Toward failure mode and effect analysis for heating, ventilation and air-conditioning
Notice bibliographique
Résumé
Fault Detection, Diagnostics and Prognostics (FDD&P) is attracting a lot of attention from building operators and researchers because it can help greatly improve the performance of building operations by reducing energy consumption for heating, ventilation and air-conditioning (HVAC) while improving occupant comfort at the same time. However, FDD&P for building operations remains with many challenges due to special operation environments of HVAC systems. These challenges include `tolerance or ignorance' of failures in long-haul operations, lack of operation regulations, and even lack of documents for HVAC failure mode and effect analysis (FMEA), which is a systematic method of identifying and preventing system, product and process problems. To address some of these challenges, we propose to develop a FMEA for HVAC by exploring work orders generated by building energy management systems (BEMS) using a data mining approach. With the developed HVAC FMEA, it is possible to conduct pre-FDD&P procedures to improve HVAC maintenance and to select the high impact failures in order to acquire the operation data for selected failures and develop machine learning-based predictive models to predict a failure before it occurs and isolate the root component of a given failure. In this paper we report some preliminary results in developing an HVAC FMEA tool from a large number of work orders obtained from a BEMS in routine operations. The developed HVAC FMEA will be used as a guidance tool for data gathering and developing data-driven models for building HVAC FDD&P.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».