Un ensemble de données étiqueté pour la construction de systèmes CVC fonctionnant en cas de défaut et de défaut

Données scientifiques volume 10, Numéro d'article : 342 (2023) Citer cet article

287 accès

Détails des métriques

Les données ouvertes alimentent l'innovation dans de nombreux domaines. Dans le domaine de la science du bâtiment, les ensembles de données pouvant être utilisés pour éclairer le développement d'applications opérationnelles - par exemple de nouveaux algorithmes de contrôle et de nouvelles méthodes d'analyse des performances - sont extrêmement difficiles à trouver. Cet article résume le développement et le contenu du plus grand ensemble de données public connu sur les opérations des systèmes de construction dans des états défectueux et sans défaut. Il couvre les systèmes et configurations CVC les plus courants dans les bâtiments commerciaux, dans une gamme de climats, de types de défauts et de gravités de défauts. Les points de série chronologique contenus dans l'ensemble de données comprennent des mesures couramment rencontrées dans les bâtiments existants ainsi que d'autres moins typiques. Des outils de simulation, des installations d'essai expérimentales et des opérations sur le terrain in situ ont été utilisés pour générer les données. Pour informer les algorithmes plus gourmands en données, la plupart des données simulées couvrent une année de fonctionnement pour chaque combinaison de gravité de panne. L'ensemble de données est une extension significative de celui publié pour la première fois par les auteurs principaux en 2020.

La détection et le diagnostic des défauts (FDD) est un domaine d'étude bien établi dans les applications de la science et de la technologie du bâtiment. Cela est largement dû à l'impact significatif des pannes d'équipement et des problèmes de contrôle sur la consommation d'énergie et les émissions du bâtiment, la durée de vie de l'équipement et le confort des occupants. La construction de systèmes CVC en particulier offre un riche espace d'opportunités pour le développement d'algorithmes FDD, compte tenu de la multiplicité des configurations de système, des opérations complexes et de la disponibilité des données surveillées. En outre, la récente poussée pour décarboner les bâtiments et le secteur de l'électricité accroît l'importance des bâtiments efficaces interactifs avec le réseau qui peuvent fournir de manière fiable des services de flexibilité de charge au réseau alimenté par des énergies renouvelables. Il est donc encore plus essentiel de s'assurer que les systèmes CVC des bâtiments sont contrôlables et sans défaut, ce qui motive davantage le développement et le déploiement de la technologie FDD.

Dans les bâtiments, les outils logiciels FDD utilisent les données opérationnelles collectées à partir des systèmes d'automatisation des bâtiments, des capteurs et des compteurs, pour détecter automatiquement les problèmes d'équipement et de contrôle, ou la dégradation des performances dans un système CVC, et pour diagnostiquer les causes profondes potentielles1. En utilisant les résultats des technologies FDD, les exploitants de bâtiments peuvent diriger efficacement les activités de maintenance pour remédier aux inefficacités ou aux dysfonctionnements de l'équipement et du contrôle.

Au cours des trente dernières années, une abondante documentation a été publiée sur le développement et l'application de solutions FDD pour les bâtiments. La recherche active couvre un large éventail de sujets, notamment : (1) le développement et la validation de centaines de méthodes FDD2,3,4 ; (2) le développement de plates-formes expérimentales ou d'outils logiciels de simulation pour générer des modèles incluant les défauts5,6,7, et le développement d'ensembles de données incluant les défauts8,9,10 ; (3) la quantification de la prévalence et des taux d'occurrence des défauts dans les bâtiments11,12,13 ; (4) analyse de l'impact des défaillances sur le fonctionnement du système14,15, la consommation d'énergie16,17, les coûts d'entretien et de fonctionnement des équipements18,19, le confort thermique des occupants15,20,21 et la qualité de l'air intérieur22 ; (5) Application de la technologie FDD, coûts et avantages, dans les bâtiments existants1,23 ; (6) Méthodologies de test des performances de l'algorithme FDD24,25 ; et (7) la correction automatisée des pannes26,27 et les activités de maintenance28 après que les pannes ont été diagnostiquées et signalées par les outils FDD.

Bien que les systèmes de contrôle et d'automatisation des bâtiments soient capables de stocker et d'exporter de grands volumes de données opérationnelles, ces données sont souvent sujettes à des problèmes de qualité des données, notamment des capteurs erronés et des lacunes. Les conventions de dénomination cohérentes ne sont pas utilisées d'un système à l'autre, et les métadonnées sémantiques pour interpréter le sens et les relations entre les données sont rarement utilisées. Une autre complication est que les données reflètent la présence inconnue et non étiquetée d'une grande variété de défauts courants. Enfin, alors que de petites collections de données de terrain peuvent être acquises par les chercheurs, il est extrêmement difficile d'accumuler un ensemble de données à grande échelle qui représente le climat, le système CVC et la diversité opérationnelle. Cela présente d'énormes obstacles à l'innovation dans le développement d'algorithmes FDD et à l'évaluation des performances.

Élargissant le corpus de travaux axés sur les méthodes de test des algorithmes FDD et les ensembles de données de test, cet article documente une expansion significative de l'ensemble de données sur les défauts HVAC présenté dans9. L'extension comprend cinq nouveaux systèmes et configurations CVC, un nombre accru de cas de panne et des périodes de temps plus étendues pour chaque combinaison d'intensité de panne (atteignant dans la plupart des cas 365 jours complets). Les données ont été produites à l'aide d'outils de simulation, d'installations expérimentales en laboratoire et d'essais sur le terrain. De plus, un modèle sémantique pour chaque système a été développé selon le schéma Brick29 pour une facilité d'utilisation et une conformité améliorées avec le schéma de métadonnées de l'industrie du bâtiment couramment utilisé aujourd'hui.

