تهدف هذه الدراسة إلى تطوير مجموعات بيانات تشغيلية شاملة من ثلاثة أنواع مبانٍ مميزة — مكتب واسع النطاق، وقاعة عروض، ومستشفى — مع التركيز على وحدات مناولة الهواء (AHUs) المزودة بأنظمة حجم هواء ثابت (CAV) لكشف وتشخيص الأعطال الآلي (AFDD). على الرغم من اتباع إطار منهجي متسق، تم تكييف عمليات جمع البيانات وإعدادها بشكل محدد خصيصًا لخصائص التشغيل الفريدة لكل مبنى. شملت الإجراءات الرئيسية: (1) جمع البيانات الخام المخصصة بناءً على متطلبات كل مبنى؛ (2) التعرف الدقيق على النقاط المفقودة أو المكررة وإزالتها؛ (3) الوسم المنهجي لحالات التشغيل وفئات الأعطال؛ و(4) التقسيم الاستراتيجي لمجموعات البيانات إلى مجموعات تدريب، وتحقق، واختبار مُصممة وفقًا لميزات بيانات كل مبنى. تمكّن مجموعات البيانات الناتجة الباحثين والمطورين من تحسين وتطوير نماذج التعلم الآلي والتشخيص المصممة خصيصًا لـ AFDD ضمن أنظمة AHU. يمكن لمشغلي المنشآت دمج هذه النماذج المؤكدة لـ AFDD بسلاسة في أنظمة الإدارة الحالية، مما يسهل الكشف الآلي الفعال عن الأعطال ويضمن الأداء المثالي والموثوقية.
Building similarity graph...
Analyzing shared references across papers
Loading...
Seunghyeon Wang
Scientific Data
University College London
Building similarity graph...
Analyzing shared references across papers
Loading...
درس Seunghyeon Wang (Mon,) هذا السؤال.
www.synapsesocial.com/papers/68af5f13ad7bf08b1eae1ebc — DOI: https://doi.org/10.1038/s41597-025-05825-9
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: