时间伪标签引导的冷水机组冷凝器结垢故障监测方法验证

《ENERGY AND BUILDINGS》：Validation of fault monitoring method for chiller condenser fouling guided by temporal pseudo-labels

　　

- 将非线性结垢特性整合到半监督学习中
- 验证了对轻微故障的早期监测能力
- 验证了模型在缺少传感器的场景下的鲁棒性
- 识别出TCI和TEO作为缺少流量传感器时的基准输入
- 验证了结垢建模中的变型Logistic函数

**引言**

对于大型公共和商业建筑而言，暖通空调（HVAC）系统是调节室内热舒适度的关键基础设施[1]，[2]。HVAC能耗约占建筑系统总能耗的50%[1]，[2]。作为HVAC系统的核心冷源设备，冷水机组是主要的耗能组件。维持冷水机组的高效运行对于实现建筑节能减排具有重要意义[3]。冷水机组故障通常可分为突发故障和渐进故障。对于渐进性冷水机组故障，故障严重等级随时间逐步加剧[4]。例如，热交换器结垢（如冷凝器结垢）是典型的渐进故障[5]。在冷水机组长期运行过程中，冷凝器管壁表面逐渐积聚水垢和杂质，形成不断增长的结垢层。对于冷凝器而言，若结垢层未能得到有效监测并及时处理，结垢故障将导致热阻增加，显著降低传热效率。这将进一步导致压缩机功耗增加，并使冷水机组的总能耗大幅上升[6]。因此，实施可靠的故障检测与诊断（FDD），确保冷水机组稳定运行[7]，可有效防止因性能退化造成的额外能量损失。针对冷水机组冷凝器结垢故障等渐进故障，开发和验证高效的FDD技术已成为当前建筑节能领域的一项迫切需求。

目前，冷水机组FDD方法主要分为两大类：知识驱动和数据驱动[8]，[9]，[10]。本节从三个维度综述现有的冷水机组FDD研究：不同严重等级下渐进故障的检测、实际建筑中传感器配置差异以及无标签数据场景的应用，最终揭示当前面临的挑战。

**(1) 渐进故障的FDD，尤其是早期阶段的渐进故障**

冷凝器结垢和制冷剂泄漏均为典型的渐进故障[11]。基于物理的方法属于知识驱动方法[9]。在这些方法中，研究人员通常建立冷水机组正常运行状态的参考模型，通过将实际采集的数据与参考模型的预测值进行比较来进行故障诊断。Xiao等人[12]和Tran等人[13]评估了基于线性回归和克里金插值等算法的参考模型，并将其与指数加权移动平均技术相结合以提高诊断性能。Tran等人[14]提出了一种改进的参考模型，将非线性径向基函数与指数加权移动平均相结合。虚拟传感器专门考虑与故障相关的关键特征用于FDD。Zhao等人[15]，[16]提出了一种解耦特征传热系数用于诊断冷凝器结垢故障，在实验室和现场测试中均表现出稳健的性能。Zhao等人[17]比较了多元线性回归（MLR）、简单线性回归和基于虚拟传感器的解耦方法对同时发生的冷水机组故障的FDD性能。发现解耦方法优于其他两种方法。Kim等人[18]为冷水机组开发了多种虚拟传感器以提取用于故障判定的关键特征。随着数据科学的快速发展，数据驱动方法引起了广泛关注[19]。在数据驱动方法中，主成分分析（PCA）被广泛用于数据重建并计算均方预测误差（SPE）以进行异常监测[20]。Beghi等人[21]引入了一种利用PCA和基于重建的贡献方法来区分异常样本的方法，随后通过决策表进行故障诊断。Wang等人[22]提出了一种基于独立成分分析的故障监测模型，其对渐进性冷水机组故障的故障检测准确率高于传统PCA方法。Lin等人[23]通过频域特征分析提出了两种利用参考模型的异常检测框架。此外，PCA还是降低数据维度的有效技术[24]。关于冷凝器结垢故障的早期检测，Xia等人[25]，[26]提出了一种基于核熵成分分析的故障监测方法，利用RP-1043实验数据集实现了冷水机组早期故障的高精度识别。Simmini等人[27]利用模拟数据验证了局部PCA在冷凝器结垢故障统计过程监测中的有效性。此外，支持向量机[28]和物理信息神经网络[29]等方法也被应用于冷水机组冷凝器结垢的FDD。然而，对于冷水机组冷凝器结垢故障的过程监测，不仅需要关注不同严重等级下离散故障状态的分类，还需要具备在结垢累积早期阶段捕获早期故障特征的能力。

