A proactive fault detection and diagnostics method for zone-level auto-commissioning in VAV AHUs
Notice bibliographique
Résumé
Fault detection and diagnostics (FDD) in HVAC systems is critical for maintaining optimal indoor environmental quality and ensuring energy efficiency. Undetected faults in HVAC components can lead to increased energy consumption, occupant discomfort, and higher maintenance costs. Traditional FDD requires symptoms to appear during the normal operation of a building, which may require waiting for a considerable amount of time until enough evidence is naturally collected for the correct diagnosis. To address this challenge, the paper presents an automated commissioning approach for detecting zone-level faults in variable air volume (VAV) systems served by an air handling unit (AHU). The proposed method consists of four on-demand automated tests designed to isolate specific faults, including airflow faults, heating faults, and cooling and heating mode control errors. Each test involves an actuation step, where a setpoint value is adjusted or a data point is overwritten in the building automation system (BAS), followed by a waiting period and a fault condition check. The method was applied to an academic office building in Ottawa, Canada, where it successfully identified five naturally occurring zone-level faults across different test categories in a total of 11 zones. These findings demonstrate the potential of this automated commissioning approach for early fault detection in HVAC systems. As a next step, this method will be expanded to detect system-level faults, while future work should also explore the development of automated fault correction sequences.
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 ».