L'ensemble de données étendu documenté dans cet article comprend sept systèmes CVC courants : le système d'unité de traitement d'air (AHU) à conduit unique, l'unité de toit emballée (RTU), le système AHU à double conduit, le système de ventilo-convecteur (FCU), l'air variable unité de puissance du ventilateur volumétrique (FPU), la chaufferie et la centrale de refroidissement. 257 cas de défauts sont représentés, couvrant les défauts liés au capteur, les défauts liés à l'actionneur, les défauts de contrôle (par exemple, les réglages des paramètres PID du contrôleur) et les défauts de composants (par exemple, le défaut de déjouage de la bobine de refroidissement). Au total, cet ensemble de données comprend 8 milliards d'échantillons de données et représente les plus grandes données vérifiées sur le terrain connues pour les défauts HVAC. Comme indiqué dans la publication 20209, les chercheurs et développeurs FDD peuvent utiliser les données pour :

Développer, évaluer et comparer les performances des algorithmes FDD ;

Identifier les écarts de performance pour concentrer les futurs efforts de développement et les investissements dans les ressources ;

Développer une compréhension de la façon dont la technologie FDD s'améliore au fil du temps ; et

Permettre une meilleure compréhension des performances du système CVC dans des conditions de fonctionnement défectueuses et sans défaut à des fins éducatives.

Des travaux antérieurs tels que les projets de recherche ASHRAE RP-1312 et RP-1043 et le projet 10D243 du National Institute of Standards and Technology (NIST) représentent les premières contributions des données opérationnelles sur les défauts de CVC. Cette recherche fait progresser ces premiers efforts en augmentant le nombre et le type de systèmes CVC qui sont représentés, en augmentant la durée de la période de fonctionnement sans panne et avec panne (un an dans la plupart des cas) et en augmentant le nombre et le type de pannes qui sont représentée. Cela augmentera considérablement la facilité d'utilisation de l'ensemble de données pour le développement d'algorithmes FDD et l'évaluation des performances.

L'ensemble de données nouvellement étendu contient des données expérimentales et simulées sur les sept types et configurations de systèmes CVC qui sont représentés - la majorité étant simulée. Diverses installations et outils de simulation ont été utilisés pour créer les données, et des méthodes pour imposer les défauts ont été créées pour chaque défaut, compte tenu du système CVC spécifique ciblé, des séquences de contrôle qui définissent son fonctionnement. Ces installations et outils, les détails du système CVC et les méthodes de panne sont décrits ci-dessous, tout comme le schéma de métadonnées qui a été appliqué aux données. La fourniture des métadonnées facilite l'interprétation des données et aide les utilisateurs de l'ensemble de données qui souhaitent utiliser des procédures plus automatisées pour interfacer les instances d'algorithme FDD avec les données.

Les jeux de données simulés ont été créés à l'aide de HVACSIM+ et d'une co-simulation EnergyPlus-Modelica. HVACSIM+ a été développé par le US NIST30, la Modelica Buildings Library31 est développée par le Lawrence Berkeley National Laboratory, et EnergyPlus32 est développé par plusieurs contributeurs grâce au financement du US Department of Energy. Décrits par rapport à d'autres outils de modélisation dans33, HVACSIM+, Modelica et EnergyPlus sont des outils non propriétaires permettant de modéliser le comportement des systèmes CVC des bâtiments à l'aide d'approches basées sur la physique. De plus, la bibliothèque de climatisation de Modelon a été utilisée pour modéliser les défauts côté réfrigérant dans le système RTU34. Cette bibliothèque fournit des modèles de cycles de réfrigération prêts à l'emploi et une large gamme de composants pour créer une variété de configurations de systèmes de climatisation.

Quatre installations de recherche expérimentale ont été utilisées pour créer des données et développer et valider des modèles de simulation :

FLEXLAB situé au Lawrence Berkeley National Laboratory à Berkeley, en Californie, pour la génération de l'ensemble de données CAV à zone unique et de l'ensemble de données AHU à volume d'air variable (VAV)9.

La plate-forme de recherche flexible (FRP) située au laboratoire national d'Oak Ridge à Oak Ridge Tennessee, pour la génération d'ensembles de données RTU9.

L'installation de la station de ressources énergétiques était auparavant située au Iowa Energy Center à Ames City, Iowa, pour le développement et la validation des modèles de simulation DD-AHU, FCU et FPU, et pour la création de données VAV AHU multizones35.

L'installation RTU est située dans l'installation de technologie thermique (TTF) du National Renewable Energy Laboratory à Golden, Colorado, pour la validation du modèle de simulation RTU. Le TTL de NREL est un laboratoire polyvalent flexible qui permet une évaluation et un développement détaillés des systèmes de construction et d'énergie thermique. L'espace de recherche TTF atteint 11 000 pieds carrés. Deux RTU - un 5 tonnes / SEER 17 (RTU 1) et un 6 tonnes / IEER 23 (RTU 2) sont installés dans le TTL pour développer des cartes de performances complètes pouvant être utilisées avec des programmes informatiques de simulation énergétique de l'ensemble du bâtiment. Le SEER 17 contenait un compresseur scroll à deux étages avec R-410A, un ventilateur de condenseur à une vitesse, un ventilateur d'air d'alimentation variable à entraînement direct avec un moteur à haut rendement, des registres à faible fuite, un contrôle de l'humidité de réchauffage des gaz chauds et un économiseur. L'IEER 23 contenait un compresseur à entraînement direct à vitesse variable, des ventilateurs à vitesse variable et une logique de commande qui maintenait le compresseur et le détendeur thermique (TXV) dans leurs limites de performance36.

