Fault detection and diagnosis in light commercial buildings’ HVAC systems: A comprehensive framework, application, and performance evaluation
Notice bibliographique
Résumé
The data-driven approach currently dominates the field of Automatic Fault Detection and Diagnosis (AFDD) in HVAC systems. However, a significant concern lies in the prevalent use of labeled experimental and simulation data, which often does not represent real-world operational conditions. This study unveils a comprehensive framework for AFDD in light commercial buildings, effectively leveraging unlabeled raw data extracted directly from their Building BAS. Its main goal is to provide a versatile methodology tailored for real-world applicability. Buildings classified as “light commercial” typically have less than 2,500 square meters of floor area and no more than six stories, such as small offices, medical facilities, banks, small manufacturing facilities, etc. A common feature of these buildings is the fact that the HVAC systems tend to be relatively simple and have similar configurations, thus making it easy to develop scalable and reproducible fault detection methods. The study focuses on a practical case study in a light commercial building HVAC system situated in Montreal, Canada, encompassing a single Air Handling Unit (AHU) and four Variable Air Volume (VAV) reheating boxes to evaluate the framework. This comprehensive framework encompasses a sequence of sub-objectives: creating a sizable, synchronized raw dataset from diverse BAS sensor tags, comprehensive data cleansing to address inconsistencies, developing an anomaly detection method, investigating these anomalies to extract underlying rules, and finally, dataset labeling. An AFDD classification model is then applied to evaluate its ability to distinguish normal from faulty conditions across various fault types. The study highlights the potential of dimensional reduction techniques and unsupervised clustering for effective anomaly detection in light commercial buildings, as well as the power of the Decision Tree classifier for uncovering hidden patterns, especially in anomaly conditions. It also highlights the significance of addressing imbalanced datasets in AFDD and the complexities of detecting sizing-related faults. Despite these challenges, the framework exhibits robust performance in detecting and diagnosing a range of HVAC faults. It offers a systematic and adaptable approach for handling real-world operational data in light commercial building HVAC systems, extendible to other building types, bridging the gap between data-driven methods and practical applications.
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 ».