够在全楼宇尺度上识别最可能的故障组件，尤其发现了建筑传感基础设施（特别是CO
2传感器）的重大问题。利用现场AHU故障实验数据进行的评估显示，尽管存在显著的不确定性，该DBN仍能实现超过85%的分类率。虽然误报率（FAR）低于5%，但漏报率（MR）在所有情况下均高于25%。与文献一致，先验概率的选择对结果影响较小，而均匀条件概率配合数据驱动的症状检测阈值表现最佳。在未诊断故障期间的运行测试中，该DBN成功识别出了导致 occupant 投诉的最可能根因。本研究是文献中少数涵盖建筑内所有主要HVAC系统的DBN实现之一，并同时进行了历史数据与实验数据的评估，推进了基于DBN的全楼宇系统FDD方法的发展。