Les données de terrain représentant le fonctionnement défectueux et non défectueux de l'unité de toit sont également incluses dans l'ensemble de données. Ces données ont été recueillies auprès de deux RTU, l'une dans un bâtiment de restaurant à Milford, CT et l'autre dans un bâtiment de centre de distribution à Colchester, CT. Le tableau 1 résume ces sites et les RTU.

Les configurations et les séquences de chaque système de l'ensemble de données sont documentées de manière exhaustive pour les utilisateurs des données dans un fichier d'inventaire. Ces informations sont souvent nécessaires pour spécifier des paramètres spécifiques aux commandes dans les algorithmes de détection et de diagnostic des pannes. Pour illustrer la forme et le contenu de ces informations, deux exemples sont présentés - le système de ventilo-convecteur et la chaufferie.

La figure 1 contient la représentation schématique du système de ventilo-convecteur (FCU).

Schéma de principe du FCU.

Le FCU est programmé pour un fonctionnement automatique en fonction de l'heure de la journée pour le mode occupé et inoccupé.

Mode occupé (du lundi au vendredi de 6h00 à 17h59)

Pendant ces heures, le système est en mode de fonctionnement. Cinq séquences de contrôle - contrôle, contrôle de volet d'air extérieur, contrôle de vanne de serpentin de refroidissement, séquence de contrôle de vanne de serpentin de chauffage et points de consigne de température de zone - ont été définis pendant la simulation.

Contrôle du ventilateur

Ventilateur à 3 vitesses avec mode "Marche/Arrêt automatique" (Auto) : la marche/arrêt du ventilateur et le changement de vitesse sont basés sur la sortie PID de refroidissement et la sortie PID de chauffage. La bande morte de 10% est donnée à chaque niveau de basculement de vitesse.

Condition de basse vitesse : les sorties PID (la position de la vanne de la batterie de refroidissement/chauffage) sont supérieures à 0 % et inférieures à 40 % ;

Condition de vitesse moyenne : les sorties PID (la position de la vanne de la batterie de refroidissement/chauffage) sont > = 40 % et < 80 % ;

Condition de vitesse élevée : les sorties PID (la position de la vanne de la batterie de refroidissement/chauffage) sont > = 80 % et < 100 % ;

Éteint : pas de demande de chauffage ou de refroidissement.

Commande de registre OA

Le registre OA maintient une position minimale du registre à 30 %.

Séquence de commande de la vanne de la batterie de refroidissement

Le contrôle PID est utilisé pour ajuster la position de la vanne du serpentin de refroidissement. La bande morte du point de consigne est de 1 °F. Si la température ambiante réelle est au-delà de 1 °F du point de consigne de refroidissement, le FCU est en mode "refroidissement", et la boucle PID de la vanne de la bobine de refroidissement est activée et la position de la vanne de refroidissement sera contrôlée par la sortie PID du contrôleur de la vanne de la bobine de refroidissement . Lorsque la température ambiante tombe en dessous de 1 °F par rapport au point de consigne de refroidissement, le PID de refroidissement est désactivé et la vanne complètement fermée.

Séquence de commande des vannes de la batterie de chauffage

Le contrôle PID est utilisé pour ajuster la position de la vanne de la batterie de chauffage. La bande morte du point de consigne est de 1 °F. Si la température ambiante réelle est au-delà de 1 °F du point de consigne de chauffage, le FCU est en mode "chauffage", et la boucle PID de la vanne de la bobine de chauffage est activée et la position de la vanne de chauffage sera contrôlée par la sortie PID du contrôleur de la vanne de la bobine de chauffage . Lorsque la température ambiante descend en dessous de 1 °F par rapport au point de consigne de chauffage, le PID de chauffage est désactivé et la vanne complètement fermée.

Consignes de température de zone

Point de consigne de refroidissement de zone : 72 °F ;

Point de consigne de chauffage de zone : 68 °F.

Mode d'arrêt

Le mode d'arrêt n'est déclenché que par la protection basse température décrite ci-dessous. En mode d'arrêt, le ventilateur est constamment éteint et le registre OA est complètement fermé.

Protection contre les basses températures

Pendant la simulation, lorsque la température de l'air mélangé est inférieure à 35 °F et persiste pendant 300 secondes, le système FCU passe en mode d'arrêt pour éviter le gel de la batterie. Le mode d'arrêt durera jusqu'à la fin de la journée. Le système sera remis en fonctionnement normal au début de la journée suivante.

Mode inoccupé

Pendant ces heures, le système est en mode veille. Le fonctionnement est similaire au mode de fonctionnement à l'exception de deux réglages supplémentaires comme :

Registre d'air extérieur : Le registre OA est complètement fermé

Consignes de température de zone

Point de consigne de refroidissement de zone : 85 °F ;

Point de consigne de chauffage de zone : 55 °F.

La figure 2 illustre la configuration du système de chaudière. Ce système comporte deux chaudières identiques et deux pompes à eau chaude et fournit de l'eau chaude aux serpentins de chauffage du système côté air.

Schéma du système de chaufferie étudié.

