选择节能软件架构来构建系统诊断支持

全球能源支出的约 30% 可归因于建筑行业，其中很大一部分能源消耗可以通过修复现有故障来避免。故障检测和诊断（FDD）软件解决了这个问题；然而，它的创建和运营也会对环境产生影响。这种影响的大小受到诊断架构的影响，因为不同的架构和方法具有不同的能源需求。然而，仅仅考虑软件本身消耗的能源不足以评估其整体环境影响，因为诊断性能（例如检测到的故障数量或遗漏的故障数量）也会影响其生态足迹。在本文中，我们提出了一种能源消耗模型，该模型直接考虑FDD性能和诊断软件的能源消耗。在初步实验中，我们使用从先前文献中收集的性能和能耗值进行模拟，比较了几种 FDD 架构系列，即基于规则、基于模型、经典机器学习和基于大语言模型。结果表明，考虑 FDD 的计算能量和精度可以改变不同方法的相对优势。计算高效的机器学习方法（例如随机森林）可以为较小的建筑物提供最大的净节省，而资源密集型方法（例如微调大语言模型）则随着建筑物规模的增加而变得有利。我们的研究结果表明，整体能源效率不仅取决于 FDD 软件的计算需求，还取决于其诊断性能和建筑规模。