能源与人工智能12（2023）100235审查深度学习在建筑HVAC系统故障检测和诊断中的应用：Meta分析Fan Zhanga，b，Nausheen Saeeda，Paria Sadeghian a，*瑞典技术和商业研究学院bDalarna大学能源技术系，Falun，79188，瑞典A R T I C L EI N FO保留字：HVAC深度学习系统综述Meta分析故障检测与诊断A B标准建筑业占全球能源消耗的重要部分，而暖通空调（HVAC）系统占建筑能源消耗的最大部分。因此，通过提高HVAC系统的效率来节省能量的潜力是巨大的，并且已经为此目的研究了各种故障检测和诊断（FDD）方法。虽然在所有类型的现有FDD方法中，基于数据驱动的方法被认为是最有效的方法。作为数据驱动方法的一个较新的分支，深度学习方法已经显示出了良好的效果，但目前还没有对深度学习在这一领域的应用进行全面的综述。为了填补这一研究空白，本文采用Meta分析方法对相关研究进行了定量和定性分析。通过Web of Science、Science- Direct和Semantic检索进行综述.本综述纳入了47项符合条件的研究，遵循系统性综述和荟萃分析（PRISMA）方案的首选报告项目。47项研究中有6项被确定为有资格对DL方法治疗FDD的有效性进行Meta分析。最常用的DL方法是2D卷积神经网络（CNN）。结果表明，DL方法显示出有前途的结果作为HVAC FDD。然而，大多数研究使用模拟/实验室实验数据，现实世界的复杂性没有得到充分研究。因此，DL方法需要进一步测试与现实世界的场景，以支持决策。1. 介绍根据2022年的最新统计[1]，建筑业占全球能源消耗的三分之一，并 已 被 确 定 为 主 要 的 气 候 变化 因 素 之 一 。 供 暖 、 通风 和 空 调（HVAC）系统占建筑能耗的最高部分（38%），然而，HVAC系统可能出现故障[2]，导致系统性能下降和能源损失[3，4]。然而，通过应用故障检测诊断（FDD）可以实现5% - 30%的节能[5]。Kim和Katipamula[6]提供了HVAC FDD方法的一般综述，这些方法分为三类：基于定量模型的方法、基于定性模型的方法和基于过程历史的方法。根据作者的说法，数据驱动的方法最适合应用于复杂的系统，如HVAC，其中没有系统物理的详细知识。第三，它们对噪声具有鲁棒性，并且可以提取数据集的底层结构。他们审查的主要缺点是，由于范围广泛，这项研究并不明确。因此，作者仅选择性地综述了少数方法，未进行深入分析，本综述中使用的选择标准也不合理。此外，由于现代技术，如DL方法在这一点上没有得到很好的发展，在这项研究中审查的方法是过时的。Shi和子任务。作者确定的主要任务是特征生成，故障检测，症状生成，故障诊断等，这些相关的任务和组件在这项研究中进行了审查。然而，这项研究的范围也很广，因为它的重点领域是暖通空调FDD的整个开发过程。因此，对所涉及的每一个组成部分都进行了一般性的讨论，本综述中没有对各种方法进行Zhao等人[8]回顾了截至2018年用于构建能源系统的FDD方法，重点关注人工智能（AI）算法。在这次审查中发现，物理模型在早期的FDD中发挥了主导作用，而AI模型* 通讯作者。电子邮件地址：psd@du.se（P. Sadeghian）。https://doi.org/10.1016/j.egyai.2023.1002352023年1月27日在线提供2666-5468/© 2023作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiF. Zhang等人能源与人工智能12（2023）100235近十年来大幅增加此外，直到2018年才在该领域发现深度学习（DL）方法的应用，因此，Guo等人发表了一篇DL相关论文[9]在本研究中。与Zhao等人[8]类似，Mirnaghi等人[10]对数据驱动FDD方法进行了审查。关于故障，冷却器和空气处理单元（AHU）系统被确定为严重程度和成本方面的两个主要组成部分。本研究确定了然而，他们发现DL在该领域的应用有限，因为本综述仅涵盖DL相关研究[9，11Li等人[12]回顾了FDD方法开发中涉及的用于特征工程的各种算法。