《BUILDING AND ENVIRONMENT》:HVAC Subsystem-aligned Explainable Graph Neural Network Mixture of Experts (GNN-MoE) for Multi-Horizon Work Order Prediction
编辑推荐:
摘要:供暖、通风与空调(HVAC)维护需要对部件维护需求进行前瞻性预测,但目前仍以防故障检测与诊断(FDD)为主。已有预测方法常将部件建模为独立受传感器监测实体,忽视了子系统间退化传播及可解释性;基于物理机理的预测则依赖热力学参数及罕有的仪表配置;而作为维护历
摘要:供暖、通风与空调(HVAC)维护需要对部件维护需求进行前瞻性预测,但目前仍以防故障检测与诊断(FDD)为主。已有预测方法常将部件建模为独立受传感器监测实体,忽视了子系统间退化传播及可解释性;基于物理机理的预测则依赖热力学参数及罕有的仪表配置;而作为维护历史知识库的计算机化维护管理系统(CMMS)工单数据在预测中未被充分利用。本研究提出一种基于图、以时序CMMS数据为主要信息源的部件级非计划工单预测方法。首先构建大语言模型(LLM)知识抽取流水线将工单文本转为结构化实体;其次构建含部件节点与工单节点的时间扩展异构图,通过12类边(水环路、空气、控制、相关性、空间及维护关系)编码 plausible 退化传播路径;随后提出稀疏门控图神经网络混合专家(GNN-MoE)分析模型,按HVAC子系统(如供热、制冷)对齐专家模型,各专家采用与子图拓扑匹配的Graph Transformer、GATv2或GraphSAGE算子;经阈值约束评估支持14天、30天、90天及365天时段的预测以适应维护周期。研究在含19,411条工单的多建筑数据集上验证:14天时段在正样本占比2.6%下达70%精确率及27倍提升度(lift),支持即时维护派工;365天时段达89.5%召回率支持长期维护规划。消融实验揭示了图结构与文本特征的影响,可解释的专家路由模式反映了与HVAC子系统对齐的维护动态特性。
论文解读——《BUILDING AND ENVIRONMENT》刊载论文:面向多时段工单预测的HVAC子系统对齐可解释图神经网络混合专家模型(GNN-MoE)
研究背景与意义
供暖、通风与空调(HVAC, Heating Ventilation and Air Conditioning)系统占商业建筑能耗40%,运维支出可达43%,非计划故障会引发紧急呼叫、占用技术人员并造成连锁损坏。现有HVAC维护研究集中于故障检测与诊断(FDD, Fault Detection and Diagnosis),侧重实时异常而非未来时段的干预概率预测。已有前向预测多针对单一子系统(冷水机组、AHU等)且视部件相互独立,忽视水力—空气—控制耦合导致的退化传播(cascade degradation);常依赖密集传感器的高频时序数据或热力学参数做物理驱动预测,而建筑FM团队普遍已有的计算机化维护管理系统(CMMS, Computerized Maintenance Management System)蕴含纵向人为响应与维修历史却极少被用于预测。此外单体图神经网络(GNN, Graph Neural Network)对整个图共享变换,难以适配不同HVAC子系统工单分布与时域特性的异质性。为此,研究人员开展此项研究,提出基于CMMS时序工单数据的HVAC部件级非计划(unplanned)工单多时段预测框架,通过异构图建模退化传播路径,引入子系统对齐的稀疏门控GNN-混合专家(MoE, Mixture-of-Experts)架构兼顾预测性能与可解释性。
主要关键技术方法
研究人员使用加拿大新斯科舍省某大学园区多建筑CMMS档案(2012–2016年,49栋建筑,19,411条工单,其中非计划工单12,100条)。关键技术步骤包括:(1) 采用Qwen 30B A3B instruct大语言模型(LLM, Large Language Model)通过few-shot提示从非结构化工单叙述中抽取症状、动作类别及位置字段(结构化JSON输出,贪心解码),并以设施管理专家标注300条工单做金标准验证;(2) 为部件节点与工单节点分别设计多维特征向量(含事件历史指数加权计数、MTBF、成本/人工趋势、季节敏感性、LLM提取症状多热编码、图拉普拉斯位置编码等),严格按决策日T截断防信息泄露;(3) 构建二部异构图Gt,含部件节点VC与工单节点VW,定义12类有向/无向边——水环路(锅炉→泵→AHU/FCU)、空气分配(AHU→风管→VAV/FCU)、控制(温控器?设备)、相关性(同周共现Jaccard相似度)、空间邻近(同区/层)、维护边(工单→部件带指数时间衰减τ=30天)及计划维护边;(4) 设计稀疏门控GNN-MoE:1个通用专家(全图Graph Transformer)加9个HVAC子系统对齐专家(供热、制冷、空气分配、楼宇控制、系统耦合、热力区等分别匹配Graph Transformer/GATv2/GraphSAGE骨干),门控网络输出Top-2稀疏混合权重,训练加入负载均衡损失防路由坍缩,消息传递层数设为4层(匹配图直径),后校准采用保序回归(isotonic regression),多时段分别选阈值(短时段约束精度≥70%,90天最大化F1,365天约束召回≥80%),以PR-AUC为首要指标。
