在现实世界建筑中，基于开放集的识别技术用于暖通空调（HVAC）故障检测与诊断：系统综述与实施路线图

《Building and Environment》：Open-set recognition for HVAC fault detection and diagnosis in real-world buildings: A systematic review and deployment roadmap

　　摘要
建筑能源消耗持续上升，而暖通空调（HVAC）系统占年度建筑能源使用的约30%至50%。HVAC系统的故障会导致系统偏离最佳运行状态，从而造成不必要的能源浪费。然而，现有大量关于HVAC故障检测与诊断（FDD）的研究主要基于封闭集合假设，该假设认为实际运行中遇到的所有故障类型都存在于训练集中。这类方法在处理开放环境中不可避免的未知故障时存在困难，容易导致误诊或漏诊，进而影响决策的准确性并增加运行风险。通过系统综述方法，我们检索、筛选并总结了2015年至2025年的HVAC FDD相关文献，共包含221篇研究论文和30篇综述。以封闭集合假设为组织维度，我们总结了封闭集合研究的进展及其实施瓶颈。对30篇综述的分析表明，没有一篇研究直接探讨这一假设本身，且该假设贯穿整个FDD过程，从数据采集到部署和运行。基于此综述，我们引入了开放集合识别（OSR）理论，总结了其核心概念、代表性方法及评估原则，并结合HVAC领域中已有的未知故障 rejection 研究，评估了其适用性并明确了其物理基础和适用范围。最后，我们提出了一个基于OSR的HVAC诊断框架和研究路线图，用于实际场景，涵盖预训练、在线诊断、未知故障触发与验证以及持续更新等方面，为从封闭集合到开放集合故障诊断的范式转变提供了见解和参考。

引言
随着社会的不断进步和技术的发展，人们对日常生活舒适度的需求日益增加，使得空调系统成为现代社会不可或缺的设备。然而，空调系统的广泛使用也带来了显著的负面影响。据统计，建筑行业占全球年能源消耗的近三分之一，并已成为气候变化的重要因素[1]。在建筑物的所有用途中，供暖、通风和空调（HVAC）系统占据最大份额，约占年度建筑能源消耗的30%至50%[2][3][4][5]，预计未来几年的需求将以每年超过1.5%的速度增长[6]。图1显示了根据国际能源署（IEA）的数据，2000年至2022年间全球因空间冷却而产生的电力消耗和二氧化碳排放量[7,8]。从2000年到2022年，电力消耗增加了1,167太瓦时（相对变化为124%），而二氧化碳排放量增加了4.6亿吨（相对变化为82%）。尽管在此期间出现了一些小的波动和短暂的技术停滞，但长期上升趋势并未改变。

由于空调系统内部结构复杂、持续运行以及易受人为和环境因素影响，故障不可避免。这些故障会导致系统偏离最佳运行状态，从而缩短设备寿命、降低效率并造成大量能源浪费，同时增加二次故障的风险。因此，对空调系统实施故障检测与诊断（FDD）对于减少不必要的能源消耗和降低运行风险至关重要。

研究表明，换热器污垢导致的气流减少25%可使能源消耗增加12.5%，而制冷剂充注量不足15%则可能导致能源使用量增加5%[9]。此外，定期进行FDD可以有效减少5%至30%的HVAC能源消耗[10]。因此，HVAC故障诊断对于节能减排具有重要意义。