**(2) 实际建筑中不同冷水机组传感器配置下的FDD适应性**

当前大多数冷水机组FDD方法过于依赖理想化的实验数据进行验证[30]。在实际建筑中，由于改造成本和维护限制，传感器配置往往不完整[31]。由于HVAC系统通常根据实际建筑的具体需求独立设计，传感器配置的数量和类型差异显著[32]。此外，运行工况的动态波动导致在实验数据集上表现优异的模型在实际部署时FDD性能下降[33]。Deng等人[34]提出了一种利用变分信息瓶颈（VIB）的冷凝器结垢故障检测方法，以减轻运行工况波动干扰。尽管VIB在实际办公建筑的冷水机组系统中得到了验证，但建模过程仍依赖于多个测量变量数据，包括温度、压力和流量。Wang等人的调查[35]指出，由于成本高且易受干扰，水流量传感器在实际建筑能源系统中并不普及。因此，在实际建筑中传感器安装相对受限的情况下，需要进一步研究不同传感器配置场景下冷凝器结垢故障的监测。因此，确保FDD方法在不同传感器配置（如缺少流量或压力传感器的场景）[36]中的通用性和鲁棒性，是实际工程应用面临的关键挑战。

**(3) 实际建筑中冷水机组渐进故障标签的缺乏**

在现代建筑HVAC系统中，传感器数据通常通过云存储归档以方便FDD[37]。Nelson等人[36]将机器学习分为监督学习和无监督学习。基于监督学习的FDD模型严重依赖带有明确故障标签的运行数据[10]，[38]。然而，在实际建筑运行过程中，收集大量带有故障标签的历史数据极其困难，甚至不切实际。为解决这一挑战，半监督学习因其能够结合有限的标记数据和大量未标记数据而受到显著关注[39]。研究人员探索了各种半监督FDD方法，包括支持向量机[40]、生成对抗网络[41]、自适应融合图卷积网络[42]和自监督Transformer[43]。在线无监督监测技术如PCA[44]或K近邻聚类[45]在一定程度上也已被应用于无标签的商业建筑。例如，Li等人[44]提出了一种基于改进生成对抗网络的故障诊断方法，该方法首先从未标记数据中获取数据分布信息，然后与标记数据相结合。关于在线故障监测，Soultanzadeh等人[46]提出了一种基于PCA的自动故障检测与诊断方法，适用于缺乏标记数据的轻型商业建筑。Chen等人[47]采用K近邻算法对运行模式进行聚类以实现在线学习，并通过典型相关分析进行在线健康监测。Deng等人[48]利用蚁群算法动态调整图结构，挖掘未标记数据的时空相关性以实现冷水机组故障监测。冷水机组冷凝器结垢故障属于渐进故障。然而，大多数现有研究未充分考虑结垢累积的时序渐进发展趋势的数学描述，也未将时序结垢发展方程纳入对未标记数据的训练指导。

综上所述，尽管现有的冷水机组FDD研究取得了 substantial 进展，但在实际建筑中监测冷凝器结垢故障方面仍存在三个亟待评估的关键问题：

(1) 现有数据驱动方法主要关注严重故障等级下的离散冷水机组故障，难以有效提取结垢累积初期阶段的故障相关特征，导致对早期故障的早期监测能力不足。

(2) 实际建筑中常缺乏高成本的传感器，如流量和压力传感器，这严重限制了现有FDD模型的适应性，这些模型高度依赖完整的传感器测量变量输入。

(3) 实际建筑冷水机组中缺乏带标签的故障数据，且大多数现有半监督方法未充分考虑自然生长的结垢故障的非线性时序渐进发展特性与有效标签之间的关系，导致大量未标记数据集的利用率较低。

为克服上述问题，本研究尝试验证一种由时序伪标签引导的冷水机组冷凝器结垢故障变分信息瓶颈-多层感知机（VIB-MLP）半监督监测模型（SFM）。本研究的研究目标如下：

