Un conjunto de datos etiquetados para construir sistemas HVAC que funcionan en condiciones de falla y falla.

Oct 28, 2023

Datos científicos volumen 10, número de artículo: 342 (2023) Citar este artículo

947 Accesos

Detalles de métricas

Los datos abiertos están impulsando la innovación en muchos campos. En el ámbito de la ciencia de la construcción, es extremadamente difícil conseguir conjuntos de datos que puedan utilizarse para informar el desarrollo de aplicaciones operativas (por ejemplo, nuevos algoritmos de control y métodos de análisis de rendimiento). Este artículo resume el desarrollo y el contenido del conjunto de datos públicos más grande conocido sobre operaciones de sistemas de edificios en estados con y sin fallas. Cubre los sistemas y configuraciones de HVAC más comunes en edificios comerciales, en una variedad de climas, tipos de fallas y gravedad de fallas. Los puntos de la serie temporal contenidos en el conjunto de datos incluyen mediciones que se encuentran comúnmente en edificios existentes, así como algunas que son menos típicas. Para generar los datos se utilizaron herramientas de simulación, instalaciones de prueba experimentales y operaciones de campo in situ. Para informar más algoritmos que consumen más datos, la mayoría de los datos simulados cubren un año de operación para cada combinación de falla y gravedad. El conjunto de datos es una ampliación significativa del publicado por primera vez por los autores principales en 2020.

La detección y diagnóstico de fallas (FDD) es un campo de estudio bien establecido en la ciencia de la construcción y las aplicaciones de tecnología de la construcción. Esto se debe en gran medida al impacto significativo de las fallas de los equipos y los problemas de control en el uso y las emisiones de energía de los edificios, la vida útil de los equipos y la comodidad de los ocupantes. La construcción de sistemas HVAC en particular ofrece un rico espacio de oportunidades para el desarrollo de algoritmos FDD, dada la multiplicidad de configuraciones del sistema, operaciones complejas y disponibilidad de datos monitoreados. Además, el reciente impulso para descarbonizar los edificios y el sector eléctrico está aumentando la importancia de los edificios eficientes interactivos con la red que puedan proporcionar de manera confiable servicios de flexibilidad de carga a la red suministrada con energías renovables. Esto hace que sea aún más crítico garantizar que los sistemas HVAC de los edificios sean controlables y estén libres de fallas, lo que proporciona una mayor motivación para el desarrollo y la implementación de la tecnología FDD.

En los edificios, las herramientas de software FDD emplean datos operativos recopilados de sistemas de automatización de edificios, sensores y medidores, para detectar automáticamente problemas de equipos y control, o la degradación del rendimiento en un sistema HVAC, y para diagnosticar posibles causas fundamentales1. Utilizando los resultados de las tecnologías FDD, los operadores de edificios pueden dirigir de manera eficiente las actividades de mantenimiento para abordar las ineficiencias o los fallos de funcionamiento de los equipos y el control.

En los últimos treinta años, se ha publicado una gran cantidad de literatura que documenta el desarrollo y la aplicación de soluciones FDD para edificios. La investigación activa cubre una variedad de temas que incluyen: (1) el desarrollo y validación de cientos de métodos FDD2,3,4; (2) el desarrollo de plataformas experimentales o herramientas de software de simulación para generar modelos que incluyan fallas5,6,7 y el desarrollo de conjuntos de datos que incluyan fallas8,9,10; (3) cuantificación de las tasas de prevalencia y ocurrencia de fallas en los edificios11,12,13; (4) análisis del impacto de las fallas en las operaciones del sistema14,15, el consumo de energía16,17, el mantenimiento del equipo y los costos operativos18,19, el confort térmico de los ocupantes15,20,21 y la calidad del aire interior22; (5) aplicación, costos y beneficios de la tecnología FDD en edificios existentes1,23; (6) metodologías de prueba de rendimiento del algoritmo FDD24,25; y (7) corrección automatizada de fallas26,27 y actividades de mantenimiento28 después de que las herramientas FDD diagnostican y señalan las fallas.

Aunque los sistemas de automatización y control de edificios pueden almacenar y exportar grandes volúmenes de datos operativos, estos datos suelen ser propensos a problemas de calidad, incluidos sensores erróneos y lagunas. No se utilizan convenciones de nomenclatura coherentes de un sistema a otro, y rara vez se utilizan metadatos semánticos para interpretar el significado y las relaciones entre los datos. Una complicación adicional es que los datos reflejan la presencia desconocida y no etiquetada de una amplia variedad de fallas que ocurren comúnmente. Finalmente, si bien los investigadores pueden adquirir pequeñas colecciones de datos de campo, es extremadamente difícil acumular un conjunto de datos a gran escala que represente el clima, el sistema HVAC y la diversidad operativa. Esto presenta enormes barreras para la innovación en el desarrollo de algoritmos FDD y la evaluación del desempeño.

Al ampliar el conjunto de trabajos centrados en los métodos de prueba de algoritmos FDD y los conjuntos de datos de prueba, este artículo documenta una expansión significativa del conjunto de datos de fallas de HVAC presentado en 9. La expansión incorpora cinco nuevos sistemas y configuraciones de HVAC, un mayor número de casos de falla y períodos de tiempo más extensos para cada combinación de intensidad de falla (en la mayoría de los casos alcanzan un total de 365 días). Los datos se produjeron utilizando herramientas de simulación, instalaciones experimentales de laboratorio y pruebas de campo. Además, se ha desarrollado un modelo semántico para cada sistema de acuerdo con el esquema Brick29 para mejorar la usabilidad y la conformidad con el esquema de metadatos comúnmente utilizado en la industria de la construcción en la actualidad.

El conjunto de datos ampliado documentado en este artículo incluye siete sistemas HVAC comunes: el sistema de unidad de tratamiento de aire (AHU) de conducto único, la unidad de techo empaquetada (RTU), el sistema AHU de conducto doble, el sistema de unidad fan-coil (FCU), el sistema de aire variable unidad de potencia del ventilador de volumen (FPU), la planta de calderas y la planta de refrigeración. Se representan 257 casos de falla, que abarcan fallas relacionadas con sensores, fallas relacionadas con actuadores, fallas de control (p. ej., configuración de parámetros PID del controlador) y fallas de componentes (p. ej., falla de frustración del serpentín de enfriamiento). En total, ese conjunto de datos comprende 8 mil millones de muestras de datos y representa los datos verificados de verdad más grandes conocidos para fallas de HVAC. Como se señala en la publicación de 20209, los investigadores y desarrolladores de FDD pueden utilizar los datos para:

Desarrollar, evaluar y comparar el rendimiento entre algoritmos FDD;

Identificar brechas de desempeño para enfocar futuros esfuerzos de desarrollo e inversión de recursos;

Desarrollar una comprensión de cómo la tecnología FDD en general está mejorando con el tiempo; y

Permita una mejor comprensión del rendimiento del sistema HVAC en condiciones de funcionamiento sin fallas y con fallas con fines educativos.

Trabajos anteriores, como los proyectos de investigación de ASHRAE RP-1312 y RP-1043, y el proyecto 10D243 del Instituto Nacional de Estándares y Tecnología (NIST), representan contribuciones tempranas de datos de fallas operativas de HVAC. Esta investigación avanza esos primeros esfuerzos al aumentar la cantidad y el tipo de sistemas HVAC que están representados, al aumentar la duración del período operativo libre de fallas y con fallas (un año en la mayoría de los casos) y al aumentar la cantidad y el tipo de fallas que son representado. Esto aumentará significativamente la usabilidad del conjunto de datos para el desarrollo de algoritmos FDD y la evaluación del rendimiento.

El conjunto de datos recientemente ampliado contiene datos experimentales y simulados de los siete tipos y configuraciones de sistemas HVAC representados (la mayoría simulados). Se utilizaron diversas instalaciones y herramientas de simulación para crear los datos, y se crearon métodos para imponer las fallas para cada falla, dado el sistema HVAC específico de enfoque, las secuencias de control que definieron su operación. Estas instalaciones y herramientas, los detalles del sistema HVAC y los métodos de falla se describen a continuación, al igual que el esquema de metadatos que se aplicó a los datos. El suministro de metadatos permite una fácil interpretación de los datos y ayuda a los usuarios del conjunto de datos que desean emplear procedimientos más automatizados para interconectar las instancias del algoritmo FDD con los datos.

Los conjuntos de datos simulados se crearon utilizando HVACSIM+ y una cosimulación EnergyPlus-Modelica. HVACSIM + fue desarrollado por el NIST30 de EE. UU., Modelica Buildings Library31 es desarrollado por el Laboratorio Nacional Lawrence Berkeley y EnergyPlus32 es desarrollado por varios contribuyentes a través de financiación del Departamento de Energía de EE. UU. Descrito con respecto a otras herramientas de modelado en 33, HVACSIM+, Modelica y EnergyPlus son herramientas no patentadas para modelar el comportamiento de la construcción de sistemas HVAC utilizando enfoques basados ​​en la física. Además, se utilizó la biblioteca de aire acondicionado de Modelon para modelar las fallas del lado del refrigerante en el sistema RTU34. Esta biblioteca proporciona plantillas de ciclos de refrigeración listas para usar y una amplia gama de componentes para crear una variedad de configuraciones de sistemas de aire acondicionado.

Se utilizaron cuatro instalaciones de investigación experimental para crear datos y desarrollar y validar modelos de simulación:

FLEXLAB ubicado en el Laboratorio Nacional Lawrence Berkeley en Berkeley, California, para la generación del conjunto de datos CAV de zona única y el conjunto de datos AHU de volumen de aire variable (VAV)9.

La Plataforma de Investigación Flexible (FRP) ubicada en el Laboratorio Nacional Oak Ridge en Oak Ridge Tennessee, para la generación de conjuntos de datos RTU9.

Las instalaciones de la Estación de Recursos Energéticos estaban ubicadas anteriormente en el Iowa Energy Center en Ames City, Iowa, para el desarrollo y validación de modelos de simulación DD-AHU, FCU y FPU, y para la creación de datos VAV AHU multizona35.

La instalación RTU está ubicada en la Instalación de Tecnología Térmica (TTF) en el Laboratorio Nacional de Energía Renovable en Golden, Colorado, para la validación del modelo de simulación RTU. El TTL de NREL es un laboratorio multipropósito flexible que permite la evaluación y el desarrollo detallados de sistemas de energía térmica y de edificios. El espacio de investigación del TTF alcanza los 11.000 pies cuadrados. En el TTL se instalan dos RTU: una SEER 17 (RTU 1) de 5 toneladas y una IEER 23 (RTU 2) de 6 toneladas para desarrollar mapas de rendimiento integrales adecuados para su uso con programas informáticos de simulación energética de edificios completos. El SEER 17 contenía un compresor scroll de dos etapas con R-410A, un ventilador de condensador de una sola velocidad, un ventilador de aire de suministro variable de accionamiento directo con un motor de alta eficiencia, compuertas de baja fuga, control de humedad por recalentamiento de gas caliente y un economizador. El IEER 23 contenía un compresor de accionamiento directo de velocidad variable, ventiladores de velocidad variable y una lógica de control que mantenía el compresor y la válvula de expansión térmica (TXV) dentro de sus limitaciones de rendimiento36.

