外墙是建筑围护结构的重要组成部分,其传热系数的现场检测是进行建筑物节能评估和节能改造工作的关键环节。本文将研究目标限定为严寒地区和寒冷地区建筑外墙,针对目前建筑外墙传热系数现场检测方法的不足,基于红外热像法的优势,探索研究利用机器学习算法建立一种便捷、无损的建筑外墙热阻现场检测方法,进而获得传热系数。首先,本文基于建筑非稳态导热反问题理论,提出了利用机器学习算法对外墙热阻进行系统辨识的方法。通过理论分析给出了外墙热阻辨识建模的技术路线,为建筑外墙热阻辨识系统的建立提供理论依据。同时,研究了变导热系数对外墙热阻值的影响。其次,建立了外墙传热的数值模型并对其进行了验证。通过调研,获取了寒区建筑外墙的典型或常见的构造形式。然后利用CFD方法对冬季外墙典型工况(室温恒定和变化)进行数值实验,得到了墙体的温度分布和变化规律。数值实验结果为外墙热阻辨识模型的建立提供了样本数据。再次,利用人工神经网络的方法建立了外墙红外图像温度数据的校准模型。本文以红外热像仪测得的温度数据和材料的发射率作为输入变量,热电偶测量的数据作为输出变量,分别选取BP(Back Propagation,反向传播)神经网络、RBF(Radial Basis Function,径向基)神经网络和MNLR(Multiple Nonlinear Regression,多元非线性回归)方法建立了红外热像法测温数据的修正模型并进行了误差对比。结果表明,RBF神经网络校准模型的修正精度最高。另外,编写了墙体表面有效区域温度数据的快速提取程序,通过该程序可以得到排除异物后的有效墙体温度信息,实现了校准后红外数据和有效区域图像的可视化。然后,利用机器学习算法建立了建筑外墙热阻辨识模型。通过对比分析确定,外墙热阻辨识模型的输入变量包括时间序列、室内平均温度、室外温度和墙体内、外表面平均温度等参数。本文将CFD模拟数据作为训练样本,分别采用了BP神经网络、RBF神经网络、GRNN(General Regression,广义回归)神经网络和PSO-SVM(基于粒子群参数优化的支持向量机)算法搭建建筑外墙热阻辨识模型。模型建立过程中首先考虑时间序列的总长度(检测周期)对辨识误差的影响,确定12小时为最佳时间序列。然后对四组模型样本集的预测能力和测试集的泛化能力进行比较,结果表明,PSO-SVM模型的泛化能力要明显优于其它三种方法,其准确率高达94.7%。并对PSO-SVM模型的抗噪性进行了检验。最后,采用实验室测试和现场测试两种方法验证了外墙热阻检测方法的可行性。两组实验室测试结果表明,PSO-SVM热阻辨识模型测得的墙体热阻值与理论值的相对误差平均值为2.6%,与传热系数检测仪的相对误差平均值为3.5%,且PSO-SVM检测值低于理论值,热阻辨识方法检测结果较为合理。五组现场测试结果表明:实验5的误差较大,其原因是红外热像仪拍摄角度过大。因此,本文对其进行重新修正,之后得到的五组实验相对误差平均值为7.1%。总的来说检验结果较好,验证了PSO-SVM模型测试外墙热阻的可行性。本文的研究成果对进行建筑外墙传热系数现场检测具有重要的理论意义和应用价值。