Le système de la chaufferie est contrôlé par deux contrôleurs de supervision et deux contrôleurs locaux (tableau 2). Un contrôleur de supervision détermine le nombre de chaudières en fonctionnement à l'aide d'une machine d'état et la charge calorifique calculée, comme illustré à la Fig. 3. La charge calorifique est calculée à partir de :

où \({\mathop{v}\limits^{^\circ }}_{hw}\) est le débit volumétrique de l'eau chaude, \({T}_{hw}^{ent}\) et \({T}_{hw}^{lea}\) sont la température de l'eau chaude entrant et sortant du système de chaudière, respectivement. L'autre contrôleur de supervision détermine le nombre de pompes à eau chaude en fonctionnement, comme illustré à la Fig. 4.

Commande étagée des chaudières (ξ = 0,95 et temps d'attente : 30 min).

Commande étagée des pompes à eau chaude de l'installation de la chaudière (temps d'attente : 30 min).

Les tableaux 3 à 10 résument les profils de défaut et comment chaque défaut a été imposé pour chacun des systèmes et des scénarios de défaut. Pour les ensembles de données simulées, chaque type et intensité de défaut ont été imposés pour une année civile complète de fonctionnement - l'exception étant l'ensemble de données RTU simulé qui couvrait une saison de refroidissement de 100 jours. Pour les ensembles de données expérimentales et d'essais sur le terrain, les combinaisons type de défaut-intensité ont été capturées pendant un à 183 jours de fonctionnement.

L'ensemble de données RTU qui a été acquis à partir de mesures sur le terrain reflétait un défaut naturel d'étagement du compresseur et un défaut de sous-charge du réfrigérant.

Le schéma Brick29 propose des classes et des sous-classes, dont la classe d'équipement a été utilisée pour désigner les composants du système HVAC représentés dans le jeu de données de défaut. De même, la sous-classe de points a été utilisée pour concevoir les points de données du système de mesure et de contrôle des capteurs. De plus, le schéma propose des « relations », parmi lesquelles hasPart, hasPoint et les flux, sont pertinentes pour décrire l'ensemble de données d'erreur. La figure 5 illustre le processus en 5 étapes qui a été utilisé pour générer les modèles Brick pour chaque système HVAC dans l'ensemble de données. Parmi elles, l'étape 4 est automatisée tandis que les autres étapes sont réalisées manuellement.

Déroulement du développement du modèle Brick Schema.

Les représentations schématiques de chaque système ont été examinées pour identifier les principaux composants du système global, afin de développer des relations de composition ("hasPart"). Pour chaque composant majeur, nous identifions l'ensemble des capteurs/points de contrôle associés pour développer des relations "hasPoint". Enfin, nous identifions l'ordre dans lequel les fluides donnés (air, eau, etc.) traversent le système pour développer des relations séquentielles ("alimentations") entre les différents équipements.

Après avoir identifié les composants et les capteurs/points de contrôle du système à l'étape 1, nous indiquons quel équipement a quels composants ("hasPart"), quel équipement ou composant a quel capteur et quels points de données de contrôle ("hasPoint"), et quel équipement alimente dans un autre équipement ("alimente").

Tous les équipements, composants et points de données de capteur/contrôle dans le diagramme hiérarchique sont mappés à une classe de schéma Brick et tabulés. L'équipement et les sous-composants sont mappés à une sous-classe de la classe "équipement" Brick (par exemple, refroidisseur, AHU et RTU) et les capteurs et les points de contrôle se verront attribuer une sous-classe de type Brick "point".

Pour chaque ligne (c'est-à-dire chaque composant), nous désignons les relations pertinentes, les autres composants auxquels elle est connectée et ces composants. De cette façon, nous sommes en mesure d'incorporer tous les composants, leurs types et leur relation avec d'autres composants.

Les tables générées à l'étape 3 sont exportées sous forme de fichiers CSV et importées dans un script Python qui génère un modèle Brick sous la forme d'un fichier .ttl lisible par machine. Le script parcourt chaque ligne de la table, affectant tous les composants et points à une instanciation spécifique d'une classe Brick et aux relations correspondantes. Le fichier .ttl est accessible par un algorithme FDD (ou d'autres applications), permettant une récupération plus efficace et standardisée des métadonnées du système à l'aide de requêtes SPARQL. Cela rationalise l'interprétation de la sémantique des données dans le FDD ou d'autres applications.

Le modèle Brick généré est vérifié en le visualisant et en le comparant au diagramme hiérarchique de l'étape 2. Nous avons utilisé Brick Studio pour la visualisation et nous nous sommes assurés que tous les composants des ensembles de données étaient présents et que les relations entre eux étaient correctement étiquetées.

Les données sont stockées sur figshare37 et sur un site Internet LBNL10. La description des sept ensembles de données étendus se trouve dans le tableau 11. Pour chaque système, les données FDD sont stockées dans des fichiers CSV (valeurs séparées par des virgules) individuels, et chaque fichier contient un type de défaut sous une intensité de défaut. Les données sont stockées à un intervalle d'une minute pour refléter les opérations du système. Le taux d'intervalle d'une minute peut être rééchantillonné à un intervalle de 5 minutes et à un intervalle de 15 minutes, qui sont également couramment utilisés dans le système d'automatisation de bâtiment (BAS) existant. Les horodatages se trouvent dans la première colonne de chaque fichier et sont présentés au format "aaaammjj hh:mm".

