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 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 ».