研究评估决策模型诊断HVAC故障的边界与鲁棒性
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对HVAC故障诊断，研究评估了预训练决策模型Jev、开源大模型及监督模型的表现。在4个真实设备数据集的128个故障日中测试发现：输入物理特征时，Jev与较大开源模型能诊断单特征证据故障，但无法处理需运行上下文的故障。面对季节、配置或建筑变化，Jev与开源模型保持准确率与校准度，监督模型宏观F1下降0.33但在建筑内领先或持平。决策模型概率仍需校正且检测能力较弱，研究建议由代码计算物理而模型排序候选故障。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载AI模型在建筑运维的局限
AI辅助建筑运维存在多种障碍：专家规则需针对各系统调优，监督模型依赖建筑极少记录的标注数据，大语言模型返回自由文本需人工介入核验，因其置信度不可靠。预训练决策模型作为较新方案，能为所有允许答案返回概率，从而单模型可服务多种决策而无需训练。本研究旨在回答决策模型在暖通空调故障诊断中的三个问题：能做何种决策、需何种输入、条件变化时概率是否稳健。
故障诊断能力与输入依赖
研究在四个真实设备公开数据集的128个故障日上展开，按诊断所需推理对故障分级，并分别输入原始数据、物理特征及Brick拓扑。结果表明，给定物理特征时，决策模型Jev与较大开源语言模型能诊断由单一特征携带证据的故障，却无法诊断需要运行上下文的故障。这说明决策模型当前处理复杂上下文关联故障的能力受限，其诊断表现高度依赖输入特征的物理表达形式。
分布偏移下的鲁棒性对比
在九项改变季节、控制配置或建筑的测试中，Jev与较大开源模型在分布偏移下保持了准确率与校准度。相比之下，监督模型宏观F1下降了0.33，但在单一建筑内部仍领先或持平。然而，决策模型并非完美，其输出的概率仍需校正，且故障检测能力较弱。基于此，研究提出一种分工方案：由代码负责计算物理，由决策模型为操作员排序候选故障，以发挥各自优势。
为什么值得看
明确决策模型在HVAC故障诊断中的能力边界与输入需求，为AI与物理计算分工提供实证依据。
大模型开源模型数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。