Chaque ensemble de données système est accompagné d'un modèle Brick .ttl ainsi que d'un fichier « d'inventaire » de données qui décrit les informations clés nécessaires pour comprendre le contenu et la portée de chaque ensemble de données, notamment :

Un aperçu de l'ensemble de données, qui l'a créé et s'il a été généré par simulation ou expérience physique

Informations sur le bâtiment et le système

Description de l'installation modèle ou expérimentale

Type de système et diagramme de configuration physique

Séquences de contrôle

Diagramme de modèle de schéma de brique

Points de données

L'unité de chaque mesure

Les points de données de base utilisés par les BAS existants sont étiquetés

Scénarios d'entrée pour les conditions avec et sans défaut représentées dans les données

Type de défaut

Intensités de défaut

Méthode d'imposition de fautes

Granderson et al.9 ont documenté que la validité de l'ensemble de données peut être évaluée selon trois dimensions : (1) la précision des capteurs et de l'infrastructure de mesure dans les installations expérimentales qui ont été utilisées ; (2) la précision des modèles de simulation qui ont été utilisés ; et (3) l'exactitude des étiquettes de vérité terrain qui indiquent la présence et la gravité des défauts, la présence ou l'absence de défauts et leur gravité9.

Grandson et al. décrit le processus d'étalonnage des mesures dans les installations de FLEXLAB, FRP et Iowa Energy Center9.

Grandson et al. ont décrit la validation du modèle de simulation pour les modèles EnergyPlus-Modelica9, et Granderson et al. et Wen et al. décrire la validation du modèle des modèles HVACSIM +9,35. Ces publications décrivent une multitude de méthodes, notamment la validation empirique, l'étalonnage expérimental, les tests comparatifs (par rapport à d'autres outils) et la vérification analytique (par rapport aux solutions exactes).

Par souci de brièveté, le lecteur est renvoyé à ces publications antérieures pour des détails sur la mesure de l'installation et la précision du modèle de simulation.

Granderson et al.9 décrivent un processus de validation de vérité terrain qui applique des tests fonctionnels et une logique d'ingénierie9. Les tests fonctionnels vérifient que le fonctionnement du système est cohérent avec les séquences de contrôle conçues et reflète un comportement opérationnel sans défaut. La logique d'ingénierie et la séquence de contrôle spécifiée sont combinées pour confirmer que les tendances des données reflètent bien les comportements des scénarios sans défaut et avec défaut.

La figure 6 fournit quelques exemples pour le système de ventilo-convecteur. Tout d'abord, les tendances des données sont inspectées pour confirmer que le système fonctionne conformément au programme défini d'heures occupées correspondant à 6h00-17h59, et aux points de consigne définis spécifiés dans la séquence (comme indiqué dans la section Configurations du système et séquences de contrôle). ). Ceci est vérifié dans le profil des tendances de la consigne de refroidissement et de la consigne de chauffage, qui modulent respectivement de 30 °C à 22 °C, et de 10 °C à 20 °C, et retour aux horodatages de 6 h et 17 h 59. Ensuite, les tendances des données sont inspectées pour vérifier que les paramètres PID modélisés pour le contrôleur de vanne de refroidissement sont configurés pour produire des signaux de commande appropriés. Ceci est confirmé par une tendance régulière et l'absence d'oscillations significatives dans le signal tracé pour la commande de la vanne de la bobine de refroidissement. Enfin, l'inspection de la tendance de la température de la zone confirme que l'objectif de contrôle, soit une consigne de refroidissement de 72 °F, a été maintenu tout au long de la période d'occupation.

Exemple de données opérationnelles sans défaut du FCU (17 juillet).

Suite à la vérification de l'état de fonctionnement sans défaut, des tests complémentaires ont été réalisés pour chacun des scénarios en défaut. Ces tests ont examiné (a) si la condition de panne imposée était correctement reflétée dans les données, et (b) si les symptômes anticipés de la panne étaient reflétés dans d'autres tendances opérationnelles.

La figure 7 illustre ces deux types de tests pour le défaut du système FCU - polarisation du capteur de température d'air de zone de +2 °C (3,6 °F). La condition biaisée est confirmée en comparant le décalage de 2 ° C entre la tendance des données du point de sortie du modèle défectueux "usurpé" (ligne continue) et le point de sortie inchangé (ligne pointillée). Ceci est clairement perceptible et annoté dans la partie droite de l'intrigue. Les symptômes de ce biais sont observés en comparant la position de la vanne du serpentin de refroidissement dans le cas défectueux (la ligne continue noire) à celle du cas non défectueux (ligne noire en pointillés). La position dans le cas défectueux est significativement plus élevée parce que le contrôleur tentait de fournir une quantité accrue de refroidissement proportionnelle à la lecture erronée de la température de l'air de la zone.

Exemple de défaut FCU présentant des données opérationnelles (biais du capteur de température d'air de zone +2 °C (3,6 °F), 17 juillet).

La figure 8 illustre un autre défaut du système FCU - vanne de la batterie de refroidissement bloquée à 20 %, imposée pendant la saison de refroidissement. Ici, la condition défectueuse est confirmée en observant que le signal de position de vanne (ligne continue noire) est fixé à 0,2, tandis que le signal de commande de vanne (ligne pointillée noire) est ajusté. Le symptôme de ce défaut est que la température de la zone (ligne continue violette) a dépassé de manière significative le point de consigne de refroidissement de 72 °F pendant les heures d'occupation, même si le signal de commande de la vanne de la bobine de refroidissement (ligne pointillée noire) a atteint une valeur de 1 (c'est-à-dire 100 % position) dans la tentative du contrôleur de fournir un refroidissement maximal.

Exemple de défaut de FCU présentant des données opérationnelles (défaut de vanne de serpentin de refroidissement bloqué à la position 20 %, 17 juillet).

