Статья "A Review of Data-Driven Approaches and Techniques for Fault Detection and Diagnosis in HVAC Systems" представляет нам обширный обзор методов и техник, которые используют данные для обнаружения неисправностей в системах отопления, вентиляции и кондиционирования воздуха (HVAC).
В «Обзоре основанных на данных подходов и методов обнаружения и диагностики неисправностей в системах ОВК» Ива Матетич и его коллеги (2022 г.) сообщили, что без значительного повышения эффективности технологии охлаждения потребление энергии во всем мире для охлаждения зданий может возрасти до 40% к 2030 году. Тепловые насосы, которые считаются частью систем отопления, вентиляции и кондиционирования воздуха, являются самой быстрорастущей технологией отопления. Они предлагают новый способ классификации подходов FDD (Системы обнаружения и диагностики отказов), потому что существующая метдология либо запутана, либо не имеет систематической декомпозиции.
Оптимизация энергоэффективности систем отопления, вентиляции и кондиционирования воздуха представляет собой сложную задачу, которую исследователи и инженеры во всем мире пытаются решить.
Отчеты показывают, что здания связаны с 2,9 Гт общих выбросов CO2 по сравнению с электричеством.(13,5 Гт), промышленности (8,5 Гт), транспорта (7,2 Гт) и других предприятий (1,9 Гт). Без оптимизации энергоэффективности систем отопления, вентиляции и кондиционирования воздуха зданий приведёт к увеличению потребления электроэнергии к 2030 году на 40 % . Выбросы CO2 от категории зданий должны быть сокращены на 40% в период с 2020 по 2030 год за счет отказа от использования котлов, работающих на ископаемом топливе, и модернизации существующего фонда зданий для повышения энергоэффективности. Кроме того, организация МЭА в дальнейшем планирует реализовать здания с нулевым выбросом углерода, которые являются энергоэффективными за счет использования возобновляемых источников энергии или источника энергии, который будет уменьшен к 2050 году в соответствии с планом чистого нулевого выброса.
В этом обзорном документе рассматриваются последние передовые исследования в области решений FDD HVAC .Он основан на 77 репрезентативных, высококачественных статьях, которые были тщательно отобраны и тщательно проверены в рамках процесса систематического обзора литературы.Подходы к HVAC FDD были представлены с новой точки зрения, предлагая новую классификацию, которая включает:
• подход к обнаружению знаний,
• подход, основанный на физике,
• подход, основанный на данных,
и • гибридный подход,
который сочетает в себе методы из разных контекстов с упором на методы, основанные на данных.
Затем каждый подход подробно объясняется и анализируется в свете выбранной литературы, в которой он рассматривается.
Основное внимание уделяется подходу, управляемому данными, который включает в себя модели и методы предварительной обработки данных, обычно используемые в этой области. Для этого подхода как типы алгоритмов обучения (с учителем, без учителя и полу учителем), так и более подробно представлены частные случаи этих алгоритмов, используемые в литературе. Все систематизации и классификации подкреплены соответствующими таблицами, в которых содержится наиболее важная информация о рецензируемой работе.
Во второй части статьи, мы сосредоточились на современных методах FDD на основе данных для систем HVAC.
Сначала мы объясняем основные проблемы систем HVAC, а затем предлагаем и аргументировать рабочий процесс для выбора подходящего подхода FDD на основе доступных ресурсов данных и намеченной цели.
Мы считаем, что такой рабочий процесс вместе с упомянутым выше обзором литературы может помочь исследователям быстрее сосредоточиться на правильном способе решения своей проблемы.
Это особенно актуально для исследователей и разработчиков решений, которые только начинают изучать область, которая в этом случае может показаться довольно запутанной и очень широкой на первый взгляд. Окончательно, предлагается другой рабочий процесс для более подробной поддержки разработки систем FDD .- начиная с имеющегося набора данных и заканчивая выбором правильных методов и приемов моделирования.
Мы вывели это эвристическое руководство на основе большого количества исследованных решений и предложений из литературы. Он предназначен для всех исследователей HVAC, которые хотят быстро ориентироваться в мире технологий, основанных на данных . Действительно, мы считаем, что эта эвристика может помочь принимать быстрые, но актуальные решения, касающиеся предварительной обработки данных и моделирования FDD-решений. Некоторые замечания для будущих исследований можно резюмировать следующим образом.:
• Прежде чем выбирать подход и модель, необходимо знать предысторию потенциальных проблем систем HVAC . К ним относятся: сложность систем, управление и сбор высококачественных данных о здании и самой системе, а также доступ к высококачественным сенсорным измерениям.
