Synthetic Fouling Image Data Generation for Heat Exchanger Predictive Maintenance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Regular maintenance of heating, ventilation, and air conditioning (HVAC) systems is vital for building sustainability and energy efficiency, as neglect can lead to performance degradation, increased energy consumption, and reduced equipment lifespan. Fouling, the accumulation of unwanted material on surfaces, is a significant issue in HVAC heat exchangers, leading to efficiency losses and increased operational costs. While preventive maintenance is commonly employed, predictive maintenance offers a more effective approach, particularly when detecting fouling that requires visual data. However, the rarity of anomalies in such data complicates the training of deep learning models. This paper introduces an approach for synthetic fouling data generation for predictive maintenance designed to simulate fouling on a heat exchanger in a cooling tower. A synthetic image dataset is generated with two distinct types: continuous growth scenarios for training purposes and scheduled maintenance scenarios for evaluating model performance. Resulting in a collection of 4,260 images over a 60-day period. The effectiveness of the dataset is validated through experiments where a U-Net model is trained for semantic segmentation in fouling detection, achieving an average F1 score of 0.8595 across the test scenarios. These results confirm that the synthetic dataset is effective for training convolutional neural networks for fouling detection, laying the groundwork for integrating such models into a broader predictive maintenance strategy for cooling towers.
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.
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 découle