传统的基于数学或物理模型的HVAC建模方法在应用于大规模、复杂的非线性系统时通常需要大量时间，并且难以确保高诊断准确性[11]。近年来，随着计算机科学和大数据技术的快速发展，数据驱动的HVAC故障诊断方法因其在诊断复杂系统方面的优越性能、相对简单的建模程序和非常高的诊断准确性而受到广泛研究与应用[12]。Li等人[13]提出了一种结合专家知识和系统运行数据的诊断贝叶斯网络（DBN）模型，并进一步引入了基于专家知识和改进的遗传算法的概率框架来确定DBN结构。结果表明，该方法能够有效地揭示HVAC故障的机制。为了解决HVAC故障诊断中的数据不平衡问题，Du等人[14]开发了一种结合生成对抗网络（GANs）和增量学习支持向量机（SVM）的诊断方法。这种方法不仅增加了训练样本，还支持增量学习以更新诊断模型。Han等人[15]优化了三种代表性算法——k最近邻（k-NN）、SVM和随机森林（RF），并使用多数投票构建了一个集成诊断模型。在不同数据集上的实验验证了该集成模型的可靠性和优越的诊断性能。Tra等人[16]提出了一种结合神经网络和概率主成分分析（PPCA）框架的异常值检测方法，用于处理数据集中的异常值问题。在含有20%异常值的数据集上的比较实验表明，所提出的模型能够有效检测异常值并提升故障诊断性能。

尽管近年来在HVAC故障诊断方面有大量的研究和方法论，但大多数现有方法仍然局限于封闭集合假设。该假设认为实际HVAC场景中出现的所有故障类型都属于训练故障集的范围[17]。因此，当出现新型故障类型时，封闭集合的局限性迫使模型将它们错误地分类为已知的训练类型[18]。这是因为传统封闭集合识别的训练目标是最大化属于已知类别的概率，从而基于整个空间仅包含有限数量故障类型的默认假设建立通用决策边界[19]。

实际上，用于模型训练的故障类型是有限的，而实际HVAC系统中可能出现的故障类型实际上是无限的。因此，开放环境中的HVAC故障诊断本质上是一个开放集合识别（OSR）任务——意味着任何不可预测的新故障都可能随时发生。在封闭集合假设下，模型被迫将这些未知故障错误地分类为已知故障。在开放环境中应用封闭集合识别方法存在重大风险。因此，确保诊断模型能够正确识别已知故障的同时也能识别潜在的未知故障，对于在实际场景中有效应用FDD至关重要。

尽管许多学者已经为各种HVAC组件和常见故障类型开发了诊断模型，但这些模型仍然无法真正适应开放集合环境中的未知故障。虽然诊断准确率在受控环境中长期以来满足了应用要求，但很少有研究关注实际HVAC场景及其相关的未知故障问题。这造成了一个主要矛盾：封闭集合诊断的研究丰富且成功，但仍然不足以应对现实应用的需求。表1总结了封闭集合故障诊断的局限性以及实际HVAC应用的需求。它指出了至少五个阻碍当前主流封闭集合FDD研究应用于实际环境的障碍。基于现有封闭集合研究的困境，本文介绍了OSR技术，回顾了其在其他工业场景中的研究现状及在HVAC FDD中的初步探索，并最终提出了一个面向实际HVAC系统的故障诊断方案和研究框架，为未来的研究提供参考。

OSR主要用于准确分类来自已知类别的样本，同时可靠地检测来自未知类别的实例，从而实现从封闭集合假设到开放世界场景的转变。近年来，受机器学习和深度学习发展的推动，OSR在图像识别、自动驾驶、文本分类和自然语言处理等领域取得了显著进展[20,21]。然而，HVAC故障诊断领域的研究仍主要基于封闭集合假设，大多数现有算法未能考虑到现实中遇到的未知故障。

通过分析现有综述的组织方式，可以更具体地看到这一差距。第2节构建的文献集包含了2015年至2025年间发表的30篇HVAC故障诊断综述，我们根据其顶级章节结构的标准对这些综述进行了编码。这些综述仅按照方法论范式、数据和特征、诊断过程阶段、诊断目标以及工程部署等少数维度来组织章节；没有一篇综述采用封闭集合假设——即假设运行中出现的故障仅限于预定义的已知类别——作为组织维度。因此，封闭集合假设在过去十年的综述文献中一直是一个隐含的前提，而不是独立研究的对象。本文正是沿着这一维度重新审视了该领域。