本研究综述了5篇DL论文[13他们得出结论，DL方法是有用的特征提取器。然而，重点领域仅限于功能工程。因此，本研究关于FDD DL方法的视角并不狭窄。Buffa等人[17]回顾了区域供热和制冷（DHC）系统的控制和故障检测策略。重点是比较传统的控制策略与更先进的控制方法，已应用于第四代和第五代DHC系统。关于FDD方法及其在DHC系统中的应用讨论较少。此外，本研究仅审查了两项DL研究[16，18]。从过去五年发表的现有综述中可以得出结论，HVAC FDD的DL方法是2018年才开始的相对较新的方法，尽管在最近的研究中，DL方法被报道比HVAC FDD有两个主要原因使DL方法比传统的机器学习方法更好地用于HVACFDD。首先，由于组分耦合、变化的热力学、局部和长期的时间下降等，HVAC系统的运行数据本质上是复杂的，而深度学习方法已被证明在建模HVAC故障的这种复杂性和多尺度时间依赖性方面更有效[19]。其次，数据稀缺是HVAC FDD领域的一个常见问题，这导致传统机器学习方法的性能下降，基于深度学习的生成模型在最近的HVAC FDD研究中已经成功地缓解了数据稀缺问题。然而，没有一个关于HVAC FDD的现有审查是系统地进行，并没有进行定量分析，以调查DL方法的有效性暖通空调故障诊断。另一方面，系统综述提供了一个清晰和全面的概述现有证据的DL方法的HVAC FDD。此外，它有助于确定研究的差距，在目前的了解这一领域。它可以突出相关研究中的方法学问题，可用于改进该领域的未来工作最后，它可以用来确定现有证据提供明确答案的问题，因此不需要进一步研究。在此背景下，本研究的目的是提供一个系统的审查，以及通过Meta分析评价其有效性的暖通空调故障诊断的DL方法。以下研究问题是本文的重点• HVAC FDD使用了哪些DL方法• 有哪些优点和缺点？• DL方法对HVAC FDD有效吗？• 有哪些潜在的改进领域？为了回答问题1、2、4，对系统综述中纳入的论文进行了定性分析，为了回答问题3，基于合格的综述论文子集进行了定量Meta分析。范围包括完整的HVAC系统以及主要部件，例如，冷水机组、空气处理机组等论文的其余部分组织如下，第2描述了用于系统评价和Meta分析的方法。第3节概述了基于第2.1节中方法的47项纳入研究，而第4节定性比较了47项研究中使用的不同DL方法。第5节基于根据第2.2节所用方法筛选的6项合格研究进行Meta分析，分析了HVAC FDD定量的DL方法的有效性。第6节讨论了目前的状况和改进的领域，然后是结论。附录中总结了本文中使用的缩略语的完整列表。2. 方法在本研究中，按照系统综述和荟萃分析（PRISMA）方案的首选报告项目进行系统综述[21]。三名独立的研究人员根据方案参与了数据的收集和审查。Web of Science、Semantic Scholar和Scopus被用来识别关于使用DL方法的建筑HVAC系统的故障检测和诊断的研究。此外，还进行参考文献检查，以检索通过数据库检索可能遗漏的相关论文。该综述辅以荟萃分析，使用合格研究的子集分析DL方法的有效性。2.1. 搜索策略该过程从定义关键字开始，以构建搜索字符串。关键词组合、对应的同义词和与三个主题相关的缩写词：“建筑HVAC”、“故障检测和诊断”和“深度学习“用于搜索。详细的检索查询如下所示：(LSTM或CNN或卷积或长短或深或GAN或对抗或传递或图形或DNN或DANN或BDLSTM或递归或生成或GNN或RNN或GRU）AND（故障检测和诊断或故障诊断或故障检测和）AND（HVAC或空调或通风或加热或冷却或区域加热或建筑或热泵或冷却器或空气处理单元或热泵或冷却器或空气处理单元）为了保证搜索结果的质量，关键字列表由三名独立的审查员审查和商定。此外，外部领域专家参与关键字讨论和双重检查的过程。在确定关键词后，指定筛选不相关研究的资格标准。更具体地说，只有满足以下所有标准的研究才被纳入本综述：1）科学工作是用英语撰写的; 2）发表在同行评审的科学期刊，会议论文集或书籍上; 3）所研究的HVAC系统用于建筑物，而不是其他领域; 4）故障诊断的实施应该存在; 5）使用深度学习方法（6）不是评论文章。文献检索于2022年3月25日进行。