Novel transformer-based self-supervised learning methods for improved HVAC fault diagnosis performance with limited labeled data

计算机科学 暖通空调 机器学习 人工智能 监督学习 变压器 学习迁移 半监督学习 人工神经网络 数据挖掘 工程类 空调 机械工程 电气工程 电压
作者
Cheng Fan,Yutian Lei,Yongjun Sun,Like Mo
出处
期刊:Energy [Elsevier]
卷期号:278: 127972-127972 被引量:3
标识
DOI:10.1016/j.energy.2023.127972
摘要

Existing data-driven HVAC fault diagnosis methods mainly adopt supervised learning paradigms, making them less feasible/implementable for individual buildings with limited labeled data. Considering the demanding requirements of domain expertise and labor work associated in data labeling, advanced data analytics are urgently needed to utilize massive unlabeled operational data for reliable predictive modeling. Therefore, this study proposes a novel transformer-based self-supervised learning methodology for improved HVAC fault diagnosis performance using limited labeled data. Three self-supervised learning approaches are developed to extract knowledge from unlabeled operational data through self-prediction and contrastive learning tasks. A customized transformer-based neural network is designed to ensure the efficiency and effectiveness in tabular data analysis and knowledge transfer. Data experiments have been conducted using multiple HVAC datasets considering different data availabilities, self-supervised learning approaches and model architectures. The results validate the capabilities of self-supervised learning in developing reliable HVAC fault classification models. Compared with conventional supervised learning solutions, the methodology proposed not only substantially reduce the data labelling works required, but also improves the fault diagnosis performance by up to 8.44%. The research outcomes are valuable for upgrading predictive modeling protocols in the building field for developing easy-implementation and high-performance data-driven solutions with limited labeled data.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
谭平完成签到 ,获得积分10
4秒前
维维完成签到 ,获得积分10
7秒前
自然映梦完成签到,获得积分10
10秒前
moon完成签到 ,获得积分10
13秒前
wanci应助科研通管家采纳,获得10
20秒前
田様应助科研通管家采纳,获得10
20秒前
和平使命应助科研通管家采纳,获得10
20秒前
芷-完成签到 ,获得积分10
21秒前
握瑾怀瑜完成签到 ,获得积分0
42秒前
蛋妮完成签到 ,获得积分10
43秒前
酸奶球完成签到 ,获得积分10
51秒前
啦啦啦啦完成签到 ,获得积分10
52秒前
无花果应助yeurekar采纳,获得10
54秒前
睡觉王完成签到 ,获得积分10
58秒前
自然映梦发布了新的文献求助10
1分钟前
dominic12361完成签到 ,获得积分10
1分钟前
研友_08oa3n完成签到 ,获得积分10
1分钟前
Becky完成签到 ,获得积分10
1分钟前
居居侠完成签到 ,获得积分10
1分钟前
鸣隐完成签到,获得积分10
1分钟前
木光完成签到,获得积分20
1分钟前
kdjm688完成签到,获得积分10
1分钟前
蟹xie完成签到 ,获得积分10
1分钟前
淡然平蓝完成签到 ,获得积分10
1分钟前
高速旋转老沁完成签到 ,获得积分10
1分钟前
临风浩歌完成签到 ,获得积分10
1分钟前
hou完成签到 ,获得积分10
1分钟前
cc2713206完成签到,获得积分0
1分钟前
乃惜完成签到,获得积分10
1分钟前
背书强完成签到 ,获得积分10
2分钟前
松子的ee完成签到 ,获得积分10
2分钟前
golfgold完成签到,获得积分10
2分钟前
朽木完成签到 ,获得积分10
2分钟前
江三村完成签到 ,获得积分10
2分钟前
清脆的大开完成签到,获得积分10
2分钟前
花开四海完成签到 ,获得积分10
2分钟前
王春琰完成签到 ,获得积分10
2分钟前
Haha完成签到 ,获得积分10
2分钟前
小丸子完成签到 ,获得积分10
2分钟前
松山少林学武功完成签到 ,获得积分10
2分钟前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Gerard de Lairesse : an artist between stage and studio 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3081598
求助须知:如何正确求助?哪些是违规求助? 2734445
关于积分的说明 7532867
捐赠科研通 2383921
什么是DOI,文献DOI怎么找? 1264143
科研通“疑难数据库(出版商)”最低求助积分说明 612567
版权声明 597584