供暖、通风和空调(HVAC)系统是建筑能源消耗的关键组成部分，很容易出现故障，从而降低其效率。传统的数据驱动的故障检测和诊断(FDD)模型通常具有有限的通用性，这使得它们在不同系统中的应用具有挑战性。

西安交通大学研究人员在《EnergyStorageandSaving》上发表的一项研究介绍了一种HVAC系统中FDD的新方法。这项研究利用改进的变压器模型和基于适配器的迁移学习来增强FDD模型在各种HVAC系统中的通用性。

该团队开发了一种带有编码器和两个解码器的增强型变压器模型，能够同时识别多种故障类型和严重程度。这项创新得到了基于适配器的迁移学习策略的补充，使模型能够有效地适应各种HVAC系统，即使数据有限。

与流行的微调方法相比，两个设计的迁移学习场景证明了所提出的HVACFDD迁移学习框架的有效性。

通过集成高效的迁移学习技术，该模型可以从一个综合数据集无缝迁移到可用数据较少的另一个数据集。这种方法显着增强了模型的多功能性，便于其应用于不同的系统，而无需进行大量的再训练或数据收集。

该研究的特约研究员李东表示：“利用变压器和基于适配器的迁移学习的力量，这项研究不仅推动我们更接近实现建筑节能，而且还提高了HVAC运行的安全性和可靠性。”

这项研究代表了HVAC系统维护的重要一步，引入了高度适应性的故障检测方法，确保系统以最高效率运行，同时降低能耗。

通过利用先进的迁移学习技术，它提供了可应用于各种HVAC系统的可扩展解决方案，有望在节能和系统可靠性方面带来广泛的好处。