整个过程和结果如图所示。1.一、从图1中，分别从Web of Science、Semantic search和Scopus检索到139、2121和184篇文章。删除重复文献后，根据标题和摘要，第一阶段筛选剩余2264篇文献，其中排除2173篇文献，大多数排除文献的原因是与DL或FDD或建筑HVAC无关。在这一阶段之后，有90篇文章可供第二阶段筛选，在这一阶段对每篇文章的全文进行彻底检查，47篇文章符合资格标准。此外，重新检查筛选阶段之前排除的综述文献的参考列表，以避免遗漏任何潜在相关研究。所有三位评审员讨论并同意流程图中每个阶段的结果。最后，本综述纳入了47篇合格文章在这47篇文章中，如果有一篇文章没有报道混乱，matriX或其数据集不可访问，本文包含在2F. Zhang等人能源与人工智能12（2023）100235图1.一、 系统评价过程流程图。定性分析，但排除Meta分析。因此，6项研究[222.2. 定性综合从多个维度对47篇符合定性综合条件的论文进行了详细的综述和总结。更具体地说，从这些论文中提取的信息包括使用的DL构建块、基准方法和网络结构类型（方法方面）。在故障方面和HVAC系统方面，提取关于故障和系统类型的信息。在数据方面，总结了数据集的描述、故障生成方法和数据格式。此外，其他补充信息，如所提出的方法是否使用真实世界的数据集进行验证，故障的FDD是否在不同的严重性级别上执行，等等。2.3. 定量合成美国供暖、制冷和空调工程师协会研究报告1043（ASHRAE RP-1043）数据集[28]用于所有符合Meta分析条件的六项研究，其中包括七种类型的故障，即，冷凝器结垢、过量油、制冷剂泄漏、制冷剂过充、冷凝器水流量减少、冷凝器水流量减少、制冷剂中的不凝性气体，四种严重程度，其中，[22]中报告了所有严重程度的混淆矩阵。[23，24]中使用的混淆矩阵的严重程度未知，[25]中报告了严重程度1的混淆矩阵，[26]中报告了严重程度2的混淆矩阵。虽然3F. Zhang等人能源与人工智能12（2023）100235×在[27]中报告了所有四个级别的混淆矩阵X，由于缺少一个类别，严重性级别4的混淆矩阵X没有正确构建。因此，仅将本研究中报告的其他三个混淆矩阵的结果用于荟萃分析。为了满足输入格式必须是2 2混淆矩阵的要求，将纳入研究的结果分为两类，并使用一种与其余方法[29]在所有严重程度水平上进行汇总。对于故障检测的定量分析，七个故障的结果被合并在一起成为一个故障类别与正常类别，而执行定量分析以诊断特定类型的故障，其余类别的结果被合并在一起。2.4. 定量综合有两种类型的Meta分析总结：总结点，例如，汇总敏感性、特异性、诊断比值比（DOR）和汇总线，即，受试者工作特征（SROC）曲线总结，显示了测试性能总结、阈值效应的视觉评估以及灵敏度和特异性之间ROC空间中数据的异质性[30]。总结点基于从混淆矩阵计算的真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）。更具体地说，灵敏度是阳性结果占TP结果的比例，特异性是阴性结果占TP结果的比例。在用于HVAC FDD的DL方法的上下文中，灵敏度表示DL方法正确识别具有故障的系统的能力。特异性表示DL方法正确识别无故障系统的能力。它们在Eqs中给出。（1，2）。灵敏度=TP/（TP+FN）（1）特异性=TN/（TN+FP）（2）DOR定义为如果受试者患有疾病，则测试为阳性的几率相对于如果受试者没有疾病，则测试为阳性的几率的比率。在HVAC FDD方面，它描述了相对于没有任何故障的HVAC系统中的正故障检测的几率，在有故障的HVAC系统中的正故障检测的几率。该指标结合了关于灵敏度和特异性的信息，并且尽管存在诊断阈值，但往往是合理恒定的，并且被认为是诊断测试最有用的单一指标之一[31]。使用Eq. （三）、DOR=灵敏度<$特异性/（1-灵敏度）<$（1-特异性）（3）比率汇总统计量的一个常见问题是，比例不是对称的;例如，DOR为0.5（减半）和DOR为2（加倍）是相反的，因此它们应取平均值而不产生影响，0.5和2的平均值不是DOR为1，而是DOR为1.25。