Des étapes de tests de vérification similaires ont été effectuées pour chaque type de défaut à chaque niveau d'intensité dans des ensembles de données expérimentales et des ensembles de données de simulation. Pour les ensembles de données simulées couvrant une année complète d'exploitation, un échantillon d'au moins trois jours a été sélectionné pour l'inspection de chacune des trois saisons d'exploitation - été/saison de refroidissement, hiver/saison de chauffage et une saison de transition/oscillation. Cet échantillonnage a permis de valider les données et les comportements défaillants du système dans différentes conditions météorologiques et modes de fonctionnement38.

Un inventaire complet des données a été développé pour aider les utilisateurs à interpréter le contenu et la forme des données, ainsi que les systèmes, contrôles et défauts CVC correspondants. Les données elles-mêmes comprennent des séries chronologiques qui peuvent être analysées avec tous les outils logiciels que l'utilisateur choisit de mettre en œuvre. Les données sont fournies à des intervalles d'une minute et peuvent être rééchantillonnées si nécessaire pour répondre aux besoins d'applications spécifiques.

La Modelica Buildings Library et EnergyPlus sont disponibles gratuitement en téléchargement39,40. EnergyPlus fonctionne sur les systèmes d'exploitation Windows, Mac OSX et Linux. Un ordinateur Windows ou Linux et un solveur Dymola sont nécessaires pour exécuter Modelica, et Dymola peut être sous licence auprès de Modelica Buildings Library. HVACSIM + est également disponible gratuitement, sur demande auprès du NIST, et n'a aucune exigence de système d'exploitation. La bibliothèque de climatisation Modelon qui a été utilisée pour modéliser les défauts du côté réfrigérant RTU a été accessible à partir de la suite de bibliothèques Modelon34. La bibliothèque basée sur Modelica est utilisée pour concevoir, analyser et optimiser les systèmes de climatisation.

Un script personnalisé basé sur Python a été développé pour créer des fichiers .ttl de modèle Brick pour chaque système de l'ensemble de données, en suivant le processus décrit dans la méthode de développement du modèle de schéma Brick. Les fichiers .ttl sont inclus dans le référentiel de données.

Lin, G., Kramer, H., Nibler, V., Crowe, E. & Granderson, J. Développement du déploiement d'outils d'analyse à grande échelle : avantages, coûts et pratiques de déploiement. Énergies. 15(13), 4858, https://doi.org/10.3390/en15134858 (2022).

Article Google Scholar

Katipamula, S. & Brambley, Méthodes MR pour la détection des défauts, les diagnostics et les pronostics pour les systèmes de construction - Une revue, partie I. Recherche HVAC&R. 11(1), 3–25, https://doi.org/10.1080/10789669.2005.10391123 (2005).

Article Google Scholar

Katipamula, S. & Brambley, Méthodes MR pour la détection des défauts, les diagnostics et les pronostics pour les systèmes de construction - Un examen, partie II. Recherche CVC&R. 11(2), 169–187, https://doi.org/10.1080/10789669.2005.10391133 (2005).

Article Google Scholar

Kim, W. & Katipamula, S. Un examen des méthodes de détection et de diagnostic des défauts pour les systèmes de construction. Science et technologie pour l'environnement bâti. 24(1), 3–21, https://doi.org/10.1080/23744731.2017.1318008 (2018).

Article Google Scholar

Li, Y. & O'Neill, Z. Un examen critique de la modélisation des défauts des systèmes CVC dans les bâtiments. Construire Simul. 11(5), 953–975, https://doi.org/10.1007/s12273-018-0458-4 (2018).

Article Google Scholar

Pourarian, S. et al. Un outil d'évaluation des méthodes de détection et de diagnostic des défauts pour les ventilo-convecteurs. Énergie et Bâtiments. 136, 151-160 (2017).

Article Google Scholar

Zhang, R. & Hong, T. Modélisation des défauts de fonctionnement HVAC dans la simulation des performances des bâtiments. Énergie appliquée. 202, 178-188, https://doi.org/10.1016/j.apenergy.2017.05.153 (2017).

Article Google Scholar

Comstock, M., Braun, J. Développement d'outils d'analyse pour l'évaluation de la détection et du diagnostic des défauts dans les refroidisseurs, projet de recherche ASHRAE RP-1043. Laboratoire Ray W. Herrick Université Purdue; (1999).

Granderson, J., Lin, G., Harding, A., Im, P. & Chen, Y. Construire des données de détection de défauts pour faciliter la création d'algorithmes de diagnostic et les tests de performances. Données scientifiques. 7(1), 65, https://doi.org/10.1038/s41597-020-0398-6 (2020).

Article PubMed PubMed Central Google Scholar

Granderson, J., Lin, G., Chen, Y., Casillas, A. Ensembles de données de détection et de diagnostic des défauts LBNL. Initiative sur les données énergétiques ouvertes du DOE (OEDI) ; Laboratoire national Lawrence Berkeley. (LBNL), Berkeley, Californie (États-Unis) ; https://data.openei.org/submissions/5763, https://faultdetection.lbl.gov/, https://doi.org/10.25984/1881324 (2022).

Comstock, MC, Braun, JE & Groll, EA Une enquête sur les défauts courants des refroidisseurs. Transactions ASHRAE. 108, 819 (2002).

Google Scholar

Crowe, E. et al. Ce que nous avons appris en analysant 15 millions de lignes de données sur les défauts de CVC des bâtiments commerciaux. Dans : Étude d'été 2022 sur l'efficacité énergétique dans les bâtiments. (2022).

Kim, J. et al. Défis et orientations de la recherche dans la prévalence des défauts de CVC. Science et technologie pour l'environnement bâti. 27(5), 624–640, https://doi.org/10.1080/23744731.2021.1898243 (2021).

Article Google Scholar

Chen, Y., Lin, G., Chen, Z., Wen, J. & Granderson, J. Une évaluation basée sur la simulation des effets de défaut des ventilo-convecteurs. Énergie et Bâtiments. 263, 112041, https://doi.org/10.1016/j.enbuild.2022.112041 (2022).

Article Google Scholar

Li, Y. & O'Neill, Z. Un cadre d'analyse d'impact de défaut innovant pour améliorer les opérations de construction. Énergie et Bâtiments. 199, 311–331 (2019).

Article Google Scholar

Roth, K., Westphalen, D., Llana, P., Feng, M. L'impact énergétique des défauts dans les bâtiments commerciaux américains. Dans : Conférence internationale sur le froid et la climatisation. Université Purdue; 2004.

Wang, S. & Xiao, F. Diagnostic de défaut de capteur AHU à l'aide de la méthode d'analyse des composants principaux. Énergie et Bâtiments. 36(2), 147–160, https://doi.org/10.1016/j.enbuild.2003.10.002 (2004).

Article Google Scholar

Breuker, MS & Braun, JE Défauts courants et leurs impacts pour les climatiseurs de toit. Recherche CVC&R. 4(3), 303–318, https://doi.org/10.1080/10789669.1998.10391406 (1998).

Article Google Scholar

Salah, M., Osman, H. & Hosny, O. Planification de la maintenance centrée sur la fiabilité basée sur les performances pour les installations hospitalières. Journal de la performance des installations construites. 32(1), 04017113, https://doi.org/10.1061/(ASCE)CF.1943-5509.0001112 (2018).

Article Google Scholar

Gunay, B. et al. Avantages en termes de performances énergétiques et de confort de la détection précoce des défauts des capteurs et des actionneurs du bâtiment. Recherche et technologie en ingénierie des services du bâtiment. 39(6), 652–666 (2018).

Article MathSciNet Google Scholar

Chen, Y., Chen, Z., Lin, G., Wen, J., Granderson, J. Une méthode basée sur la simulation pour analyser les impacts des défauts des ventilo-convecteurs. Dans : Transactions ASHRAE. Vol 128. ASHRAE; 210. https://www.ashrae.org/technical-resources/ashrae-transactions (2023).

Ginestet, S., Marchio, D. & Morisot, O. Évaluation des impacts des défauts sur la consommation d'énergie et la qualité de l'air intérieur d'une centrale de traitement d'air. Énergie et Bâtiments. 40(1), 51–57, https://doi.org/10.1016/j.enbuild.2007.01.012 (2008).

Article Google Scholar

Granderson, J., GR et al. Outils commerciaux de détection et de diagnostic des pannes : ce qu'ils offrent, en quoi ils diffèrent et ce qui est encore nécessaire. Lawrence Berkeley National Lab. (LBNL), Berkeley, Californie (États-Unis) ; 2018. https://escholarship.org/uc/item/4j72k57p Consulté le 23 novembre (2021).

Frank, S. et al. Un cadre d'évaluation des performances pour la construction d'algorithmes de détection et de diagnostic de pannes. Énergie et Bâtiments. 192, 84–92, https://doi.org/10.1016/j.enbuild.2019.03.024 (2019).

Article Google Scholar

Yuill, DP & Braun, JE Évaluation des performances des protocoles de détection et de diagnostic des défauts appliqués aux équipements de climatisation unitaires refroidis par air. Recherche CVC&R. 19(7), 882–891, https://doi.org/10.1080/10789669.2013.808135 (2013).

Article Google Scholar

Lin, G., Pritoni, M., Chen, Y. & Granderson, J. Développement et mise en œuvre d'algorithmes de correction de défauts dans les outils de détection et de diagnostic des défauts. Énergies. 13(10), 2598, https://doi.org/10.3390/en13102598 (2020).

Article Google Scholar

Pritoni, M. et al. De la détection des défauts à la correction automatisée des défauts : une étude de terrain. Bâtiment et Environnement. 214, 108900, https://doi.org/10.1016/j.buildenv.2022.108900 (2022).

Article Google Scholar

Eskandari, N. & Noorzai, E. Offrir une solution préventive aux défauts du système d'installations de bâtiments commerciaux à l'aide du BIM. Installations. 39(13/14), 859–887, https://doi.org/10.1108/F-04-2020-0037 (2021).

Article Google Scholar

Balaji, B. et al. Brique : schéma de métadonnées pour les applications portables de construction intelligente. Énergie appliquée. 226, 1273-1292, https://doi.org/10.1016/j.apenergy.2018.02.091 (2018).

Article Google Scholar

Clark, DR, mai WB HVACSIM+ Programme de simulation des systèmes et équipements du bâtiment - Guide de l'utilisateur. Bureau national des normes, Division de l'équipement du bâtiment ; 1985. https://www.osti.gov/biblio/6127383 Consulté le 20 novembre (2021).

Wetter, M., Zuo, W., Nouidui, TS & Pang, X. Bibliothèque Modelica Buildings. Journal de simulation de performance de bâtiment . 7(4), 253–270, https://doi.org/10.1080/19401493.2013.765506 (2014).

Article Google Scholar

Crawley, DB et al. EnergyPlus : création d'un programme de simulation énergétique des bâtiments de nouvelle génération. Énergie et Bâtiments. 33(4), 319–331, https://doi.org/10.1016/S0378-7788(00)00114-6 (2001).

