丁大偉，孔祥偉，李勝利，韓忠芳，曹佩軒

（1.北京昊華能源股份有限公司，北京 102300；2.北京手挽手勞務派遣有限責任公司 大興分公司，北京 102611；3.北京中江偉業(yè)消防工程有限公司，北京 102300；4.北京恒業(yè)世紀科技股份有限公司，北京 100077；5.北京城建亞泰中天建筑安裝工程有限公司，北京 100013）

0 引言

區(qū)別于傳統(tǒng)空調，HVAC 能夠對建筑內部的氣體進行處理，以達到調節(jié)空氣的作用，并且該系統(tǒng)已經廣泛應用于建筑業(yè)、工業(yè)等領域[1]。隨著供熱逐步南移，供熱覆蓋面積不斷擴大，暖通空調系統(tǒng)不可避免地導致高能耗，而能源的浪費大部分則是由于系統(tǒng)故障不能及時預測和維護而產生的。所以需要加大對暖通空調系統(tǒng)的故障預測與維護問題的關注。其次，傳統(tǒng)的對于暖通空調系統(tǒng)設備的管理模式為當系統(tǒng)表現(xiàn)出明顯的問題時才會去檢修維護，或者已經超過了檢修期限但是系統(tǒng)設備未出現(xiàn)問題而沒有檢修，于是導致了最終大修等問題。因此，自動化管理代替?zhèn)鹘y(tǒng)的管理模式是勢在必行的。本研究針對暖通空調系統(tǒng)的故障預測與維護、設備管理自動化兩方面進行深入分析和研究，為管理及其維護人員提供一定的借鑒意義，以保證暖通空調系統(tǒng)維護工作順利安全地實施。

1 暖通空調系統(tǒng)的故障預測

1.1 HVAC 系統(tǒng)故障預測方法

如圖1、圖2 所示，趙陽 等[2-4]總結了HVAC 系統(tǒng)故障檢測方法的分類以及診斷方法的分類。該總結是比較到位的將人工智能通用的方法進行了歸類，但是忽略了一個本質的核心問題，就是無論是基于先驗知識的還是基于模式識別的方法，都需要大量數據的驅動，而HVAC 系統(tǒng)相關的數據需要利用傳感器等硬件進行采集，甚至人工監(jiān)測記錄的數據，這些數據也不足以形成人工智能，特別是神經網絡需要的大量數據。一方面就是傳感器的數量少且質量不高，另外一方面人工記錄成本過高會限制數據的積累。

圖1 暖通空調系統(tǒng)故障檢測方法

圖2 暖通空調系統(tǒng)故障診斷方法

隨著人工智能的發(fā)展以及深度神經網絡架構的快速迭代，如何應用少量數據并利用現(xiàn)有人工智能領域的方法進行HVAC 故障預測以及維護已經不再是幻想。遷移學習（Transfer Learning）已具備了利用少量數據進行學習的能力。本研究重點分析如何利用遷移學習進行設備故障預測與維護。

1.2 基于遷移學習的HVAC 系統(tǒng)故障預測與維護

1.2.1 人工智能遷移學習

遷移學習（Transfer Learning）是一種通過聯(lián)合學習多個相關的任務用以提高模型泛化性能的機器學習技術。而成功應用遷移學習的關鍵在于子任務需要是相關的。這里的相關并不意味著任務是相似的，而意味著在一定的抽象層次上這些任務可以共享一部分表征特征。如果任務確實是相似的，由于可以有效地增加每個任務的訓練數據量，共同學習多個任務有助于在任務間進行知識的遷移。遷移學習在訓練數據集相比模型尺寸要小的時候最有用。

由于在神經網絡中，較高層次的表示比較低層次更抽象，即更能代表實際意義，因此，神經網絡也非常采用遷移學習進行學習。如圖3 所示，展示了遷移學習一般的架構。

圖3 遷移學習一般網絡架構

1.2.2 基于遷移學習的HVAC 系統(tǒng)故障預測與維護

根據遷移學習的理論，加上HVAC 系統(tǒng)故障預測與維護的理論，本研究基于先驗知識的任務與基于模式識別的任務合并同時建模來預測HVAC 系統(tǒng)故障。

在神經網絡的輸入層，同時輸入HVAC 系統(tǒng)故障相關的先驗知識與基于模式識別需要的少量數據得來的特有特征，然后利用神經網絡隱藏層進行遷移學習，最后在輸出層，利用任務標簽的不同，分別輸出不同任務對應的輸出，如圖4 所示?；谶w移學習的HVAC 系統(tǒng)故障預測與維護具備一定的可行性，隨著先驗知識的逐步增多，可利用的信息也逐步增多，神經網絡將不斷迭代更新學習，HVAC 系統(tǒng)故障的預測也將更準確，維護工作將變得更簡單、更方便、更實時、更到位。