因此，对数变换在文献中通常被用来避免不对称问题，并且出于同样的原因，在本研究中采用对数由于DOR本身不能反映方差[32]，因此构建SROC在数据提取和格式化后，使用随机效应模型将每项研究的单独有效量合并在一起，以纳入不同研究之间的异质性[33，34]。使用留一法进行敏感性分析，以评价单个研究对汇总结果的影响[35，36]。漏斗图[37]用于分析选择性发表有利结果或统计学显著结果所导致的潜在发表偏倚。荟萃分析的总体过程如图所示。 二、3. 结果本节总结了在第节的系统综述过程后，从剩余的47篇合格论文二、纳入研究的特征总结见表1。从表1中可以看出，9项研究使用了基于DL的混合方法，而其余38项研究使用了单一DL模型。在这38项研究中，有11项应用了2D CNN，应用最少的方法是卷积变分自动编码器（CVAE）、双向门控递归单元（BDGRU）和深度双向长短期记忆神经网络（BDLSTM）;每种方法都有一项研究。深度MLP和LSTM方法各有6项研究，其次是生成对抗网络（GAN），1D CNN和深度信念网络（DBN），分别为5，4和3项研究。下面讨论HVAC FDD方面的不同DL方法4. 暖通空调故障诊断4.1. 基于深度MLP的方法从回顾的文献来看，近年来基于vanilla deep MLP的研究较少使用;2019年进行了六分之三的深度MLP研究因为使用具有随机初始化的常规反向传播方法训练深度MLP模型遭受梯度消失问题。此外，如果训练数据量很小，则深层多层感知器（MLP）模型可能陷入局部最优[71]，这在HVAC FDD方面很常见，因为难以获取具有标记故障的HVAC系统的运行数据。因此，深度MLP模型的性能甚至可以图二. 荟萃分析流程图4表1审查研究的特征。学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障[9]2018年DBN DBN空调来自标准焓差实验室的✓Features Features Features四路换向阀故障、室外机结垢故障、制冷剂充注不足、过充故障[38]20182D CNN 2DCNN Chiller功能SVDD， PCA ASHRAE RP-1043✓制冷剂制冷剂制冷剂过充、冷凝器水流速降低、蒸发器水流速降低、制冷剂泄漏、过量油、冷凝器结垢、不凝性气体[39]20192D CNN 2D CNN热源带水储热箱的系统Feat2DCNN模拟数据+数据从日本✓公司简介 1：冷却器冷凝器结垢导致的劣化，故障2：污水泵设定值不正确，故障3：热交换器结垢，故障4：热供应侧的温度传感器错误交换机，故障1+故障2，故障1+故障3，故障1+故障4，故障2+故障3，故障2+故障4，故障1+故障2+故障3，故障1+故障2+故障4，故障2+故障3+故障4，故障1+故障2+[15]2019 Convolution-一维CNN热泵热水器1D CNN，C-S仿真✓ ✕ ✓ ✕ ✓ ✕ ✕故障3+故障4序列（C-S模型）+一维CNN+LSTM（C-SMLP模型+MLP，数据+ 冬季冷凝器结垢、蒸发器（接下页）F. Zhang等人能源与人工智能12（2023）1002355表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型模型）+一维CNN结构杭州天气资料实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障结垢和制冷剂泄漏[40] 2019 2D CNN 2D CNN热源带水储热箱的系统Feat2DCNN模拟数据+数据从日本✓联系我们 1：冷却器冷凝器结垢导致恶化，故障2：污水泵设定值不当，故障3：热交换器结垢，故障4：热交换器供应侧的温度传感器错误，故障1+故障2，故障1+故障3，故障1+故障4，故障2+故障3，故障2+故障4，故障1+故障2+故障3，故障1+故障2+故障4，故障2+故障3+故障4，故障1+故障2+[16]2019 2D CNN 2D CNN热泵功能浅MLP，深层MLP标称容量为30kW的商用热泵系统的数据集✓ ✓ ✓ ✓ ✓ ✕ ✕故障3+故障4制冷剂泄漏[41] 2019丹BDGRU+关注冷水机组BDGRU，EDN，EDN-F，BDGRU+注意（无特征融合），TAN，PCA空气冷却✓ ✕ ✓ ✕ ✓ ✕✓压缩机吸入温度、压缩机排气温度、出口冷凝器空气温度、节流前制冷剂温度的制冷剂（续下页）F. Zhang等人能源与人工智能12（2023）100235冷却器系统在霍尼韦尔海内建筑控制实验室天津大学，中国6表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障节流后温度、冷冻水供应温度、冷冻水返回温度、压缩机吸入压力、压缩机排出压力、节流装置入口压力、节流装置出口压力传感器[42] 2019年1DCNN+ WaveCluster1D CNN空气处理机组FeatAUX-NN、CB- NN非洲瓦加杜古空气处理机组模拟数据✓特点送风温度、供水温度、回水温度和冷冻水流量传感器故障[43]2019 LSTM LSTM通风和加热系统按需控制通风和供暖系统✓Features Features FeatGain 故障温度传感器、温度传感器失调故障、风门故障开启、风门故障关闭、加热器故障开启、加热器故障关闭、温度传感器电池故障、CO2传感器电池故障、CO2传感器增益故障和路由器通信故障[44]2019LSTM LSTM Chiller FeatGRU， RNN ASHRAE RP-1043✓Features Features Features减少冷凝器水流量，蒸发器水减少（接下页）F. Zhang等人能源与人工智能12（2023）1002357表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障流动，冷凝器结垢，制冷剂不凝物，制冷剂泄漏[45]2019 LSTM LSTM Chiller FeatLR，MLP数据集中国天津大学霍尼韦尔家居与楼宇控制实验室的风冷制冷✓Features Features Featsensor 故障压缩机吸入温度、压缩机排出温度、冷凝器出口空气温度、节流前制冷剂温度、节流后制冷剂温度、冷冻水供应温度、冷冻水返回温度、压缩机吸入压力、压缩机排出压力、压缩机入口压力节流装置，节流装置出口压力[46]2019 WGAN-合奏+KNN/DT/MLP/SVM/RFGAN空气处理单位WGAN-SVM/GAN-集成/GAN-SVM+KNN/DT/MLP/SVM/RF，半监督SVMASHRAE RP-1312✓ ✕ ✓ ✕ ✓ ✕✕EX通风风门卡住，回风机处于固定速度，冷却盘管阀控制不稳定，冷却盘管阀部分关闭，室外空气风门泄漏，AHU管道泄漏（接下页）F. Zhang等人能源与人工智能12（2023）1002358表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障[47]2019AANNDeep MLPHVAC系统[48]2019 DBM DBN加热系统✓PCA数据从TRNECK中的模拟模型收集，用于HVAC系统冷却操作FeatMLP，SVM集中供热管网的两个数据集：分支管网和环状管网。✓产品展示Features 两区域、冷冻水箱、冷却盘管回水和AHU输出空气温度传感器✓Features features featpipeleakage[49]2019 SAE Deep MLP空调✓EMD+SVM，VMD+ SVM用激光多普勒测振仪（LDV）LV-S 01采集空调振动信号数据Features压缩机FeatCompressor缺少隔音棉、扇叶裂纹、扇叶重量不平衡、压缩机铜管缺失、阻尼块、风扇支架松动[14]2019 Deep MLP Deep MLP空气处理单位[50] 2019 DBM DBN加热系统[13]2020 2D CNN 2D CNN热源带水储热箱的FeatDeepMLP台湾台北一幢10层办公楼的模拟FeatMLP，SVM数据集来自由13个管段和10个节点Feat2DCNN模拟数据+数据从日本✓特征异常 冷冻水流量、异常送风流量、异常传感器测量误差✓Features features featpipeleakage✓产品展示Features 1：冷却器冷凝器结垢恶化，故障2：污水泵设定值不正确，故障3：发热（续下页）F. Zhang等人能源与人工智能12（2023）1002359表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型GRU结构LSTM，BPNN，PCABPNN，1DCNN