面向HVAC系统故障检测的迁移学习
机器学习
2020-02-05 v1 机器学习
摘要
HVAC系统中的故障会降低建筑的热舒适性与能效，已受到研究界的显著关注，其中数据驱动方法日益流行。然而，标注数据（如正常与故障运行状态）的缺乏减缓了机器学习在HVAC系统中的应用。此外，对于任何特定建筑，在合理时间内观察到的故障数量可能不足以用于训练。为克服这些挑战，我们提出了一种针对新型贝叶斯分类器的迁移方法，该分类器用于区分正常运行与故障运行。其关键在于先在一栋拥有大量传感器与故障数据（例如通过仿真或标准测试数据）的建筑上训练该分类器，再利用新建筑少量的正常运行数据将分类器迁移至新建筑。我们展示了在气候不同的建筑结构相似建筑间迁移分类器的概念验证，并表明仅需少量样本即可维持分类精确率与召回率。
引用
@article{arxiv.2002.01060,
title = {Transfer Learning for HVAC System Fault Detection},
author = {Chase P. Dowling and Baosen Zhang},
journal= {arXiv preprint arXiv:2002.01060},
year = {2020}
}
备注
7 pages, 4 figures, accepted to American Control Conference 2020