圖4 基于先驗知識與模式識別任務遷移學習的圖示

人工智能神經網絡遷移學習技術，可以利用各種有關設備故障的數據以及先驗知識，來訓練更具泛化能力的預測設備故障的神經網絡模型，并且可以給用戶提供更優(yōu)質的故障檢測方案以及故障維修建議等信息，由此解決機器故障問題，從而大幅度提升服務水平。

2 暖通空調系統(tǒng)設備管理自動化

2.1 基于智能設備的管理自動化

計算機對設備管理的實時檢測和分析，使計算機能夠根據設備的異常運行狀態(tài)或特性，對系統(tǒng)的故障概率和設備的故障檢測信息進行遠程分析和處理。未來，智能設備的管理將更加網絡化，這就需要進一步優(yōu)化的人機通信和多維數據處理能力，而能勝任這一工作的就是迅速發(fā)展的人工智能神經網絡技術?；谥悄茉O備的管理自動化系統(tǒng)也可優(yōu)化多個供應商環(huán)境中的不同設備應用的服務水平，使得系統(tǒng)的監(jiān)控以及管理能力可跨平臺及地區(qū)，真正地做到智能化和自動化。

2.2 基于計算機網絡的設備管理自動化

網絡設備信息化管理的關鍵技術是智能管理軟件、信息通信技術的開發(fā)與集成。它是一個能夠實時處理數萬個數據的大型系統(tǒng)，具有開放性和集成性，易于集成到不同的應用系統(tǒng)中，通過互聯(lián)網連接多個城市，并實現(xiàn)不同功能。這類型的系統(tǒng)除了有可靠的設備管理控制中心，也需具備雙機甚至多機的冷/熱備份冗余形式。一般在主控室常設置智能模擬屏幕以及投影儀，直觀地顯示實時數據。

通過利用人工智能的神經網絡遷移學習技術可以對設備更智能地進行故障方面的檢測，然后給用戶提供更優(yōu)質的對策和建議，應用于HVAC 系統(tǒng)中，將更有效地管理各種設備，有效提升工作效率的同時也能降低安全隱患。

3 暖通空調系統(tǒng)故障預測與設備管理系統(tǒng)優(yōu)化

3.1 基于模擬專家思維貝葉斯網絡的系統(tǒng)故障預測

本研究提出的方案，已有部分研究者進行過研究。趙陽等[5-6]認為專家能夠高效地診斷檢測信息，是因為專家積累了豐富的先驗知識，并能將這些先驗知識應用到傳統(tǒng)的模糊或者概率估計方法中去，推算故障信息。香港理工大學幾位研究者[7]使用貝葉斯網絡來模擬專家思維，提升了故障檢測的準確率，他們基于這個思路，分別建立了冷水機組故障檢測診斷貝葉斯網絡，變風量末端故障檢測診斷貝葉斯網絡以及空氣處理單元故障檢測診斷貝葉斯網絡。本研究所提的遷移學習方案，目的是融合更多的先驗知識開展故障檢測診斷研究。

3.2 借鑒全局性冗余信息的系統(tǒng)故障預測

楊文等人提出了一種基于能量平衡的HVAC 系統(tǒng)故障檢測方法，該方法利用暖通空調系統(tǒng)能量的傳遞和變換過程，建立起跨多個系統(tǒng)的傳感器數據關聯(lián)關系，將空氣處理環(huán)節(jié)、水處理環(huán)節(jié)以及配電系統(tǒng)的測量數據有效整合，充分利用全局性的冗余信息，進而能同時針對空調設備故障、傳感器故障以及涉及配電等跨系統(tǒng)傳播的故障進行檢測。

可見這些冗余信息雖然不能單獨使用，但是從系統(tǒng)全局性考慮，它卻給系統(tǒng)帶來了一定的增益。類似于遷移學習中的輔助任務一樣，它的加入可以使得系統(tǒng)整體性能的提升。再一次證明了基于遷移學習的HVAC 系統(tǒng)故障預測與維護的可行性。隨著技術瓶頸的突破，設備管理自動化也自然形成智能化管理體系。

4 結語

雖然技術的進步使得HVAC 系統(tǒng)故障預測與設備管理已經趨于智能化。但是，隨著社會的發(fā)展，對HVAC 系統(tǒng)的要求越來越高，系統(tǒng)也將越來越復雜，在故障預測和設備管理自動化方面還有一些問題需要解決，只有明確故障原因，加強故障診斷和檢測，才能進一步推動暖通空調系統(tǒng)的發(fā)展。