LSTM1043实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障交换器结垢，故障4：热交换器供应侧的温度传感器错误，故障1+故障2，故障1+故障3，故障1+故障4，故障2+故障3，故障2+故障4，故障1+故障2+故障3，故障1+故障2+故障4，故障2+故障3+故障4，故障1+故障2+故障3+故障4 1区VAV boX风门：卡住致动器1处的阻尼器，区域2 VAV boX风门：风门卡在执行器2处，区域3 VAVBOX风门：风门卡在执行器3处，水阀：阀门卡在执行器4处冷凝器结垢、过量油、制冷剂中的不可冷凝物、蒸发器水流量减少[52]2020 SDCNNs Enlightenment 1D CNNChiller Feat1D CNN，SVM，DT、LightGBM、NBASHRAE RP-1043✓Features Features Features冷凝器结垢，废气油，不凝物，（接下页）F. Zhang等人能源与人工智能12（2023）10023510[五十一]20202D CNN2D CNNHVAC系统✕MLP，PCA，SVM仿真数据库Features多哈市和卡塔尔✓✕✕✕✕[27日]20201D CNN+ GRU1D CNN+冷却器✕1D CNN，GRU，ASHRAERP-产品特点✓✕✓✕✕表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障制冷剂，冷凝器水流量减少，蒸发器水流量减少，制冷剂泄漏，制冷剂过充[53]20202D CNN 2D CNN区域供暖Feat2D CNN，KNN，RF，MLP基于能量的综合直接分区系统的模拟数据✓产品特点温度电锅炉PI的传感器、燃气锅炉PI的温度传感器、一次网水泵PI的流量传感器、电热水器、燃气热水器、水泵、太阳能热水器、换热器、管道故障以及偏置、漂移、完全故障[54]2020Envelope 1D CNNEnvelope 1DCNN空调特征1D CNN，DT，MLP，SVM，DBN商用VRF系统制冷剂充注故障实验产品特点9级制冷剂充注故障[36] 2020年2D CNN 2D CNN区域供暖FeatLR，LDA，L-SVM，GNB，KNN，DT，RF，AB来自丹麦12个城市的红外✓储能特性储能特性能量泄漏[55]2020 CWGAN+ SVM/RF/DT/BN/KNN/LRGAN Chiller特点SVM，RF，DT，BN、KNN、LRASHRAE RP-1043✓Features Features Features减少冷凝器水流量、蒸发器水流量减少、制冷剂泄漏、制冷剂过充、废机油、（接下页）F. Zhang等人能源与人工智能12（2023）10023511表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障冷凝器结垢，制冷剂中的非冷凝物[56]2020CWGAN-ELQCP+SVM/RF/DT/MLP/KNNGAN空气处理机组特征SVM，RF，DT，MLP，KNNASHRAE RP-1312✓ ✕ ✓ ✕ ✓ ✕ ✕通风风门卡住，回风机处于固定转速，冷却盘管阀控制不稳定，冷却盘管阀部分关闭，室外空气风门泄漏，AHU管道泄漏[57]2020 AANN Deep MLP HVAC系统✓在TRNECK中模拟的三区HVAC系统的PCA✓产品展示Features 三区域温度、冷冻水箱温度、冷冻水箱温度、AHU输出空气温度、冷却盘管回水温度传感器[58]2021MCNNs Energy1D CNN（多尺度）空气处理机组FeatMLP，PCA+支持向量机，支持向量机，WT-MLP，ELM实验室空调机组实验台模拟数据✓Features Features Features 空气泄漏，风扇效率降低，冷却盘管阀卡住，室外风门过度[59]2021 LSTM+GA LSTM Chiller Features RNN， MLP，SVM90吨冷水机组（316 kW）的模拟数据✓Features