MétaCan
Menu
Retour à la cohorte
Enregistrement W4281746498 · doi:10.1177/01436244221097827

A holistic sequential fault detection and diagnostics framework for multiple zone variable air volume air handling unit systems

2022· article· en· W4281746498 sur OpenAlexafffund
Narges Torabi, William O’Brien, Ricardo Moromisato

Notice bibliographique

RevueBuilding Services Engineering Research and Technology · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueFault Detection and Control Systems
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFault detection and isolationVariable air volumeFalse positive paradoxReal-time computingFalse positives and false negativesReliability engineeringFault (geology)EngineeringComputer scienceArtificial intelligenceActuatorAirflow

Résumé

récupéré en direct d'OpenAlex

A holistic fault detection and diagnostics (FDD) method should explicitly consider the dependencies between faults at the system- and zone-level to isolate the root cause. A system-level fault can trigger false alarms at the zone-level, while concealing the presence of a zone-level fault. However, most FDD methods have focused on a single component/equipment without considering the importance of the interactions between zone- and system-level devices. This paper proposes a holistic hierarchical framework for FDD, combining the process of detection and diagnosis of controls hardware and sequencing logic faults affecting the actuators at the system- and zone-level. The proposed framework follows a holistic sequential procedure to diagnose faults and suppress false alarms in this order: hard faults in air handling units (AHUs), hard faults in variable air volume (VAV) zones, sequencing logic faults in AHUs, and sequencing logic faults in VAV zones. The detection of faults is performed by visualizing the discrepancies between the expected and measured operational behaviour of AHUs and VAV boxes. Examples demonstrating the framework are provided with data from 10 different VAV AHU systems. Practical application: This paper provides a sequential hierarchical FDD framework to address two main issues in VAV AHU systems: detectability and significance. Regarding detectability, the framework prioritizes hard faults over sequencing logic faults to avoid false positives and false negatives; about significance, system-level faults are prioritized over zone-level faults to triage high-impact faults in the system. The detection of faults is performed via visualizing the biases from the expected behaviour of AHU and VAV characteristics to provide an envisioning interpretation for the experts in facilities management in commercial buildings to find the root cause of the fault and fix them on-site.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,270
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBuilding Services Engineering Research and TechnologyMême sujetFault Detection and Control SystemsTravaux en français237 207