研究结果
4.1. Overall performance(整体性能)
在测试集全组合8,475个部件上评估四时段:14天正样本率2.6%,30天5.0%,90天11.5%,365天46.9%。14天AUROC 0.922、PR-AUC 0.605、精确率70.66%、召回率77.73%、Lift 27.22倍;30天PR-AUC 0.597;90天PR-AUC 0.534、召回率>83%;365天AUROC 0.879、PR-AUC 0.818、召回率89.48%、F1 0.871。表明模型可在极不平衡短时段提供高精度派工依据,长时段提供高覆盖计划依据。
4.2. Temporal validity(时间稳健性)
留一快照验证、滚动原点再训练及按子系统拆分测试均显示AUROC稳定;14天PR-AUC在验证期贴近测试期时较高,支持用最近时段做验证,且性能随积累维护历史增长。
4.3. Ablation study(消融实验)
逐组遮蔽特征或边后重训:图结构特征(谱坐标、邻居工单活动等)与服役年限/预期寿命、季节气象特征去除对PR-AUC降幅最大(分别-0.043、-0.077、-0.070),证实图表征价值;LLM文本特征移除PR-AUC降0.044,具独立贡献;建筑上下文于14天可略(微升);随机打乱专家边分组或错配GNN骨干分别使14天PR-AUC降至0.519与0.536(原0.605),证明子系统对齐分组与拓扑匹配骨干均重要;2层或6层GNN较4层默认显著下降,确认最优深度。
4.4. Comparative model study(对比模型研究)
同条件基准含异构图模型(HAN、HGT、Hetero-GraphSAGE/GATv2/GIN、MLP)、MoE变体(GMoE、Mowst、MoE-MLP)及经典机器学习(Random Forest、XGBoost、LightGBM、Logistic Regression)与序列模型(Bi-LSTM、TCN、GRU、CNN-LSTM、xMHAC-PDCNN、Stacked Autoencoder)。GNN-MoE获最高14天PR-AUC(0.605)与F1(0.740);Wilcoxon检验显著优于低秩基准,与最强图基准(HAN、Hetero-Transformer、MLP)无统计显著差异但PR-AUC均值排名最优(1.25),且具可解释路由优势。
4.5. Operational and maintenance integration(运维集成与专家路由分析)
4.5.1 Horizon-specific threshold calibration(时段特定阈值校准):短时段设高精度约束适配即时派工,中时段最大化F1适配停机关联,长时段设高召回适配年度资本规划;校准后14/30天正负得分分布重叠极小,365天适合相对风险排序。
4.5.2 Component type performance and expert routing analysis(部件类型表现与专家路由分析):14天离散机械类(风机、热泵)F1高于AHU(多子件交互弥散);365天各类型趋均匀,锅炉与过滤器较弱(标签稀疏)。门控权重呈时段依赖性——14天偏向控制与系统耦合专家(短时控制响应),30天偏供热专家,90天分散至多专家,365天偏制冷专家(长冷机循环),与文献记载HVAC维护时标吻合;受限信息消融专家(如仅含相关性边或无工单边)获显著权重,说明门控依预测相关性选路而非单纯容量偏好,去除某类边/特征后路由重新分配补偿,证实自适应解释性。
4.6. Generalisability, limitations and future work(泛化性、局限与展望)
同一位置更换设备被合并为一节点假设退化连续;水环路/空气边按类型级连接而非BIM追踪管线(可通过可学习边权重软化);建议未来接入COBie资产注册信息、质保状态与备件消耗字段,并在多运营环境验证。
讨论与结论翻译
本研究填补了将CMMS记录转化为设施管理决策用图结构HVAC预测性维护框架的空白,将非计划工单预测重构为异构图节点分类问题。(1) LLM流水线从非结构化CMMS文本抽取结构化实体;(2) 建含12类边的异构图显式表达退化传播;(3) 专家按HVAC子系统对齐,稀疏门控路由权重成可解释时段相关指示器,反映哪类子系统证据最具预测力;(4) 时段特定阈值校准将单一模型转为四种运维决策工具。特征消融证实图特征与LLM文本特征具非冗余信息,严重类别不平衡下PR-AUC优AUROC。该方法为设施管理部门提供不依赖额外专用传感器的可部署替代方案。
—全文完—