决策模型能诊断哪些HVAC故障？推理需求与跨场景鲁棒性评测

人工智能以多种形式支持建筑运营，每种形式都有自己的障碍。必须针对每个系统调整专家规则，监督模型需要建筑物很少记录的标记数据，并且语言模型返回需要人在循环检查的自由文本，因为它们声明的置信度不可靠。一种较新的预训练模型（此处称为决策模型）会返回每个允许答案的概率，因此一个模型无需训练即可服务于许多决策。这项研究回答了供暖、通风和空调系统故障诊断的三个悬而未决的问题：这样的模型可以做出哪些决策，它需要什么输入，以及当条件变化时它的概率是否成立。在来自真实设备的四个公共数据集的 128 个故障日中，根据诊断要求的推理，使用原始数据、物理特征或砖块拓扑对故障进行分级。决策模型 Jev、开放语言模型和监督模型面临九项改变季节、控制配置或建筑的测试。给定物理特征，Jev 和更大的开放模型诊断出一个特征所携带的证据的故障，但不是需要操作上下文的故障。在轮班期间，他们保持了准确性和校准，而监督模型损失了 0.33 宏观 F1，但仍领先或束缚在建筑物内。它们的概率仍然需要修正，而且检测能力很弱。该研究映射了决策模型可以诊断哪些故障以及从哪些输入中诊断出哪些故障，并支持代码计算物理原理和模型对操作员的候选故障进行排名的工作分工。