Los datos de campo que representan el funcionamiento de unidades de techo con y sin fallas también se incluyen en el conjunto de datos. Estos datos se recopilaron de dos RTU, una en un restaurante en Milford, CT y otra en un edificio de centro de distribución en Colchester, CT. La Tabla 1 resume estos sitios y las RTU.

Las configuraciones y secuencias de cada sistema en el conjunto de datos están ampliamente documentadas para los usuarios de los datos en un archivo de inventario. Esta información suele ser necesaria para especificar parámetros específicos de los controles en algoritmos de diagnóstico y detección de fallas. Para ilustrar la forma y el contenido de esta información, se presentan dos ejemplos: el sistema de unidad fancoil y la planta de calderas.

La Figura 1 contiene la representación esquemática del sistema de unidad fan coil (FCU).

Diagrama esquemático de la FCU.

La FCU está programada para funcionar automáticamente según la hora del día para el modo ocupado y desocupado.

Modo ocupado (lunes a viernes de 6:00 a. m. a 17:59 p. m.)

Durante estas horas, el sistema está en modo operativo. Durante la simulación se establecieron cinco secuencias de control: control, control de la compuerta de aire exterior, control de la válvula del serpentín de enfriamiento, secuencia de control de la válvula del serpentín de calefacción y puntos de ajuste de temperatura de la zona.

Control del ventilador

Ventilador de 3 velocidades con modo “Encendido/Apagado Automático” (Auto): el encendido/apagado del ventilador y el cambio de velocidad se basan en la salida proporcional-integral-derivada (PID) de refrigeración y la salida PID de calefacción. La banda muerta del 10% se proporciona en cada nivel de cambio de velocidad.

Condición de baja velocidad: las salidas PID (la posición de la válvula del serpentín de refrigeración/calefacción) son superiores al 0% e inferiores al 40%;

Condición de velocidad media: las salidas PID (la posición de la válvula del serpentín de refrigeración/calefacción) son > = 40% y <80%;

Condición de alta velocidad: las salidas PID (la posición de la válvula del serpentín de refrigeración/calefacción) son > = 80 % y < 100 %;

Apagado: no hay demanda de calefacción o refrigeración.

Control de compuerta OA

La compuerta OA mantiene una posición mínima de la compuerta al 30%.

Secuencia de control de la válvula del serpentín de refrigeración

El control PID se utiliza para ajustar la posición de la válvula del serpentín de enfriamiento. La banda muerta del punto de ajuste es 1 °F. Si la temperatura ambiente real supera 1 °F del punto de ajuste de enfriamiento, la FCU está en el modo de “enfriamiento”, el bucle PID de la válvula del serpentín de enfriamiento está habilitado y la posición de la válvula de enfriamiento será controlada por la salida PID del controlador de la válvula del serpentín de enfriamiento. . Cuando la temperatura ambiente cae por debajo de 1 °F en comparación con el punto de ajuste de enfriamiento, el PID de enfriamiento se desactiva y la válvula se cierra completamente.

Secuencia de control de la válvula del serpentín de calentamiento

El control PID se utiliza para ajustar la posición de la válvula del serpentín de calefacción. La banda muerta del punto de ajuste es 1 °F. Si la temperatura ambiente real supera 1 °F del punto de ajuste de calefacción, la FCU está en el modo "calefacción", el bucle PID de la válvula del serpentín de calefacción está habilitado y la posición de la válvula de calefacción será controlada por la salida PID del controlador de la válvula del serpentín de calefacción. . Cuando la temperatura ambiente cae por debajo de 1 °F en comparación con el punto de ajuste de calefacción, el PID de calefacción se desactiva y la válvula se cierra completamente.

Puntos de ajuste de temperatura de zona

Punto de ajuste de enfriamiento de zona: 72 °F;

Punto de ajuste de calefacción de zona: 68 °F.

Modo de apagado

El modo de apagado solo se activa mediante la protección de baja temperatura que se describe a continuación. En el modo de apagado, el ventilador está constantemente apagado y la compuerta OA está completamente cerrada.

Protección de baja temperatura

Durante la simulación, cuando la temperatura del aire mezclado es inferior a 35 °F y persiste durante 300 segundos, el sistema FCU cambiará al modo de apagado para evitar que el serpentín se congele. El modo de apagado durará hasta el final del día. El sistema volverá a su funcionamiento normal al comienzo del día siguiente.

Modo desocupado

Durante estas horas, el sistema está en modo de retroceso. La operación es similar al modo de operación excepto dos configuraciones adicionales como:

Compuerta de aire exterior: La compuerta OA está completamente cerrada

Puntos de ajuste de temperatura de zona

Punto de ajuste de enfriamiento de zona: 85 °F;

Punto de ajuste de calefacción de zona: 55 °F.

La Figura 2 ilustra la configuración del sistema de la planta de calderas. Este sistema tiene dos calderas idénticas y dos bombas de agua caliente y proporciona agua caliente a los serpentines de calefacción en el sistema del lado del aire.

Esquema del sistema de planta de calderas estudiado.