Article Google Scholar

Pourarian, S., Kearsley, A., Wen, J. & Pertzborn, A. Optimisation efficace et robuste pour la simulation énergétique des bâtiments. Énergie et Bâtiments. 122, 53–62, https://doi.org/10.1016/j.enbuild.2016.04.019 (2016).

Article PubMed PubMed Central Google Scholar

Modelon. Bibliothèque de climatisation. Modelon. Publié en 2020. https://modelon.com/library/air-conditioning-library/Consulté le 31 octobre (2022).

Wen, J., Pourarian, S., Yang, X., Li, X. NIST 10D243 Outils d'évaluation des méthodes de détection et de diagnostic des défauts pour les systèmes secondaires CVC d'un bâtiment Net Zero. L'Institut national des normes et de la technologie des États-Unis ; 2015. https://www.researchgate.net/profile/Jin-Wen-12/publication/337946061_NIST10D243_FinalReport_-Tools_for_Evaluating_Fault_Detection_and_Diagnostic_Methods_for_HVAC_Secondary_Systems_of_a_Net_Zero_Building/links/5df73f11299 bf10bc35f1163/NIST10D243-FinalReport-Tools-for-Evaluating-Fault-Detection-and-Diagnostic-Methods- for-HVAC-Secondary-Systems-of-a-Net-Zero-Building.pdf Consulté le 25 janvier (2021).

Wheeler, G., Kozubal, E., Judkoff, R. Conception expérimentale et caractérisation en laboratoire d'une unité de toit à rendement moyen et élevé à utiliser dans les simulations énergétiques des bâtiments. Conférence internationale sur le froid et la climatisation. https://docs.lib.purdue.edu/iracc/2057 Publié en ligne le 1er janvier (2018).

Granderson, J. LBNL Ensembles de données FDD. figshare https://doi.org/10.6084/m9.figshare.c.6486349.v1 (2023).

Casillas, A., Lin, G., Granderson, J. Conservation d'ensembles de données d'analyse comparative validés sur le terrain pour les outils de diagnostic de détection de défauts. Dans : Étude d'été 2020 de l'ACEEE sur l'efficacité énergétique dans les bâtiments. ; 2020. https://escholarship.org/uc/item/9cz491j6 Consulté le 20 novembre (2021).

Laboratoire national Lawrence Berkeley. Bibliothèque des bâtiments Modelica. Publié le 6 décembre 2022. https://simulationresearch.lbl.gov/modelica.html Consulté le 1er janvier (2023).

Département de l'énergie, US EnergyPlus. Publié en 2022. https://energyplus.net/ Consulté le 1er janvier 2023.

Télécharger les références

Ce travail a été soutenu par le Secrétaire adjoint pour l'efficacité énergétique et les énergies renouvelables, Bureau des technologies du bâtiment, du Département américain de l'énergie sous le contrat n° DE-AC02-05CH11231. Les auteurs souhaitent remercier Ravi Gorthala, Université de New Haven, pour sa contribution des données de terrain RTU in situ à l'ensemble de données. Nous tenons à remercier le Dr Sungkyun Jung, Oak Ridge National Laboratory, pour sa contribution des données RTU de simulation à l'ensemble de données. De plus, nous remercions Brian Walker et Erika Gupta (précédemment) du Building Technologies Office pour leur généreux soutien.

Laboratoire national Lawrence Berkeley, Berkeley, États-Unis

Jessica Granderson, Guanjing Lin, Yimin Chen et Armando Casillas

Université Drexel, Philadelphie, États-Unis

Jin Wen et Zhelun Chen

Laboratoire national d'Oak Ridge, Oak Ridge, États-Unis

Piljae Im et Sen Huang

Laboratoire national des énergies renouvelables, Golden, États-Unis

Jiazhen Ling

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Jessica Granderson a dirigé l'effort de recherche global ; a écrit le manuscrit original; revu et édité le manuscrit. Yimin Chen a écrit le manuscrit original ; organisé et synthétisé les ensembles de données ; synthétisé les ensembles de données ; et documenté les données. Guanjing Lin a synthétisé les ensembles de données ; et dirigé la validation technique et la documentation des données ; revu le manuscrit. Armando Cassilas a organisé et synthétisé les ensembles de données ; et documenté les données. Jin Wen a organisé et synthétisé les ensembles de données DDAHU, FCU et FPU ; et documenté les données. Zhelun Chen a organisé et synthétisé les ensembles de données DDAHU, FCU et FPU ; et documenté les données. Piljae Im a organisé et synthétisé les ensembles de données RTU. Sen Huang a organisé et synthétisé les ensembles de données SDAHU, refroidisseurs et chaudières ; et documenté les données. Jiazhen Ling a organisé et synthétisé l'ensemble de données RTU ; et documenté les données.

Correspondance avec Jessica Granderson ou Yimin Chen.

Les auteurs ne déclarent aucun intérêt concurrent.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Granderson, J., Lin, G., Chen, Y. et al. Un ensemble de données étiqueté pour la construction de systèmes CVC fonctionnant dans des états défectueux et sans défaut. Sci Data 10, 342 (2023). https://doi.org/10.1038/s41597-023-02197-w

Télécharger la citation

Reçu : 18 janvier 2023

Accepté : 28 avril 2023

Publié: 01 juin 2023

DOI : https://doi.org/10.1038/s41597-023-02197-w

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Blog

Un ensemble de données étiqueté pour la construction de systèmes CVC fonctionnant en cas de défaut et de défaut