HVAC 系统故障检测的无监督学习：一种基于 OPTICS 的末端空气处理机组方法

人工智能分类技术的兴起为智能建筑系统中的数据驱动故障检测与诊断 (FDD) 开启了新纪元。尽管大量研究推崇有监督 FDD 方法，但无监督方法在实际应用仍然有限。其中，聚类分析在建筑管理系统 (BMS) 数据方面展现出巨大潜力。本研究引入了一种无监督学习策略，用于检测末端空气处理机组及其相关系统的故障。该方法包括使用主成分分析 (PCA) 对历史传感器数据进行预处理以简化维度，随后进行 OPTICS 聚类，并与 k-means 进行对比。我们使用多个描绘各种故障场景的标记数据集以及真实世界的建筑 BMS 数据评估了所提策略的有效性。结果表明，OPTICS 在各季节的准确率上始终优于 k-means。值得注意的是，OPTICS 为用户提供了一种独特的可视化功能，称为可达距离，允许在设定阈值之前预览检测到的簇。此外，结果表明，虽然 PCA 有利于降低计算成本并增强去噪效果，从而总体上提高可达距离中簇区分的清晰度，但它也有其局限性，特别是在复杂故障场景中。在这种情况下，PCA 的降维可能导致关键信息丢失，导致某些簇变得难以辨别或完全未被检测到。这些被忽视的簇可能指示潜在故障，其在复杂数据集中识别潜在故障线时的不可见性代表了 PCA 的一个显著局限。