El sistema de la planta de calderas está controlado por dos controladores de supervisión y dos controladores locales (Tabla 2). Un controlador de supervisión determina el número de calderas en funcionamiento utilizando una máquina de estado y la carga de calor calculada, como se muestra en la Fig. 3. La carga de calefacción se calcula a partir de:

donde \({\mathop{v}\limits^{^\circ }}_{hw}\) es el caudal volumétrico del agua caliente, \({T}_{hw}^{ent}\) y \({T}_{hw}^{lea}\) son la temperatura del agua caliente que entra y sale del sistema de la planta de calderas, respectivamente. El otro controlador de supervisión determina el número de bombas de agua caliente en funcionamiento, como se muestra en la Fig. 4.

Control de etapas de calderas (ξ = 0,95 y tiempo de espera: 30 min).

Control de etapas de bombas de agua caliente en el sistema de planta de calderas (tiempo de espera: 30 min).

Las tablas 3 a 10 resumen los perfiles de fallas y cómo se impuso cada falla para cada uno de los sistemas y escenarios de falla. Para los conjuntos de datos simulados, cada tipo e intensidad de falla se impusieron para un año calendario completo de operación; la excepción fue el conjunto de datos RTU simulado que cubría una temporada de enfriamiento de 100 días. Para los conjuntos de datos experimentales y de prueba de campo, se capturaron combinaciones de tipo-intensidad de falla durante uno a 183 días de operación.

El conjunto de datos de RTU que se adquirió a partir de mediciones de campo reflejó una falla natural en la puesta en marcha del compresor y una falla de carga insuficiente de refrigerante.

El esquema Brick29 ofrece clases y subclases, de las cuales la clase de equipo se utilizó para designar los componentes del sistema HVAC representados en el conjunto de datos de fallas. De manera similar, la subclase de puntos se utilizó para diseñar puntos de datos del sistema de control y medición de sensores. Además, el esquema ofrece "relaciones", de las cuales hasPart, hasPoint y feeds son relevantes para describir el conjunto de datos de fallas. La Figura 5 ilustra el proceso de cinco pasos que se utilizó para generar los modelos Brick para cada sistema HVAC en el conjunto de datos. Entre ellos, el Paso 4 está automatizado mientras que los demás pasos se realizan manualmente.

Flujo del desarrollo del modelo Brick Schema.

Se revisaron las representaciones esquemáticas de cada sistema para identificar los componentes principales del sistema general y desarrollar relaciones de composición (“hasPart”). Para cada componente principal, identificamos todos los sensores/puntos de control asociados para desarrollar relaciones "hasPoint". Por último, identificamos el orden en el que los medios dados (aire, agua, etc.) fluyen a través del sistema para desarrollar relaciones secuenciales (“alimentaciones”) entre diferentes equipos.

Después de identificar los componentes y puntos de sensor/control del sistema en el Paso 1, indicamos qué equipo tiene qué componentes (“hasPart”), qué equipo o componente tiene qué sensores y puntos de datos de control (“hasPoint”), y qué equipo alimenta a otro equipo (“alimentadores”).

Todos los equipos, componentes y puntos de datos de sensores/control en el diagrama jerárquico se asignan a una clase de esquema Brick y se tabulan. El equipo y los subcomponentes se asignan a una subclase de la clase de “equipo” Brick (por ejemplo, enfriadora, AHU y RTU) y a los sensores y puntos de control se les asignará una subclase de tipo de “punto” Brick.

Para cada fila (es decir, cada componente), designamos las relaciones relevantes, otros componentes a los que está conectado y estos componentes. De esta manera conseguimos incorporar todos los componentes, sus tipos y cómo se relacionan con otros componentes.

Las tablas generadas en el Paso 3 se exportan como archivos CSV y se importan a un script de Python que genera un modelo Brick en forma de un archivo .ttl legible por máquina. El script recorre en iteración cada fila de la tabla, asignando todos los componentes y apunta a una instancia específica de una clase Brick y las relaciones correspondientes. Se puede acceder al archivo .ttl mediante un algoritmo FDD (u otras aplicaciones), lo que permite una recuperación más eficiente y estandarizada de los metadatos del sistema mediante consultas SPARQL. Esto agiliza la interpretación de la semántica de datos dentro del FDD u otras aplicaciones.

El modelo Brick generado se verifica visualizándolo y comparándolo con el diagrama jerárquico en el Paso 2. Usamos Brick Studio para la visualización y nos aseguramos de que todos los componentes en los conjuntos de datos estuvieran presentes y que las relaciones entre ellos estuvieran etiquetadas correctamente.

Los datos se almacenan en figshare37 y en un sitio web de LBNL10. La descripción de los siete conjuntos de datos ampliados se puede encontrar en la Tabla 11. Para cada sistema, los datos FDD se almacenan en archivos individuales de valores separados por comas (CSV) y cada archivo contiene un tipo de falla bajo una intensidad de falla. Los datos se almacenan en intervalos de 1 minuto para reflejar las operaciones del sistema. La velocidad del intervalo de 1 minuto se puede volver a muestrear a un intervalo de 5 minutos y a un intervalo de 15 minutos, que también se utilizan comúnmente en el sistema de automatización de edificios (BAS) existente. Las marcas de tiempo se encuentran en la primera columna de cada archivo y se presentan en el formato "aaaammdd hh:mm".

Cada conjunto de datos del sistema va acompañado de un modelo Brick .ttl y también de un archivo de 'inventario' de datos que describe la información clave necesaria para comprender el contenido y el alcance de cada conjunto de datos, que incluye:

Una descripción general del conjunto de datos, quién lo creó y si se generó mediante simulación o experimento físico.

Información del edificio y del sistema.

Descripción del modelo o instalación experimental.

