Un conjunto de datos semi-etiquetado para la detección de fallas en unidades de manejo de aire de una oficina a gran escala

La detección y diagnóstico de fallas (FDD) en Unidades de Manejo de Aire (AHUs) garantizan funciones del edificio como la eficiencia energética y el confort de los ocupantes mediante la identificación y diagnóstico rápidos de fallas. La combinación de aprendizaje profundo con FDD ha demostrado una alta capacidad de generalización en este campo. Para desarrollar modelos de aprendizaje profundo, esta investigación construyó un conjunto de datos basado en datos reales recopilados de una oficina a gran escala en Corea del Sur. Los datos sin procesar de AHU se extrajeron del Sistema de Gestión de Edificios (BMS) en intervalos de 1 hora, abarcando desde noviembre de 2023 hasta mayo de 2024. El conjunto de datos fue parcialmente etiquetado por expertos en anotación, categorizando los datos en seis tipos: condición normal, fallo del ventilador de suministro, fallo total de la bomba de calefacción, fallo del sensor de temperatura del aire de retorno, fallo del sensor de temperatura del aire de suministro y fallo en la posición de la válvula. Además, se aplicaron métodos de aprendizaje semi-supervisado como ejemplo de aplicación utilizando este conjunto de datos construido. Las principales contribuciones de este conjunto de datos al campo son dos. Primero, representa un conjunto de datos único proveniente de datos operativos reales de una oficina a gran escala, el cual actualmente no existe en este dominio. Segundo, la etiquetación experta del conjunto de datos añade un valor significativo al asegurar una clasificación precisa de las fallas. Por lo tanto, esperamos que este conjunto de datos fomente el desarrollo de técnicas robustas de FDD que sean más adecuadas para aplicaciones del mundo real.