Features Featured冷凝器水流量、蒸发器水流量减少、制冷剂泄漏、制冷剂过充、冷凝器结垢[22]2021 LSTM LSTM冷却器功能LSTM ASHRAERP-1043✓Features Features Features减少冷凝器水（续下页）F. Zhang等人能源与人工智能12（2023）10023512表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障流量，蒸发器水流量减少，制冷剂，废机油，制冷剂过充，冷凝器结垢，制冷剂中不可冷凝物[23]2021 SP-CNN 2DCNN Chiller FeatPNN， SLENet ASHRAE RP-1043✓冷凝器结垢，冷凝器水流量减少，制冷剂中的不可冷凝物，蒸发器水流量减少，制冷剂泄漏/充注不足，制冷剂过量充注，废机油[60]2021RACNNs 1D CNN空气处理单位FeatMLP，南洋理工大学实验室制造的AHU的SVM✓功能特点冷却 线圈阀门卡住，风扇电路故障，室外空气过多，机组漏气[61]2021CVAE（仅故障data）+LightGBMCVAE空气处理机组✓CVAE（两者正常和故障数据）+LightGBM、ROS+ CVAE+LightGBM，俄罗斯+LightGBM，ROS+LightGBM，SMOTE+LightGBM，ANS+LightGBMASHRAE RP-1312✓ ✕ ✓ ✓ ✓ ✓ ✕排风风门卡滞，室外风门卡滞，冷却盘管阀卡滞，加热盘管阀泄漏，回风机转速固定[26]2021 FETCN BDLSTM+ LSTM+ 1D CNN冷却器冷却器FELSTM，FESVM，FEELMASHRAE RP-1043✓Features Features Features冷凝器结垢、过量油、制冷剂泄漏、制冷剂（接下页）F. Zhang等人能源与人工智能12（2023）10023513表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障过度充电，减少冷凝器水流量、减少的蒸发器水流动，非可冷凝气体制冷剂[六十二]2021一维CNN一维CNN冷却器✕一维CNNASHRAE RP-✓✕✓✕✕✓✕冷凝器1043污垢，EX cess石油，非可冷凝物制冷剂，减少冷凝器水流量，减少蒸发器水流量，制冷剂泄漏，制冷剂过充电[63个]2021一维CNN一维CNN空气调节✕MLP，SVM，DT数据集VRF系统✓✕✓✕✕✕✕制冷剂收费过高/使用R410A作为充电不足，制冷剂室内热中交换器焓湿污垢，室外检测室热交换器结垢和传感器故障[19个]2021深度RNNLSTMHVAC✕RF，GB三个数据集✓✕✓✕✕✕✕室外空气（OA）系统类型的阻尼器卡住，建筑系统暖气阀门位于线圈卡住，阀劳伦斯加热盘管伯克利泄漏，阀门国家冷却盘管实验室卡住，阀门伯克利，冷却盘管加利福尼亚州，泄漏，室外FLEXLAB空气温度偏倚，无故障正常操作[64个]2021半GANGAN冷却器✕MLP、DBN、LS-ASHRAE RP-✓✕✓✕✕✕✕减少SVM，半1043冷凝器水SVM流动，非冷凝性气体在制冷剂中，冷凝器结垢，减少的蒸发器水（接下页）F. Zhang等人能源与人工智能12（2023）10023514表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障流量、过量油、制冷剂过量加注、制冷剂泄漏[55] 2021年CWGAN-GP+GANomaly+ RF/SVM/KNN/DT/NB/MLP[65] 2021年2D CNN，迁移学习GAN冷水机组特点CWGAN-GP+VAE/合奏+RF/SVM/KNN/DT/NB/MLP2DCNN Chiller功能2D CNN无 迁 移学习ASHRAE RP-1043对两台容量为422 kW（120吨）和703千瓦（200吨）✓Features Features Features减少冷凝器水流量、蒸发器水流量降低、制冷剂泄漏、制冷剂过度充注、废机油、冷凝器结垢、制冷剂中的不可冷凝物✓产品特点产品特点制冷剂泄漏、制冷剂过充和蒸发器水流量[24]2021年Deep