Tipo de sistema y diagrama de configuración física.

Secuencias de control

Diagrama del modelo de esquema de ladrillo

Puntos de datos

La unidad para cada medida.

Los puntos de datos básicos que utilizan los BAS existentes están etiquetados

Escenarios de entrada para condiciones con y sin fallas representadas en los datos

Tipos de fallas

Intensidades de falla

Método de imposición de faltas.

Granderson et al.9 documentaron que la validez del conjunto de datos se puede evaluar según tres dimensiones: (1) precisión de los sensores y la infraestructura de medición en las instalaciones experimentales que se utilizaron; (2) precisión de los modelos de simulación que se utilizaron; y (3) precisión de las etiquetas de verdad sobre el terreno que indican la presencia y gravedad de las fallas, presencia o ausencia de fallas y su gravedad9.

Granderson et al. describe el proceso de calibración de mediciones en las instalaciones de FLEXLAB, FRP y Iowa Energy Center9.

Granderson et al. describieron la validación del modelo de simulación para los modelos EnergyPlus-Modelica9, y tanto Granderson et al. y Wen et al. describir la validación del modelo de los modelos HVACSIM+9,35. Estas publicaciones describen una serie de métodos que incluyen validación empírica, calibración experimental, pruebas comparativas (contra otras herramientas) y verificación analítica (con respecto a soluciones exactas).

En aras de la brevedad, se remite al lector a estas publicaciones anteriores para obtener detalles sobre la medición de instalaciones y la precisión del modelo de simulación.

Granderson et al.9 describen un proceso de validación de la verdad fundamental que aplica pruebas funcionales y lógica de ingeniería9. Las pruebas funcionales verifican que el funcionamiento del sistema sea coherente con las secuencias de control diseñadas y refleje un comportamiento operativo libre de fallos. La lógica de ingeniería y la secuencia de control especificada se combinan para confirmar que las tendencias de los datos reflejan efectivamente los comportamientos de los escenarios sin fallas y con fallas.

La Figura 6 proporciona algunos ejemplos del sistema de unidad fan coil. Primero, se inspeccionan las tendencias de los datos para confirmar que el sistema funciona de acuerdo con el horario definido de horas ocupadas correspondientes a las 6:00-17:59 y con los puntos de ajuste definidos especificados en la secuencia (como se muestra en la sección Configuraciones del sistema y secuencias de control). ). Esto se verifica en el perfil de las tendencias del punto de ajuste de refrigeración y del punto de ajuste de calefacción, que modulan respectivamente de 85 °F a 72 °F y de 55 °F a 68 °F, y nuevamente en las marcas de tiempo de las 6:00 y 17:59. A continuación, se inspeccionan las tendencias de los datos para verificar que los parámetros PID modelados para el controlador de la válvula de enfriamiento estén configurados para generar señales de control adecuadas. Esto se confirma mediante una tendencia suave y la ausencia de oscilaciones significativas en la señal trazada para el comando de la válvula del serpentín de enfriamiento. Finalmente, la inspección de la tendencia de la temperatura de la zona confirma que el objetivo de control, es decir, un punto de ajuste de enfriamiento de 72 °F, se mantuvo durante todo el período de operación ocupado.

Ejemplo de datos operativos libres de fallas de FCU (17 de julio).

Tras la verificación del estado operativo libre de fallos, se realizaron pruebas adicionales para cada uno de los escenarios de fallo. Estas pruebas consideraron (a) si la condición de falla impuesta se reflejó correctamente en los datos y (b) si los síntomas anticipados de la falla se reflejaron en otras tendencias operativas.

La Figura 7 ilustra estos dos tipos de pruebas para la falla del sistema FCU: polarización del sensor de temperatura del aire de zona de +2 °C (3,6 °F). La condición sesgada se confirma comparando la compensación de 2 °C entre la tendencia de los datos del punto de salida del modelo defectuoso "falsificado" (línea continua) y el punto de salida inalterado (línea discontinua). Esto es claramente discernible y está anotado en la parte derecha de la trama. Los síntomas de este sesgo se observan al comparar la posición de la válvula del serpentín de enfriamiento en el caso con falla (la línea negra continua) con la del caso sin falla (línea negra discontinua). La posición en el caso con falla es significativamente más alta porque el controlador estaba intentando proporcionar una mayor cantidad de enfriamiento proporcional a la lectura errónea de temperatura del aire de la zona alta.

Ejemplo de datos operativos presentes de falla de FCU (sesgo del sensor de temperatura del aire de zona +2 °C (3,6 °F), 17 de julio).

La Figura 8 ilustra otra falla del sistema FCU: la válvula del serpentín de enfriamiento se atascó al 20%, impuesta durante la temporada de enfriamiento. Aquí, la condición de falla se confirma observando que la señal de posición de la válvula (línea continua negra) está fija en 0,2, mientras que la señal de comando de la válvula (línea discontinua negra) está ajustada. El síntoma de esta falla es que la temperatura de la zona (línea púrpura sólida) excedió significativamente el punto de ajuste de enfriamiento de 72 °F durante las horas ocupadas, aunque la señal de control de la válvula del serpentín de enfriamiento (línea discontinua negra) alcanzó un valor de 1 (es decir, 100% posición) en el intento del controlador de proporcionar el máximo enfriamiento.

Ejemplo de datos operativos presentes de falla de FCU (falla de válvula del serpentín de enfriamiento atascada en la posición del 20 %, 17 de julio).

Se realizaron pasos de pruebas de verificación similares para cada tipo de falla en cada nivel de intensidad en conjuntos de datos experimentales y conjuntos de datos de simulación. Para los conjuntos de datos simulados que abarcaron un año completo de operación, se seleccionó una muestra de al menos tres días para inspección de cada una de las tres temporadas operativas: verano/temporada de refrigeración, invierno/temporada de calefacción y una temporada de transición/oscilación. Este muestreo permitió la validación de los datos y del comportamiento del sistema con fallas en diferentes condiciones climáticas y modos operativos38.

Se desarrolló un inventario completo de los datos para ayudar a los usuarios a interpretar el contenido y la forma de los datos, y los correspondientes sistemas, controles y fallas de HVAC. Los datos en sí comprenden series de tiempo que pueden analizarse con cualquier herramienta de software que el usuario elija implementar. Los datos se proporcionan a intervalos de 1 minuto y se pueden volver a muestrear según sea necesario para satisfacer las necesidades de aplicaciones específicas.

La Biblioteca de Edificios Modelica y EnergyPlus están disponibles para su descarga gratuita39,40. EnergyPlus se ejecuta en los sistemas operativos Windows, Mac OSX y Linux. Se requiere una computadora con Windows o Linux y un solucionador Dymola para ejecutar Modelica, y se puede obtener la licencia de Dymola desde Modelica Buildings Library. HVACSIM+ también está disponible gratuitamente, previa solicitud al NIST, y no tiene requisitos de sistema operativo. Se accedió a la biblioteca de aire acondicionado de Modelon que se utilizó para modelar las fallas en el lado del refrigerante de la RTU desde la biblioteca de Modelon34. La biblioteca basada en Modelica se utiliza para diseñar, analizar y optimizar sistemas de aire acondicionado.

Se desarrolló un script personalizado basado en Python para crear archivos .ttl del modelo Brick para cada sistema en el conjunto de datos, siguiendo el proceso descrito en Método de desarrollo del modelo de esquema Brick. Los archivos .ttl están incluidos en el repositorio de datos.

Lin, G., Kramer, H., Nibler, V., Crowe, E. y Granderson, J. Creación de implementación de herramientas de análisis a escala: beneficios, costos y prácticas de implementación. Energías. 15(13), 4858, https://doi.org/10.3390/en15134858 (2022).

Artículo de Google Scholar

Katipamula, S. y Brambley, Métodos de resonancia magnética para la detección, diagnóstico y pronóstico de fallas en sistemas de edificios: una revisión, parte I. Investigación sobre HVAC&R. 11(1), 3–25, https://doi.org/10.1080/10789669.2005.10391123 (2005).

Artículo de Google Scholar

Katipamula, S. & Brambley, Métodos de RM para la detección, diagnóstico y pronóstico de fallas en sistemas de construcción: una revisión, Parte II. Investigación sobre HVAC&R. 11(2), 169–187, https://doi.org/10.1080/10789669.2005.10391133 (2005).

Artículo de Google Scholar

Kim, W. y Katipamula, S. Una revisión de los métodos de diagnóstico y detección de fallas para sistemas de construcción. Ciencia y tecnología para el entorno construido. 24(1), 3–21, https://doi.org/10.1080/23744731.2017.1318008 (2018).

Artículo de Google Scholar

Li, Y. & O'Neill, Z. Una revisión crítica del modelado de fallas de los sistemas HVAC en edificios. Construir simultáneamente. 11(5), 953–975, https://doi.org/10.1007/s12273-018-0458-4 (2018).

Artículo de Google Scholar

Pourarian, S. y col. Una herramienta para evaluar métodos de diagnóstico y detección de fallas para unidades fan coil. Energía y Edificación. 136, 151-160 (2017).

Artículo de Google Scholar

Zhang, R. & Hong, T. Modelado de fallas operativas de HVAC en la simulación del desempeño de edificios. Energía Aplicada. 202, 178–188, https://doi.org/10.1016/j.apenergy.2017.05.153 (2017).

Artículo de Google Scholar

Comstock, M., Braun, J. Desarrollo de herramientas de análisis para la evaluación de la detección y diagnóstico de fallas en enfriadores, Proyecto de investigación ASHRAE RP-1043. Laboratorio Ray W. Herrick Universidad Purdue; (1999).

Granderson, J., Lin, G., Harding, A., Im, P. y Chen, Y. Creación de datos de detección de fallas para ayudar en la creación de algoritmos de diagnóstico y pruebas de rendimiento. Datos de ciencia. 7(1), 65, https://doi.org/10.1038/s41597-020-0398-6 (2020).

Artículo PubMed PubMed Central Google Scholar

Granderson, J., Lin, G., Chen, Y., Casillas, A. Conjuntos de datos de diagnóstico y detección de fallas de LBNL. Iniciativa de Datos Abiertos sobre Energía (OEDI) del DOE; Laboratorio Nacional Lawrence Berkeley. (LBNL), Berkeley, CA (Estados Unidos); https://data.openei.org/submissions/5763, https://faultdetection.lbl.gov/, https://doi.org/10.25984/1881324 (2022).

Comstock, MC, Braun, JE y Groll, EA Un estudio de fallas comunes en enfriadoras. Transacciones ASHRAE. 108, 819 (2002).

Google Académico

Crowe, E. y col. Lo que aprendimos al analizar 15 millones de filas de datos de fallas de HVAC de edificios comerciales. En: Actas del Estudio de verano de 2022 sobre eficiencia energética en edificios. (2022).