因此，本文回顾了HVAC故障诊断，讨论了其局限性，并随后提出了一种开放集合诊断方案和HVAC应用的概念框架。最后，讨论了其可行性和未来挑战，为将HVAC故障诊断从封闭集合范式转变为开放集合范式提供了新的研究方向。本文的贡献包括：
(1) 以封闭集合假设为组织维度，系统地回顾了HVAC故障诊断研究，分析了封闭集合诊断在实际HVAC环境中的局限性，并在此基础上论证了使用OSR进行故障诊断的必要性。
(2) 我们对2015年至2025年间发表的251篇论文进行了阶段性文献计量分析，发现建模能力稳步提高，而问题构建（方法论范式和跨设备研究）则保持稳定，这证明了封闭集合范式的持续主导地位。
(3) 我们介绍了OSR及其基本原理，并结合HVAC领域已有的未知故障 rejection 结果，界定了其适用范围，并解释了其可行性的物理基础和失败条件。
(4) 我们提出了一种将OSR技术应用于实际HVAC场景的研究方案和应用框架，为未来的开放集合FDD研究提供了蓝图。

本文的结构如下：第2节描述了文献检索过程和系统综述方法；第3节回顾了传统的封闭集合HVAC故障诊断，分析了封闭集合假设的局限性，并介绍了开放集合识别；第4节总结了开放集合识别的基础、代表性方法和工业应用，并根据HVAC系统的验证证据评估了其适用性，明确了其物理基础和适用范围；第5节提出了基于开放集合识别的HVAC诊断应用框架；第6节总结了主要发现。

综述方法
为了尽可能全面地收集过去十年关于HVAC故障诊断的研究文献，本综述在Web of Science和Google Scholar等学术数据库中进行了关键词搜索。整个文献收集过程包括四个步骤：文献检索、去重、纳入和排除以及引用筛选。

传统HVAC故障诊断方法的回顾
本节回顾了传统的HVAC故障诊断研究，基于此识别了封闭集合诊断的局限性，并讨论了向开放集合诊断过渡的必要性。

OSR的概念和定义
在长期运行过程中，空调系统会经历各种变化条件，包括冷暖模式之间的切换、压缩机老化以及制冷剂充注量的变化。这些因素可能导致在训练阶段未观察到的故障模式。然而，传统的机器学习方法严重依赖于大量标记数据，而在实际工程场景中往往难以获得这些数据。为了解决这些挑战，

基于OSR的HVAC系统故障诊断概念框架
前几节详细回顾了当前的HVAC故障诊断研究，并分析了封闭集合诊断在实际应用中的局限性。基于此分析，提出了一个利用OSR进行开放集合故障诊断的解决方案。

在此基础上，本节提出了一种在线部署框架，用于在实际场景中应用OSR进行HVAC故障诊断（图12），考虑了实际运行中的挑战。

结论
本文解决了实际HVAC运行环境中未知故障的问题。本文系统地回顾了封闭集合故障检测与诊断领域的研究现状，并引入了开放集合识别技术，以构建一个面向工程的诊断框架及相应的开放运行条件下的研究路线图。

(1) 封闭集合研究的现状与局限性：基于长达十年的文献回顾和严格的筛选流程，本文总结了当前封闭集合故障检测与诊断研究的成果及存在的局限性。

在论文准备过程中，作者使用 DeepSeek 工具提高了文献的可读性，并对选定的段落进行了翻译。作者根据需要对翻译结果进行了审核和编辑，并对最终发表的文章承担全部责任。

**论文作者贡献声明：**

- 张雪（Xue Zhang）：撰写、审稿与编辑；撰写原始草稿；可视化；验证；方法论；调查；形式分析；概念化。
- 赖妙琳（Miaolin Lai）：撰写、审稿与编辑；撰写原始草稿；可视化；验证。
- 程云曦（Yunxi Cheng）：撰写、审稿与编辑；撰写原始草稿。
- 陈焕欣（Huanxin Chen）：撰写、审稿与编辑；监督工作。

作者列表：张雪 | 赖妙琳 | 程云曦 | 陈焕欣