Joint UKF estimator for fault detection and isolation in Heating Ventilation and Air Conditioning systems
Notice bibliographique
Résumé
In this paper, we propose to use as an alternative to Extended Kalman Filter Estimator (EKFE), the joint version of Unscented Kalman Filter (UKF) Estimator (UKFE) to solve simultaneously the state and parameter estimation problems, suitable integrated in our proposed Fault Detection and Diagnosis (FDDI) strategy. This strategy is useful to monitor and to control the recent generation of high complexity Heating Ventilation Air Conditioning (HVAC) building systems under a wide variety of occupancy and load related operating conditions that represents one of the most difficult and challenging task. The main objective of this study is to develop a new approach of the fault detection, diagnosis and isolation (FDDI) automated techniques applied to the valve actuator failures in HVAC systems. Our approach is based on the Joint Unscented Kalman Filter (JUKF) as a suitable alternative to the Extended Kalman Filter Estimator (EKFE) due to its superiority compared to that. In UKF joint approach the state space dynamics is augmented by the dynamics of the faulty parameters to detect and isolate the faulty valve (stuck opened and stuck closed), and also to determine the fault severity. The simulations results reveal similar performance compared to EKFE, namely its accuracy and robustness to the changes in the system structure. The superiority of this approach is its capability to deal with the nonlinear dynamics of the system, compared to EKFE that is based on the linearization of the nonlinear dynamics computing Jacobean matrices. This algorithm is implemented in a simulation environment, and the fault diagnosis results could be evaluated for a several fault scenarios in terms of the injection fault, detection time, and its severity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».