• Нехватка помеченных наборов данных в этой области все еще остается нерешенной проблемой, которую исследователям необходимо расставить по приоритетам.• Важно разработать модель, которую можно было бы передавать и интерпретировать.
• Решения FDD недостаточно реализованы в коммерческих зданиях, поскольку они могут быть дорогостоящими и ресурсоёмкий.
Поэтому важно сделать методы более эффективными, поскольку они используют потоковые данные временных рядов.
•Недостаточно исследований, касающихся ошибок в определении серьезности износа компонентов и обслуживании системы в течение определенного периода времени.
• Некоторые подкатегории HVAC еще недостаточно изучены, например, подсистемы FCU . Хотя выбор признаков является важным шагом в разработке модели, методы регуляризации требуют большего внимания и реализации в будущей работе.
В заключение,мы надеемся, что эта статья побудит исследователей и разработчиков решений улучшить методы FDD ,так что они могут широко использоваться в реальных системах HVAC. Это откроет возможности для лучшего управления энергопотреблением, выведет внедрение «умных» комнат и «умных» зданий на более высокий уровень и, в конечном итоге, приведет к более чистой окружающей среде. В данном контексте,наши планы состоят в разработке решения FDD для подсистем FCU и решении проблем, упомянутых выше. Мы также предоставляем дополнительную электронную таблицу ( таблица S1 ), которая содержит всю необходимую информацию о связанной работе, которую мы использовали в процессе SLR. Соответствующий документ систематизирует отобранные статьи в соответствии с предложенной здесь классификацией.
Oбобщенное сравнение описанных моделей машинного обучения в области FDD для систем HVAC. В то время как первые пять перечисленных моделей относятся к обучению с учителем, последние две относятся к обучению без учителя. Для ясности все аббревиатуры приведены в списке сокращений.
Если вам интересны аналитика, интеллектуальные системы и обсуждение актуальных тем, присоединяйтесь к нашему каналу : https://t.me/Analyze_this_WITH_ME. Здесь вы найдете множество полезных материалов, исследований и советов по применению интеллектуальных систем для управления и анализа данных в различных отраслях. Мы рады видеть вас среди наших подписчиков!
🚀💥 Рады анонсировать наш БЕСПЛАТНЫЙ курс "Алгоритмы анализа данных для оптимизации систем вентиляции и теплоэнергетики" 💥🚀 📘 Вас ждут следующие темы:
Основы алгоритмов анализа данных и их применение в системах вентиляции и теплоэнергетики.
Методы анализа данных для оценки энергоэффективности и снижения потребления энергии.
Алгоритмы оптимизации параметров и настройки вентиляционных систем.
Применение машинного обучения для прогнозирования нагрузки и управления теплоэнергетическими системами.
Автоматизация и интеграция систем управления вентиляцией и теплоэнергетическими системами с использованием IoT. 👥
Курс создан для инженеров, специалистов по вентиляции и теплоэнергетике, менеджеров проектов, студентов и преподавателей технических специальностей.
Вместе с нами вы получите доступ к эксклюзивным материалам, вебинарам и онлайн-мероприятиям с ведущими экспертами в области алгоритмов анализа данных для вентиляции и теплоэнергетических систем! ✨ Не упустите уникальную возможность присоединиться к нашему БЕСПЛАТНОМУ курсу и начать применять алгоритмы анализа данных для оптимизации ваших систем уже сегодня! Познайте мощь знаний и откройте новые горизонты для своего профессионального роста! ✨ #курс #алгоритмы #анализданных #вентиляция #бесплатно
#Установкиобработкивоздуха #деревьярешений #Обнаружениенеисправности #Управлениеданными #Машинноеобучение #Сверточныенейронныесети #Анализглавныхкомпонентов #Генеративно-состязательнаясеть #Случайныелеса #Анализправилассоциации #Рекуррентныенейронныесети #Генеративно-состязательнаясетьВассерштейна #Фанкойлы #Глубокоеобучение #Искусственнаянейроннаясеть #долгаякратковременнаяпамять