冷水机组故障诊断模型

0.9841 F1 分数

针对变工况下冷水机组故障检测与诊断的可解释深度学习模型，兼顾准确性与透明性，关键参数解释与专家知识一致。

Hong, Wang · 颜文婧 · Yajuan, Zhang · Jianqiang, Yu · Wensheng, Gao · Bowen, Zhou · 刘义

Building and Environment 2025

参数信息

平均F1分数

0.9841

运行工况数量

27

故障类型数

7

技术优势

诊断精度高

模型在包含27种运行工况的ASHRAE RP-1043数据集上平均F1分数达到0.9841，表明其在不同工况下均有稳定且优异的故障诊断性能。

可解释性强

通过逐层相关性传播的相关性得分和多头自注意力机制的重构注意力值，模型能够提供可追溯的解释，关键参数与专家知识一致。

适应多工况

模型在包含27种不同运行工况的基准数据集上进行验证，展现了在变工况条件下的泛化能力。

应用场景

• 暖通空调系统运维：用于冷水机组在线故障检测，减少停机时间，降低能耗成本。
• 工业设备故障诊断：提供可解释的多类故障诊断，帮助运维人员信任并采纳模型决策。
• 智能建筑管理：集成至建筑管理系统，实现透明化的故障检测与诊断，支持智能运维。