Kim, J. y col. Desafíos y direcciones de la investigación en la prevalencia de fallas de HVAC. Ciencia y tecnología para el entorno construido. 27(5), 624–640, https://doi.org/10.1080/23744731.2021.1898243 (2021).

Artículo de Google Scholar

Chen, Y., Lin, G., Chen, Z., Wen, J. y Granderson, J. Una evaluación basada en simulación de los efectos de falla de la unidad fan coil. Energía y Edificación. 263, 112041, https://doi.org/10.1016/j.enbuild.2022.112041 (2022).

Artículo de Google Scholar

Li, Y. & O'Neill, Z. Un marco innovador de análisis del impacto de fallas para mejorar las operaciones de construcción. Energía y Edificación. 199, 311–331 (2019).

Artículo de Google Scholar

Roth, K., Westphalen, D., Llana, P., Feng, M. El impacto energético de las fallas en edificios comerciales de EE. UU. En: Conferencia Internacional de Refrigeración y Aire Acondicionado. Universidad de Purdue; 2004.

Wang, S. y Xiao, F. Diagnóstico de fallas del sensor AHU utilizando el método de análisis de componentes principales. Energía y Edificación. 36(2), 147–160, https://doi.org/10.1016/j.enbuild.2003.10.002 (2004).

Artículo de Google Scholar

Breuker, MS & Braun, JE Fallas comunes y sus impactos en los aires acondicionados de techo. Investigación sobre HVAC&R. 4(3), 303–318, https://doi.org/10.1080/10789669.1998.10391406 (1998).

Artículo de Google Scholar

Salah, M., Osman, H. y Hosny, O. Planificación de mantenimiento centrada en la confiabilidad basada en el desempeño para instalaciones hospitalarias. Revista de desempeño de instalaciones construidas. 32(1), 04017113, https://doi.org/10.1061/(ASCE)CF.1943-5509.0001112 (2018).

Artículo de Google Scholar

Gunay, B. y col. Beneficios de rendimiento energético y de confort de la detección temprana de fallas en sensores y actuadores del edificio. Ingeniería de Servicios de Construcción Investigación y Tecnología. 39(6), 652–666 (2018).

Artículo MathSciNet Google Scholar

Chen, Y., Chen, Z., Lin, G., Wen, J., Granderson, J. Un método basado en simulación para analizar los impactos de fallas de la unidad Fan Coil. En: Transacciones ASHRAE. Vol. 128. ASHRAE; 210. https://www.ashrae.org/technical-resources/ashrae-transactions (2023).

Ginestet, S., Marchio, D. & Morisot, O. Evaluación del impacto de las fallas en el consumo de energía y la calidad del aire interior en una unidad de tratamiento de aire. Energía y Edificación. 40(1), 51–57, https://doi.org/10.1016/j.enbuild.2007.01.012 (2008).

Artículo de Google Scholar

Granderson, J., GR y cols. Herramientas comerciales de diagnóstico y detección de fallas: qué ofrecen, en qué se diferencian y qué aún se necesita. Laboratorio Nacional Lawrence Berkeley. (LBNL), Berkeley, CA (Estados Unidos); 2018. https://escholarship.org/uc/item/4j72k57p Consultado el 23 de noviembre (2021).

Frank, S. y col. Un marco de evaluación del desempeño para crear algoritmos de detección y diagnóstico de fallas. Energía y Edificación. 192, 84–92, https://doi.org/10.1016/j.enbuild.2019.03.024 (2019).

Artículo de Google Scholar

Yuill, DP & Braun, JE Evaluación del desempeño de los protocolos de diagnóstico y detección de fallas aplicados a equipos de aire acondicionado unitarios enfriados por aire. Investigación sobre HVAC&R. 19(7), 882–891, https://doi.org/10.1080/10789669.2013.808135 (2013).

Artículo de Google Scholar

Lin, G., Pritoni, M., Chen, Y. & Granderson, J. Desarrollo e implementación de algoritmos de corrección de fallas en herramientas de diagnóstico y detección de fallas. Energías. 13(10), 2598, https://doi.org/10.3390/en13102598 (2020).

Artículo de Google Scholar

Pritoni, M. y col. De la detección de fallas a la corrección automatizada de fallas: un estudio de campo. Edificación y Medio Ambiente. 214, 108900, https://doi.org/10.1016/j.buildenv.2022.108900 (2022).

Artículo de Google Scholar

Eskandari, N. & Noorzai, E. Ofreciendo una solución preventiva a defectos en el sistema de instalaciones de edificios comerciales utilizando BIM. Instalaciones. 39(13/14), 859–887, https://doi.org/10.1108/F-04-2020-0037 (2021).

Artículo de Google Scholar

Balaji, B. y col. Brick: esquema de metadatos para aplicaciones portátiles de construcción inteligente. Energía Aplicada. 226, 1273–1292, https://doi.org/10.1016/j.apenergy.2018.02.091 (2018).

Artículo de Google Scholar

Clark, DR, May WB HVACSIM+ Programa de simulación de equipos y sistemas de construcción: guía del usuario. Oficina Nacional de Normas, División de Equipos de Construcción; 1985. https://www.osti.gov/biblio/6127383 Consultado el 20 de noviembre (2021).

Wetter, M., Zuo, W., Nouidui, TS y Pang, X. Biblioteca de edificios Modelica. Revista de simulación del rendimiento de edificios. 7(4), 253–270, https://doi.org/10.1080/19401493.2013.765506 (2014).

Artículo de Google Scholar

Crawley, DB y cols. EnergyPlus: creación de un programa de simulación energética de edificios de nueva generación. Energía y Edificación. 33(4), 319–331, https://doi.org/10.1016/S0378-7788(00)00114-6 (2001).

