决策模型能诊断哪些 HVAC 故障？推理需求、物理表征与分布偏移下的鲁棒性

人工智能以多种形式支持建筑运行，但每种形式都有其自身的障碍。专家规则必须针对每个系统进行调整，监督学习模型需要建筑中很少记录的标注数据，而语言模型输出的是自由文本，由于其自报的置信度不可靠，需要人工参与核查。一类较新的预训练模型，在本文中称为决策模型，会为每个允许的答案返回一个概率，因此单个模型无需训练即可用于多种决策。本研究回答了供暖、通风与空调系统故障诊断中的三个开放问题：此类模型能够做出哪些决策、需要什么输入，以及当条件变化时，其概率是否仍然可靠。研究采用四个真实设备公开数据集中的 128 个故障日，按照诊断所需的推理程度对故障分级，并分别以原始数据、物理特征或附带 Brick 拓扑的形式提供数据。决策模型 Jev、开放语言模型和一个监督学习模型接受了九项测试，测试涉及季节、控制配置或建筑的变化。在提供物理特征时，Jev 和较大的开放模型能够诊断由单个特征承载证据的故障，但无法诊断需要运行情境信息的故障。在分布偏移下，它们保持了准确性和校准表现，而监督学习模型的宏平均 F1 下降了 0.33，但在同一建筑内仍领先或并列领先。它们的概率仍需校正，且故障检测能力较弱。本研究明确了决策模型能够诊断哪些故障，以及需要何种输入，并支持这样一种分工：由代码完成物理计算，由模型对候选故障排序，供操作人员参考。