Published January 1, 2020
| Version v1
Publication
Open
Interval-Valued Features Based Machine Learning Technique for Fault Detection and Diagnosis of Uncertain HVAC Systems
Creators
- 1. National Engineering School of Tunis
- 2. Texas A&M University at Qatar
- 3. Kuwait College of Science and Technology
- 4. Badji Mokhtar University
- 5. University of Monastir
Description
The operation of heating, ventilation, and air conditioning (HVAC) systems is usually disturbed by many uncertainties such as measurement errors, noise, as well as temperature. Thus, this paper proposes a new multiscale interval principal component analysis (MSIPCA)-based machine learning (ML) technique for fault detection and diagnosis (FDD) of uncertain HVAC systems. The main goal of the developed MSIPCA-ML approach is to enhance the diagnosis performance, improve the indoor environment quality, and minimize the energy consumption in uncertain building systems. The model uncertainty is addressed by considering the interval-valued data representation. The performance of the proposed FDD is investigated using sets of synthetic and emulated data extracted under different operating conditions. The presented results confirm the high-efficiency of the developed technique in monitoring uncertain HVAC systems due to the high diagnosis capabilities of the interval feature-based support vector machines and k-nearest neighbors and their ability to distinguish between the different operating modes of the HVAC system.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
عادة ما يتم إزعاج تشغيل أنظمة التدفئة والتهوية وتكييف الهواء بسبب العديد من الشكوك مثل أخطاء القياس والضوضاء وكذلك درجة الحرارة. وبالتالي، تقترح هذه الورقة تقنية جديدة متعددة النطاقات لتحليل المكونات الرئيسية (MSIPCA)القائمة على التعلم الآلي (ML) للكشف عن الأخطاء وتشخيصها (FDD) لأنظمة التدفئة والتهوية وتكييف الهواء غير المؤكدة. الهدف الرئيسي من نهج MSIPCA - ML المطور هو تعزيز أداء التشخيص، وتحسين جودة البيئة الداخلية، وتقليل استهلاك الطاقة في أنظمة المباني غير المؤكدة. يتم معالجة عدم اليقين في النموذج من خلال النظر في تمثيل البيانات ذات القيمة الفاصلة. يتم التحقيق في أداء FDD المقترح باستخدام مجموعات من البيانات الاصطناعية والمحاكاة المستخرجة في ظل ظروف تشغيل مختلفة. تؤكد النتائج المقدمة الكفاءة العالية للتقنية المطورة في مراقبة أنظمة التدفئة والتهوية وتكييف الهواء غير المؤكدة بسبب قدرات التشخيص العالية لآلات ناقلات الدعم القائمة على الميزات الفاصلة وأقرب الجيران وقدرتها على التمييز بين أوضاع التشغيل المختلفة لنظام التدفئة والتهوية وتكييف الهواء.Translated Description (French)
Le fonctionnement des systèmes de chauffage, de ventilation et de climatisation (CVC) est généralement perturbé par de nombreuses incertitudes telles que les erreurs de mesure, le bruit et la température. Ainsi, cet article propose une nouvelle technique d'apprentissage automatique (ML)basée sur l'analyse en composantes principales par intervalles à échelles multiples (MSIPCA) pour la détection et le diagnostic des défaillances (FDD) des systèmes CVC incertains. L'objectif principal de l'approche MSIPCA-ML développée est d'améliorer les performances de diagnostic, d'améliorer la qualité de l'environnement intérieur et de minimiser la consommation d'énergie dans les systèmes de bâtiments incertains. L'incertitude du modèle est traitée en considérant la représentation des données à valeur d'intervalle. La performance du FDD proposé est étudiée à l'aide d'ensembles de données synthétiques et émulées extraites dans différentes conditions de fonctionnement. Les résultats présentés confirment la haute efficacité de la technique développée dans la surveillance des systèmes CVC incertains en raison des capacités de diagnostic élevées des machines vectorielles de support basées sur les caractéristiques d'intervalle et des k plus proches voisins et de leur capacité à faire la distinction entre les différents modes de fonctionnement du système CVC.Translated Description (Spanish)
El funcionamiento de los sistemas de calefacción, ventilación y aire acondicionado (HVAC) suele verse perturbado por muchas incertidumbres, como errores de medición, ruido y temperatura. Por lo tanto, este documento propone una nueva técnica de aprendizaje automático (ML)basada en el análisis de componentes principales de intervalos multiescala (MSIPCA) para la detección y diagnóstico de fallas (FDD) de sistemas HVAC inciertos. El objetivo principal del enfoque MSIPCA-ML desarrollado es mejorar el rendimiento del diagnóstico, mejorar la calidad del entorno interior y minimizar el consumo de energía en sistemas de construcción inciertos. La incertidumbre del modelo se aborda considerando la representación de datos con valores de intervalo. El rendimiento del FDD propuesto se investiga utilizando conjuntos de datos sintéticos y emulados extraídos en diferentes condiciones de operación. Los resultados presentados confirman la alta eficiencia de la técnica desarrollada en el monitoreo de sistemas HVAC inciertos debido a las altas capacidades de diagnóstico de las máquinas vectoriales de soporte basadas en características de intervalo y los k vecinos más cercanos y su capacidad para distinguir entre los diferentes modos de funcionamiento del sistema HVAC.Files
09176993.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:36d42cf71d49af2d3b2184be4d5fcacd
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تقنية التعلم الآلي القائمة على الميزات ذات القيمة الفاصلة للكشف عن الأعطال وتشخيص أنظمة التدفئة والتهوية وتكييف الهواء غير المؤكدة
- Translated title (French)
- Technique d'apprentissage automatique basée sur des caractéristiques évaluées par intervalles pour la détection et le diagnostic des pannes de systèmes CVC incertains
- Translated title (Spanish)
- Técnica de aprendizaje automático basada en características de valor de intervalo para la detección de fallas y el diagnóstico de sistemas HVAC inciertos
Identifiers
- Other
- https://openalex.org/W3080782525
- DOI
- 10.1109/access.2020.3019365
References
- https://openalex.org/W1507872748
- https://openalex.org/W166436113
- https://openalex.org/W1975575449
- https://openalex.org/W1983963676
- https://openalex.org/W1993694278
- https://openalex.org/W2007961939
- https://openalex.org/W2024202062
- https://openalex.org/W2031598273
- https://openalex.org/W2059138104
- https://openalex.org/W2074058676
- https://openalex.org/W2081525541
- https://openalex.org/W2083329817
- https://openalex.org/W2101817936
- https://openalex.org/W2128420091
- https://openalex.org/W2132984323
- https://openalex.org/W2147129131
- https://openalex.org/W2169347809
- https://openalex.org/W2269252999
- https://openalex.org/W2625395099
- https://openalex.org/W2793135643
- https://openalex.org/W2809919425
- https://openalex.org/W2902087014
- https://openalex.org/W2946116399
- https://openalex.org/W2946929722
- https://openalex.org/W2966970255
- https://openalex.org/W2999570460
- https://openalex.org/W3006671208
- https://openalex.org/W3016260214
- https://openalex.org/W3016930809
- https://openalex.org/W3023883218
- https://openalex.org/W3041091733
- https://openalex.org/W3046875737
- https://openalex.org/W3047349176
- https://openalex.org/W4239510810
- https://openalex.org/W647236485