Fehlerdiagnose von Lüftungsanlagen in einem Auditorium unter Verwendung realer betrieblicher gelabelter Daten über verschiedene Betriebsarten hinweg

Fehlererkennung und -diagnose (FDD) in Lüftungsanlagen (AHUs) ist wesentlich, um die Raumluftqualität sicherzustellen und die Lebensdauer des Systems zu verlängern. Allerdings wurde die Verwendung realer Betriebsdaten für FDD in der bisherigen Forschung nur eingeschränkt genutzt, hauptsächlich aufgrund von Herausforderungen bei der Datenverfügbarkeit und der Komplexität der Fehlerannotation. Diese Studie konzentriert sich speziell auf AHUs mit konstantem Luftvolumen (CAV-Systeme), einer kritischen Komponente der HVAC-Betriebe in einem Auditorium. Daten von 15 verschiedenen Sensoren, die an 13 AHUs im Auditorium installiert sind, wurden gesammelt und analysiert. Sieben Betriebszustände wurden identifiziert – einschließlich Normalbetrieb und sechs Fehlertypen – und entsprechend annotiert. Neun überwachte maschinelle Lernmethoden wurden auf FDD-Aufgaben bezüglich dieser Betriebszustände angewandt. Drei Modelltypen wurden entwickelt: ein integriertes Modell, trainiert mit Kühl- und Heizdatensätzen, ein Kühlmodell, exklusiv mit Kühlungsdaten trainiert, und ein Heizungsmodell, exklusiv mit Heizungsdaten trainiert. Jede Methode wurde mit Hyperparameter-Tuning über 10 Konfigurationen optimiert, was insgesamt 270 Modelle ergab (9 Methoden × 10 Konfigurationen × 3 Modelltypen). Diese Modelle wurden validiert, um das leistungsstärkste Modell in jeder Kategorie basierend auf F1-Werten zu identifizieren. Das integrierte Modell erreichte durchschnittliche F1-Werte von 95,43 % für die Kühlsaison und 95,65 % für die Heizsaison. Das Kühlmodell erreichte F1-Werte von 97,82 % und das Heizungsmodell 96,87 % in den jeweiligen Saisons. Basierend auf diesen Ergebnissen werden die potenziellen Anwendungen dieser Modelle für reale Betriebsbedingungen in dieser Forschung diskutiert.