类型a
研究作者与发表信息
本研究的主要作者包括Victor Martinez-Viol、Eva M. Urbano、Jose E. Torres Rangel、Miguel Delgado-Prieto和Luis Romeral，他们均来自西班牙加泰罗尼亚理工大学（Universitat Politècnica de Catalunya）电子工程系的MCIA研究中心。该研究于2022年9月2日发表在《Applied Sciences》期刊上，文章标题为“Semi-Supervised Transfer Learning Methodology for Fault Detection and Diagnosis in Air-Handling Units”（用于空气处理单元故障检测与诊断的半监督迁移学习方法）。
学术背景
本研究属于建筑能源管理与暖通空调（HVAC, Heating, Ventilation, and Air-Conditioning）系统领域的故障检测与诊断（FDD, Fault Detection and Diagnosis）方向。随着全球能源需求的快速增长，建筑能耗占据了总能源消耗的30%，其中暖通空调系统是建筑中最大的能源消费者，约占建筑总能耗的40%。为了提高能效并降低维护成本，可靠的FDD方案至关重要。然而，数据驱动的FDD方法通常依赖于大量具有代表性的训练数据，这在实际应用中往往难以获得。此外，由于建筑和HVAC系统的定制化特性，不同系统之间的运行条件差异较大，导致传统迁移学习方法在HVAC领域面临挑战。因此，本研究旨在开发一种基于域差异分析的迁移学习方法，以解决高域偏移问题，并实现对空气处理单元（AHU, Air Handling Unit）故障的有效检测与诊断。
研究流程
本研究的工作流程包括四个主要步骤：参考模型构建、目标数据收集与标注、域差异过滤以及迁移学习模型微调。
参考模型构建
参考模型使用源域数据集进行训练，该数据集来自ASHRAE RP-1312项目，包含一个真实世界的AHU故障运行数据集。数据预处理阶段包括特征缩放（采用Min-Max归一化方法）和去除未占用时间段的样本。为了应对类别不平衡问题，研究采用了NearMiss算法对健康类样本进行欠采样。随后，使用一个简单的三层神经网络（每层分别包含150、100和50个神经元，激活函数为ReLU）训练分类器，共训练100个周期。
目标数据收集与标注
目标域数据集来自Lawrence Berkeley国家实验室的FlexLab设施，包含单区域VAV-AHU实验数据。数据清洗阶段包括缺失值填补、异常值去除和特征缩放等操作。部分样本由维护团队通过实验或历史记录标注。
域差异过滤
本研究提出了一种新颖的域差异过滤方法，用于筛选目标域中的相似样本。具体而言，参考模型被用作筛选器，根据预测概率设置阈值（50%-75%），剔除与源域样本差异较大的目标域样本。这一过程通过Algorithm 1实现，最终筛选出234个样本用于后续训练。
迁移学习模型微调
在目标域数据集上，使用SMOTE算法对故障类样本进行过采样以平衡数据分布。随后，将筛选后的目标域样本与源域样本结合，使用参数迁移学习方法对模型进行微调。微调阶段共训练300个周期，最终生成目标域适用的FDD模型。
主要结果
1. 参考模型性能
在源域数据集上，参考模型的全局分类准确率达到99%，验证了其对源域故障的良好表征能力。然而，直接将参考模型应用于目标域时，其性能显著下降，分类准确率仅为55%，表明两域之间存在显著差异。
域差异过滤效果
对比不同样本选择方法的结果显示，本研究提出的域差异过滤方法显著优于其他不确定性采样技术（如熵采样和边界采样）。例如，在目标域测试数据集上，本方法的F1分数达到0.92，而其他方法的F1分数大多低于0.80。
迁移学习模型性能
使用域差异过滤后的目标域样本对模型进行微调后，目标域分类准确率显著提升，F1分数从0.29提高到0.92。特别是对于F1类故障（室外空气挡板卡死），误分类率从30%降低到约5%。此外，模型对F2类（加热盘管阀泄漏）和F3类（冷却盘管阀卡死）故障的诊断准确率也较高，分别为92%和93%。
研究结论与意义
本研究成功开发了一种适用于HVAC系统的迁移学习方法，解决了高域偏移问题。通过引入域差异过滤机制，该方法能够有效筛选目标域中的相似样本，避免负迁移现象的发生，从而显著提高模型的泛化能力和诊断准确性。研究成果不仅为HVAC系统的故障检测与诊断提供了新的解决方案，还为其他领域（如工业设备监测和智能建筑管理）的迁移学习应用提供了重要参考。
研究亮点
1. 创新性方法：提出了一种基于域差异分析的迁移学习方法，突破了传统方法对高相似性假设的限制。
2. 高效性：仅需少量目标域样本即可实现模型的高效迁移，降低了数据采集和标注的成本。
3. 鲁棒性：通过域差异过滤机制，确保了模型对目标域数据的适应性和诊断准确性。
其他有价值内容
本研究还比较了多种现有的迁移学习方法（如DANN、Subspace Alignment、Feature Augmentation等），发现这些方法在高域偏移条件下表现不佳，进一步凸显了本研究方法的优势。此外，研究指出未来可结合在线增量学习技术，以应对新故障类别的加入和已有知识遗忘的问题。