An Artificial-Intelligence-Based Predictive Maintenance Strategy Using Long Short-Term Memory Networks for Optimizing HVAC System Performance in Commercial Buildings

Manea Almatared

doi:10.3390/buildings15224129

An Artificial-Intelligence-Based Predictive Maintenance Strategy Using Long Short-Term Memory Networks for Optimizing HVAC System Performance in Commercial Buildings

10.3390/buildings15224129

2025-11-18

0

OA

PDF

AI

原文链接

查看原文

摘要

En 中文

本研究通过引入一个经过现场验证的预测性维护（PdM）框架，解决了暖通空调（HVAC）系统中可避免故障的持续存在和效率损失问题。该框架利用多年的楼宇管理系统（BMS）遥测数据估算部件级的剩余使用寿命（RUL），并将预测结果转化为具有计划意识的维护行动。研究目标在于确定是否采用一种结合了模式感知分割和等调校准的LSTM集成模型，能够产生具备决策质量的RUL预测，从而减少在大型利雅得办公建筑中的非计划停机、停机时间和电力消耗。研究中，两年的1分钟BMS数据来自冷水机组、一次泵和空调箱风扇，经过清洗、标准化并按运行模式进行分割；RUL标签源自带时间戳的工作订单和故障确认记录；LSTM模型使用Huber损失进行训练，校准至低分位数，并将预测结果转换为持续触发器，与固定间隔程序进行比较。在保留的测试集上，模型实现了加权平均绝对误差（MAE）为19.8 ± 2.1小时、均方根误差（RMSE）为29.1 ± 3.3小时，分位数校准误差（QCE）≤0.06，且在10天阈值下提前时间精度（LTA；校准低分位数RUL≥计划阈值的触发器占比）为0.79。在反事实评估中部署时，触发器将非计划停机减少了47.6%（配对自助法p = 0.008）、总停机时间减少了41.3%（p = 0.012），并实现了HVAC电力消耗降低10.6%（95%置信区间：7.7–13.2%）和总运营成本下降9.7%。结果表明，经校准的序列模型结合简单的持续触发器，能够将常规BMS数据转化为可靠的维护计划，并带来可量化的可靠性和节能效益。实际应用中，保守校准（分位数q约0.25）与10–12天的阈值提供了稳定的提前窗口；未来研究应通过迁移学习评估跨气候和设施类型的可移植性，并将不确定性感知触发与模型预测控制（MPC）集成，以实现联合的运行与维护优化。

An Artificial-Intelligence-Based Predictive Maintenance Strategy Using Long Short-Term Memory Networks for Optimizing HVAC System Performance in Commercial Buildings

摘要

AI总结

期刊

学者

机构

引用论文

被引论文