(1) 首先验证SFM在监测冷水机组冷凝器结垢故障方面的有效性，特别关注轻微故障的早期检测。本研究通过算法架构、残差提取、健康指标构建和监测准确率，将SFM方法与PCA、参考模型（RM）和虚拟传感器（VS）进行比较验证。

(2) 其次研究SFM模型在28种输入/输出变量组合（4个输入和7个输出变量）下的适应性和鲁棒性（也考虑了实际建筑中缺少流量和压力传感器的场景）。评估不同传感器配置对模型故障监测准确率的影响。

(3) 最后将结垢累积时序渐进特性的数学描述纳入时序伪标签方程的构建中。设计并比较了五个时序伪标签方程（如线性函数、变型Logistic函数和幂函数），以更好地使未标记数据与实际结垢累积过程对齐，使SFM能够完成半监督学习。

基于上述三个研究目标，本研究采用故障识别准确率（FA）、总体准确率（OA）和误报率（FAR）作为主要评价指标。故障检测延迟时间（?t lag）和趋势一致性得分（TCS）作为补充指标。SFM模型与三种传统故障检测模型（PCA、RM和VS）进行了比较。利用一个实验数据集和两个来自实际冷水机组的运行数据集来验证SFM的轻微故障监测能力。研究了包含不同输入和输出变量的变量组合对模型性能的影响，并确定了最合适的时序伪标签方程。此外，通过比较不同数据量和VIB模型超参数组合，探索了模型性能在不同样本量和超参数下的鲁棒性。本研究的主要贡献在于验证了模型在不同传感器配置下的可行性，并提出了一种用于半监督学习的时序伪标签方程，从而弥补了实际建筑中因缺乏故障标签而产生的应用空白。本研究试图为实际建筑冷水机组早期渐进性冷凝器结垢故障的在线监测提供参考。

**片段章节**

**基于VIB-MLP的高维特征提取**

为解决运行工况波动干扰[34]和故障标签缺乏的问题，SFM将VIB与MLP级联，并引入时序伪标签进行联合优化。如图1所示，整体架构由两部分组成：本地离线模型训练和基于云的在线运行监测。

在本地离线模型训练阶段，SFM基于冷水机组历史运行数据构建核心模型。

首先，SFM定义了反映的... 研究框架 本研究的研究框架如图2所示，由三个主要方面组成：(1) 案例研究与数据预处理；(2) SFM模型的监测性能评估与对比验证；以及(3) 影响因素分析。

实验用离心冷水机组的健康状态监测结果

图5(a)展示了SFM对实验用离心冷水机组的监测结果。SFM能够成功检测到冷水机组早期的结垢故障。在运行时间为2250分钟的轻微故障阶段，SFM的S值迅速超过阈值θSFM，其性能优于其他三个基线模型。在图5(b)和(d)中，PCA和VS在轻微故障阶段监测信号的波动幅度与那些表现出非常相似的噪声分布。

结论

鉴于实际建筑中冷水机组运行数据通常缺乏故障标签这一局限性，本研究验证了一种由时间伪标签引导的变分信息瓶颈-多层感知机（VIB-MLP）半监督冷凝器结垢故障监测模型（SFM）。三个传统的故障检测与诊断（FDD）模型用于与验证模型进行比较。ASHRAE RP-1043数据集和两台实际冷水机组的数据集用于验证。影响因素...

作者贡献声明

李冠男：撰写——审阅与编辑，资金获取，概念构思。吕清：撰写——原稿撰写，方法论，调查。张小涵：可视化，验证。徐承亮：监督，形式分析。李强：资源，项目管理。肖俊：软件，数据管理。王勇：软件，数据管理。

利益冲突声明

作者声明他们没有已知的竞争经济利益或个人关系，这些利益或关系可能影响本文所述的工作。

致谢

本工作得到了福建省新能源设备检测重点实验室（莆田学院）（XNY202401）、国家自然科学基金（51906181）以及"十四五"期间武汉科技大学湖北省优势特色学科（群）项目（2023D0504）的资助。

李冠男 | 吕清 | 张小涵 | 徐承亮 | 李强 | 肖俊 | 王勇