MLP+ SA DeepMLP冷水机组特点Deep MLP ASHRAE RP-1043✓Features Features Features减少蒸发器水流量、冷凝器结垢、冷凝器水流量减少、制冷剂中不可冷凝物、制冷剂泄漏/充注不足、制冷剂充注过量、EX cess oil[66] 2022年基于BDLSTM深度递归典型相关分析BDLSTM冷却器功能PCA，CCA，DCCA天津大学Honeywell家居与楼宇控制实验室风冷制冷系统数据集✓Features Features FeatCompressor排气压力，节流装置入口压力，节流装置出口压力，压缩机吸入温度，压缩机（续下页）F. Zhang等人能源与人工智能12（2023）10023515表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障排气温度、冷凝器出口空气温度、节流前制冷剂温度、供应冷冻水温度、返回冷冻水温度传感器故障[25]2022年 S-DAGMM-DNN加密深层MLP冷水机组SAE-DNN，DNN，KNN，SVM，RF，AdaBoostASHRAE RP-1043✓Features Features Features减少冷凝器水流量、蒸发器水流量降低、制冷剂泄漏、制冷剂过度充注、废机油、冷凝器结垢、制冷剂中的不可冷凝物[67]20222D CNN，迁移学习2D CNN空气处理机组Feat2DCNN没有迁移学习，MLPASHRAE PR-1312+三个数据集（MZVAV，SZCAV，SZVAV），来自劳伦斯伯克利国家实验室MZVAV：室外风门、冷热盘管阀门故障10种。SZCAV：室外风门、冷暖盘管阀故障14起。SZVAV：室外风门、加热、冷却盘管阀故障7起。ASHRAE RP-1312：排气风门卡住，室外风门卡住，冷却盘管阀加热盘管阀（接下页）F. Zhang等人能源与人工智能12（2023）10023516表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障泄漏，并修复了三种严重程度的回风风扇速度故障。[68]2022 1D CNN+ LSTM+注意与动态交叉熵和Swish激活[69]2022MLP+注意力（修改）Transformer）+2DCNN1D CNN+LSTM+关注深度MLP+注意（修改后的Transformer）+2D CNN冷却器1D CNN+LSTM+注意力与增强的交叉熵和Swish激活，1DCNN+ LSTM+注意力与软交叉熵和Swish激活，1DCNN+ LSTM+注意力与焦点丢失和Swish激活，1DCNN+ LSTM软交叉熵和SeLU激活，1DCNN+ LSTM采用软交叉熵和Swish激活，CNN+ LSTM伴病灶丢失和Swish激活，1DCNN+ LSTM通过增强交叉熵和SeLU激活热泵机组卷积-序列（C-S模型）+2DCNN，RNN+2D CNN，MLP+注意没有初始状态ASHRAE RP-1043ASHRAE RP-1043✓Features Features Features减少冷凝器水流量、蒸发器水流量减少、制冷剂泄漏、制冷剂过充、过量油、冷凝器结垢、制冷剂中不可冷凝物✓Features Features Features冷凝器结垢、冷凝器水流减少、蒸发器水流减少、制冷剂中的不可冷凝物、制冷剂泄漏（接下页）F. Zhang等人能源与人工智能12（2023）10023517表1（续）学年拟议方法主要构件系统类型编码器-解码器基准方法数据集故障生成方法测试使用输入数据格式诊断同时不同的FDD非FDDFDD未知/故障类型结构识别+2D CNN实际建筑数据模拟/实验室实验数据实际建筑数据数值图像故障严重性级别稳态过程新的故障制冷剂过充[70]2022改良型Transformer深度MLP+注意（修改后的Transformer）空气处理机组✓分类器链集成随机森林现场AHU✓Features Features Features Fault 一曰： 漏气，故障2：过滤器结垢，故障3：室外风门卡住，故障4：回风风门卡住，故障5：送风风门卡住，故障6：冷冻水减少，故障1+故障6，故障
我的内容管理
展开
