面向HVAC异常检测的物理信息大语言模型：自主规则生成
人工智能
2025-10-21 v1 计算工程、金融与科学
摘要
供暖、通风和空调（HVAC）系统在全球建筑能源消耗中占据重要比例，确保其可靠的异常检测对于提高效率、减少排放至关重要。经典的基于规则的方法虽然具有可解释性，但缺乏适应性；而深度学习方法虽具预测能力，但牺牲了透明度、效率和物理可信度。近期尝试使用大语言模型（LLM）进行异常检测虽提升了可解释性，但大体上忽视了支配HVAC运行的物理原理。我们提出的PILLOWM框架运用物理信息驱动的大语言模型，在进化式循环中自动生成、评估和细化异常检测规则。该方法引入物理信息反思和交叉算子，嵌入热力学和控制理论约束，使生成的规则既具适应性又具物理基础。在公开的Building Fault Detection数据集上进行实验表明，PILLOWM实现了最新性能，同时生成可解释且可操作的诊断规则，推动了智能建筑系统中可信且可部署的人工智能。
引用
@article{arxiv.2510.17146,
title = {Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation},
author = {Subin Lin and Chuanbo Hua},
journal= {arXiv preprint arXiv:2510.17146},
year = {2025}
}
备注
NeurIPS 2025 Workshop of UrbanAI (Oral)