Artículo de Google Scholar

Pourarian, S., Kearsley, A., Wen, J. y Pertzborn, A. Optimización eficiente y robusta para la simulación energética de edificios. Energía y Edificación. 122, 53–62, https://doi.org/10.1016/j.enbuild.2016.04.019 (2016).

Artículo PubMed PubMed Central Google Scholar

Modelón. Biblioteca de aire acondicionado. Modelón. Publicado en 2020. https://modelon.com/library/air-conditioning-library/ Consultado el 31 de octubre (2022).

Wen, J., Pourarian, S., Yang, X., Li, X. Herramientas NIST 10D243 para evaluar métodos de diagnóstico y detección de fallas para sistemas secundarios HVAC de un edificio Net Zero. El Instituto Nacional de Estándares y Tecnología de EE. UU.; 2015. https://www.researchgate.net/profile/Jin-Wen-12/publication/337946061_NIST10D243_FinalReport_-Tools_for_Evaluating_Fault_Detection_and_Diagnostic_Methods_for_HVAC_Secondary_Systems_of_a_Net_Zero_Building/links/5df73f11299 bf10bc35f1163/NIST10D243-FinalReport-Herramientas-para-evaluar-métodos-de-diagnóstico-y-detección-de-fallas- for-HVAC-Secondary-Systems-of-a-Net-Zero-Building.pdf Consultado el 25 de enero (2021).

Wheeler, G., Kozubal, E., Judkoff, R. Diseño experimental y caracterización de laboratorio de una unidad de azotea de eficiencia media y alta para su uso en simulaciones energéticas de edificios. Congreso Internacional de Refrigeración y Aire Acondicionado. https://docs.lib.purdue.edu/iracc/2057 Publicado en línea el 1 de enero (2018).

Granderson, J. Conjuntos de datos LBNL FDD. figshare https://doi.org/10.6084/m9.figshare.c.6486349.v1 (2023).

Casillas, A., Lin, G., Granderson, J. Curación de conjuntos de datos de evaluación comparativa validados por la verdad sobre el terreno para herramientas de diagnóstico de detección de fallas. En: Estudio de verano de ACEEE 2020 sobre eficiencia energética en edificios; 2020. https://escholarship.org/uc/item/9cz491j6 Consultado el 20 de noviembre (2021).

Laboratorio Nacional Lawrence Berkeley. Biblioteca de Edificios Modelica. Publicado el 6 de diciembre de 2022. https://simulationresearch.lbl.gov/modelica.html Consultado el 1 de enero (2023).

Departamento de Energía, EE. UU. EnergyPlus. Publicado en 2022. https://energyplus.net/ Consultado el 1 de enero (2023).

Descargar referencias

Este trabajo fue apoyado por el Subsecretario de Eficiencia Energética y Energías Renovables, Oficina de Tecnologías de Construcción, del Departamento de Energía de EE. UU. bajo el Contrato No. DE-AC02-05CH11231. Los autores desean agradecer a Ravi Gorthala, Universidad de New Haven, por su contribución de datos de campo RTU in situ al conjunto de datos. Nos gustaría agradecer al Dr. Sungkyun Jung, Laboratorio Nacional Oak Ridge, por su contribución de los datos de simulación RTU al conjunto de datos. Además, agradecemos a Brian Walker y Erika Gupta (anteriormente) de la Oficina de Tecnologías de Construcción por su generoso apoyo.

Laboratorio Nacional Lawrence Berkeley, Berkeley, EE.UU.

Jessica Granderson, Guanjing Lin, Yimin Chen y Armando Casillas

Universidad de Drexel, Filadelfia, EE.UU.

Jin Wen y Zhelun Chen

Laboratorio Nacional de Oak Ridge, Oak Ridge, EE. UU.

Piljae Im y Sen Huang

Laboratorio Nacional de Energías Renovables, Golden, EE.UU.

Jiazhen Ling

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Jessica Granderson dirigió el esfuerzo general de investigación; escribió el manuscrito original; revisó y editó el manuscrito. Yimin Chen escribió el manuscrito original; curó y sintetizó los conjuntos de datos; sintetizó los conjuntos de datos; y documentó los datos. Guanjing Lin sintetizó los conjuntos de datos; y lideró la validación técnica y documentación de los datos; revisó el manuscrito. Armando Cassilas seleccionó y sintetizó los conjuntos de datos; y documentó los datos. Jin Wen seleccionó y sintetizó los conjuntos de datos DDAHU, FCU y FPU; y documentó los datos. Zhelun Chen seleccionó y sintetizó los conjuntos de datos DDAHU, FCU y FPU; y documentó los datos. Piljae Im seleccionó y sintetizó los conjuntos de datos de RTU. Sen Huang seleccionó y sintetizó los conjuntos de datos de SDAHU, plantas de refrigeración y plantas de calderas; y documentó los datos. Jiazhen Ling seleccionó y sintetizó el conjunto de datos de RTU; y documentó los datos.

Correspondencia a Jessica Granderson o Yimin Chen.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Granderson, J., Lin, G., Chen, Y. et al. Un conjunto de datos etiquetados para construir sistemas HVAC que funcionan en estados con y sin fallas. Datos de ciencia 10, 342 (2023). https://doi.org/10.1038/s41597-023-02197-w

Descargar cita

Recibido: 18 de enero de 2023

Aceptado: 28 de abril de 2023

Publicado: 01 de junio de 2023

DOI: https://doi.org/10.1038/s41597-023-02197-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt