Este estudo visa desenvolver conjuntos de dados operacionais reais abrangentes de três tipos distintos de edifícios — um escritório de grande escala, um auditório e um hospital — focando nas Unidades de Tratamento de Ar (AHUs) equipadas com sistemas de Volume de Ar Constante (CAV) para Detecção e Diagnóstico Automatizado de Falhas (AFDD). Embora um framework metodológico consistente tenha sido seguido, os processos de coleta e preparação de dados foram especificamente adaptados às características operacionais únicas de cada edifício. Procedimentos principais incluíram: (1) coleta personalizada de dados brutos com base nos requisitos individuais de cada edifício; (2) identificação e remoção cuidadosa de pontos de dados ausentes ou duplicados; (3) anotação sistemática das condições operacionais e categorias de falhas; e (4) divisão estratégica dos conjuntos de dados em subconjuntos de treinamento, validação e teste adaptados às características específicas de dados de cada edifício. Os conjuntos de dados resultantes permitem que pesquisadores e desenvolvedores aprimorem e avancem modelos de aprendizado de máquina e diagnósticos especificamente projetados para AFDD em sistemas de AHU. Os operadores das instalações podem então integrar perfeitamente esses modelos AFDD validados em sistemas de gestão existentes, facilitando a detecção automatizada eficiente de falhas e assegurando desempenho e confiabilidade ótimos.
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...
Seunghyeon Wang (Mon,) estudou esta questão.
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: