Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation

一、文章主要内容总结

本文针对暖通空调（HVAC）系统异常检测的核心需求，提出了一种融合物理知识的大型语言模型框架（PILLM）。HVAC系统作为建筑能耗的主要来源（占全球建筑能耗40%、温室气体排放1/3），其异常检测需同时满足可解释性、适应性和物理合理性，但传统基于规则的方法缺乏适应性、深度学习方法存在黑箱问题且忽视物理原理、现有LLM-based方法未充分融入领域物理约束。

PILLM框架基于进化循环机制，通过物理知情反射（PIR）和物理知情交叉（PIC）两大核心组件，将热力学与控制理论等物理约束嵌入规则生成过程，自动完成异常检测规则的生成、评估与优化。该框架以可执行的Python代码形式输出规则，兼具可解释性与物理合理性。在LBNL建筑自动故障检测公开数据集上的实验表明，PILLM实现了当前最优性能（F₁分数0.926），显著优于传统方法（如AutoRegression）、深度学习方法（如AnomalyTransformer）及其他LLM-based方法（如ARGOS、LLMAD），且消融实验验证了PIR和PIC组件对性能的关键作用。

二、文章创新点

1. 框架创新：提出PILLM这一融合LLM与进化搜索的新型框架，首次将建筑物理知识与运行语义明确融入异常检测规则的自动生成过程，解决了传统方法适应性不足、深度学习方法缺乏透明度、现有LLM方法物理接地性差的痛点。
2. 机制创新：设计物理知情反射（PIR）和物理知情交叉（PIC）机制。PIR通过分析规则与物理特征语义的对齐度生成结构化反馈，PIC基于物理语境智能融合父代规则，避免无意义的规则杂