《Journal of Building Engineering》:Machine learning-enabled fault diagnosis and predictive maintenance in building management systems
编辑推荐:
•预测性维护可以提升建筑运维管理水平。•缺失数据是预测性维护中故障诊断面临的挑战。•EM算法在缺失数据插补中取得了最低的总体平均绝对误差(MAE)和均方根误差(RMSE)。•EM插补可以提升SVM模型在各冷水机组上的故障诊断性能。•构建了一个概念性预测性维护(PdM)框架,展
- •
预测性维护可以提升建筑运维管理水平。
- •
缺失数据是预测性维护中故障诊断面临的挑战。
- •
EM算法在缺失数据插补中取得了最低的总体平均绝对误差(MAE)和均方根误差(RMSE)。
- •
EM插补可以提升SVM模型在各冷水机组上的故障诊断性能。
- •
构建了一个概念性预测性维护(PdM)框架,展示了未来研究的更多可能性。
引言
随着建筑运维管理的快速发展,建筑管理系统(BMS)在提升建筑运营效率和可持续性方面发挥着至关重要的作用,这直接影响着入住者的体验和建筑的环境足迹[1]。传统建筑管理严重依赖人工监控和基础自动化系统[2]。先进传感器技术和数据分析的出现为提升建筑管理系统的潜力提供了有效工具。基于这些技术的建筑设施设备运维已成为BMS领域的热门研究主题。
暖通空调(HVAC)系统、电气组件、照明系统、电梯系统及其他设施是保障建筑安全、节能和稳定运行的关键要素,其运维成本约占建筑设施全生命周期总成本的60%[3]。有效的维护策略可以减少非计划停机时间和维护成本,甚至延长建筑设施的使用寿命。目前,建筑业设施维护主要采用事后维护和预防性维护。虽然技术门槛较低,但事后维护无法预防设施故障,预防性维护仅能对设施在一定时期内的状况进行粗略估计,在维护过程中容易导致资源过剩或维护不足。预测性维护依托工业4.0中的多源传感器系统和人工智能算法等先进技术[4],通过持续监测设施状况,预测潜在故障并提前实施维护[5],实现了从"故障后修复"到"故障前干预"的范式转变[6],这能够克服建筑业效率低下和生产力不足的局限,提升BMS的运营效率和可持续性。
故障诊断是预测性维护技术体系的重要组成部分。通过选择合适的状态监测传感器,对设施各机械部件的状态信号进行持续并行采集。这些实时状态数据不仅有助于设施管理人员准确识别潜在故障,还为预测性维护模型和建筑管理系统的构建提供了丰富的数据支持[7]。然而,在实际运行环境中,传感器在长期使用后不可避免地出现故障,导致测量偏差、精度下降甚至数据丢失。此外,人为操作失误也容易导致数据管理错误[8]、[9]。如果直接使用这些历史数据训练故障诊断模型,不仅可能难以获得可靠结果,还会损害维护决策的科学性,从而影响建筑管理系统的经济性和可靠性[10]、[11]。
处理不完整数据最简单的方法是直接删除缺失样本[12]。然而,这种方法会造成关键信息的不可逆丢失[13],无法满足建筑运维系统对数据完整性和连续性的严格要求。此外,数据样本数量的大幅减少会削弱故障诊断模型的泛化能力,从而降低诊断准确性并增加误分类风险[12]。因此,与直接删除样本相比,对缺失数据进行适当插补以提高数据完整性是确保后续故障诊断准确性的关键步骤。
综上所述,为解决故障诊断过程中的缺失数据问题,本研究旨在:
- 1)
提出一种将EM算法与SVM相结合的故障诊断模型。利用EM算法进行参数估计和缺失值插补,并使用平均绝对误差(MAE)和均方根误差(RMSE)评估插补精度,从而为后续SVM故障诊断模型提供更高质量的输入数据。
- 2)
使用ASHRAE RP-1043数据集,在20%完全随机缺失(MCAR)条件下模拟不完整历史数据,并采用正确率、命中率和虚警率三项指标,全面评估SVM模型在不同缺失数据处理策略下的故障诊断性能。
- 3)
基于"先插补后诊断"的工作流程,构建了一个概念性预测性维护框架,整合了BMS,包括三个核心模块:设施监测与故障诊断、状态评估与预测、维护决策与反馈,从而形成一个从数据预处理到维护实施的完整闭环管理系统。
本文其余部分组织如下:第2节综述了预测性维护和故障诊断领域的现有研究及局限性。第3节介绍了EM算法和SVM模型。第4节通过实验验证了所提方法并分析了结果。第5节构建并描述了PdM框架。第6节讨论了PdM框架的适应性、灵活性和意义。第7节总结了本研究的主要发现,讨论了局限性,并为未来研究提供了建议。
各章节摘要
数据驱动预测性维护研究
数据驱动预测性维护利用描述设施运行状态的数据,通过人工智能方法学习特征变量与设施状态之间的关系,构建预测模型,并基于预测结果支持维护决策。与知识驱动方法相比,数据驱动方法更适合复杂且高度不确定的场景,在拥有足够有效数据的情况下能够支持状态预测。
基于EM算法的缺失数据插补
期望最大化(EM)算法由Dempster等人于1977年首次提出[47],是一种从不完整数据中计算最大似然估计或后验概率分布的迭代方法[48]。EM算法的每次迭代包含两个阶段:E步(期望)和M步(最大化)[49]。E步涉及基于可用观测值计算缺失数据的条件期望,然后利用该期望进行插补
实验数据
本研究使用的数据集来源于ASHRAE RP-1043实验项目。该项目使用的设施是一台90吨、316千瓦的离心式冷水机组,采用R134a制冷剂。通过实验,该项目模拟并获取了冷水机组在正常运行条件下和七种典型故障状态下的运行数据。这些故障包括冷凝器水流量减少(ReduCF)、蒸发器水流量减少(ReduEF)、制冷剂泄漏(RefLeak)、冷凝器结垢(ConFoul),
预测性维护策略框架
前述实验评估了不同插补方法在基于SVM的故障诊断中的性能,揭示了插补精度与故障诊断性能之间的复杂关系。基于离线实验分析及Jack C. P. Cheng[5]、Nivethitha Somu[64]等人的研究成果,本研究开发了一个概念性预测性维护框架。
建筑管理系统(BMS)是一个基于计算机的中央监控平台,集成了
讨论
本研究使用ASHRAE RP-1043数据集进行实验,模拟了20%完全随机缺失(MCAR)机制,验证了通过插补实现的下游故障诊断性能提升。基于实验结果,进一步开发了一个建筑设施概念性预测性维护框架,并详细描述了其核心逻辑和具体流程。该框架旨在为解决缺失
结论
为解决缺失数据问题,本文以EM算法为核心开发了一种缺失数据插补方法,并将其与SVM故障诊断模型相结合。使用ASHRAE RP-1043数据集验证了所提方法的有效性。同时,为系统评估不同插补策略的效果,将EM算法与KNN、均值、中位数及删除方法进行了对比。主要结论如下:
CRediT作者贡献声明
周晓玲:写作—审阅与编辑、写作—原稿撰写、验证、监督、项目管理、方法论、概念构思。王德东:写作—审阅与编辑、写作—原稿撰写、验证、监督、项目管理、资金获取、概念构思。方少泽:写作—审阅与编辑、写作—原稿撰写、验证、监督、项目管理、概念构思
利益冲突声明
? 作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。
王德东|周晓玲|方少泽