障害が発生した状態で動作する HVAC システムを構築するためのラベル付きデータセット

Scientific Data volume 10、記事番号: 342 (2023) この記事を引用

287 アクセス

メトリクスの詳細

オープンデータは、多くの分野にわたるイノベーションを促進します。建築科学の分野では、新しい制御アルゴリズムや性能分析手法など、運用アプリケーションの開発に情報を提供するために使用できるデータセットを入手するのは非常に困難です。この記事では、障害のある状態と障害のない状態における建物システムの運用に関する既知の最大の公開データセットの開発と内容を要約します。商業ビルにおける最も一般的な HVAC システムと構成を、さまざまな気候、障害の種類、障害の重大度にわたってカバーしています。データセットに含まれる時系列ポイントには、既存の建物でよく見られる測定値だけでなく、それほど一般的ではない測定値も含まれています。データの生成には、シミュレーションツール、実験的試験設備、および現場での操作が使用されました。より多くのデータを必要とするアルゴリズムに情報を提供するために、シミュレートされたデータのほとんどは、障害と重大度の組み合わせごとに 1 年間の動作をカバーしています。このデータセットは、2020 年に主著者によって最初に公開されたデータセットを大幅に拡張したものです。

故障検出および診断 (FDD) は、建築科学および建築技術アプリケーションにおける確立された研究分野です。これは主に、設備の故障や制御の問題が建物のエネルギー使用と排出、設備の寿命、居住者の快適性に与える重大な影響によって引き起こされます。特に HVAC システムの構築では、システム構成の多様性、複雑な操作、監視データの可用性を考慮すると、FDD アルゴリズム開発のための豊富な機会が与えられます。さらに、最近の建物と電力部門の脱炭素化の推進により、再生可能エネルギー供給網に負荷柔軟なサービスを確実に提供できる、グリッドインタラクティブで効率的な建物の重要性が高まっています。このため、建物の HVAC システムが制御可能で障害がないことを確認することがさらに重要になり、FDD テクノロジーの開発と導入のさらなる動機となっています。

建物では、FDD ソフトウェアツールはビルディングオートメーションシステム、センサー、メーターから収集された運用データを使用して、機器や制御の問題、または HVAC システムのパフォーマンス低下を自動的に検出し、潜在的な根本原因を診断します1。 FDD テクノロジーの結果を使用して、ビルのオペレーターはメンテナンス活動を効率的に指示して、非効率な機器や制御機能の故障に対処できます。

過去 30 年間に、建物向けの FDD ソリューションの開発と適用を文書化した大量の文献が出版されてきました。活発な研究は、次のような幅広いトピックをカバーしています。(1) 何百もの FDD 手法の開発と検証 2、3、4。 (2) 故障を含むモデル 5、6、7 を生成するための実験プラットフォームまたはシミュレーションソフトウェアツールの開発、および故障を含むデータセット 8、9、10 の開発。 (3) 建物の欠陥の蔓延と発生率の定量化11、12、13。 (4) システム動作 14、15、エネルギー消費 16、17、機器の保守および運用コスト 18、19、居住者の温熱快適性 15、20、21、および室内空気の質 22 に対する障害の影響の分析。 (5) 既存の建物における FDD 技術の適用、コスト、利点 1、23。 (6) FDD アルゴリズムのパフォーマンステスト方法論 24、25。 (7) FDD ツールによって障害が診断され、フラグが付けられた後の自動障害修正 26、27 とメンテナンス活動 28。

ビル制御および自動化システムは大量の運用データを保存およびエクスポートできますが、これらのデータは多くの場合、誤ったセンサーやギャップなどのデータ品質の問題を引き起こす傾向があります。一貫した命名規則はシステム間で使用されず、データ間の意味や関係を解釈するためのセマンティックメタデータはほとんど使用されません。さらに複雑なのは、データが、一般的に発生するさまざまな障害の未知のラベルのない存在を反映していることです。最後に、研究者は小規模な現場データのコレクションを取得することはできますが、気候、HVAC システム、運用の多様性を表す大規模なデータセットを蓄積することは非常に困難です。これは、FDD アルゴリズム開発とパフォーマンス評価における革新にとって大きな障壁となります。

この論文は、FDD アルゴリズムのテスト方法とテストデータセットに焦点を当てた研究内容を拡張し、9 で提示された HVAC 障害データセットの大幅な拡張を文書化しています。この拡張には、5 つの新しい HVAC システムと構成、障害ケースの数の増加、各障害強度の組み合わせのより長い期間 (ほとんどの場合、丸 365 日に達します) が組み込まれています。データは、シミュレーションツール、実験室の実験設備、およびフィールドテストを使用して作成されました。さらに、各システムのセマンティックモデルは、使いやすさの向上と、今日一般的に使用されている建築業界のメタデータスキーマへの準拠を目的として、Brick スキーマ 29 に従って開発されました。

この記事で文書化された拡張データセットには、シングルダクトエアハンドリングユニット (AHU) システム、パッケージ型ルーフトップユニット (RTU)、デュアルダクト AHU システム、ファンコイルユニット (FCU) システム、可変空調システムの 7 つの一般的な HVAC システムが含まれています。ボリュームファンパワーユニット（FPU）、ボイラープラント、およびチラープラント。センサー関連の故障、アクチュエータ関連の故障、制御故障（コントローラ PID パラメータ設定など）、およびコンポーネント故障（冷却コイルフォイル故障など）にわたる 257 の故障ケースが示されています。合計で、そのデータセットは 80 億のデータサンプルで構成されており、HVAC 障害に関する既知の最大のグラウンドトゥルース検証済みデータを表します。 2020 年の出版物9 に記載されているように、FDD の研究者と開発者はデータを次の目的で使用できます。

FDD アルゴリズム全体でパフォーマンスを開発、評価、比較します。

将来の開発努力とリソース投資に焦点を当てるために、パフォーマンスのギャップを特定します。

FDD テクノロジー全体が時間の経過とともにどのように改善されているかについての理解を深めます。そして

教育目的で、障害のある動作条件および障害のない動作条件下での HVAC システムのパフォーマンスをより深く理解できるようにします。

ASHRAE 研究プロジェクト RP-1312 および RP-1043、国立標準技術研究所 (NIST) 10D243 プロジェクトなどの以前の研究は、運用中の HVAC 障害データの初期の貢献を表しています。この研究は、対象となる HVAC システムの数と種類を増やし、障害のない稼働期間と障害のある稼働期間 (ほとんどの場合 1 年) を延長し、障害の数と種類を増やすことによって、これらの初期の取り組みを前進させます。代表される。これにより、FDD アルゴリズムの開発とパフォーマンス評価におけるデータセットの有用性が大幅に向上します。

新しく拡張されたデータセットには、表されている 7 つの HVAC システムタイプと構成にわたる実験データとシミュレーションデータが含まれており、その大部分がシミュレーションされています。データの作成にはさまざまな設備とシミュレーションツールが使用され、焦点となる特定の HVAC システム、その動作を定義する制御シーケンスを考慮して、障害ごとに障害を課す方法が作成されました。これらの設備とツール、HVAC システムの詳細、および障害方法について、データに適用されたメタデータスキーマと同様に以下で説明します。メタデータの提供により、データの解釈が容易になり、FDD アルゴリズムインスタンスとデータをインターフェースするためにより自動化された手順を採用したいデータセットのユーザーをサポートします。

シミュレートされたデータセットは、HVACSIM+ と EnergyPlus-Modelica 共同シミュレーションを使用して作成されました。 HVACSIM + は米国 NIST30 によって開発され、Modelica Buildings Library31 はローレンスバークレー国立研究所によって開発され、EnergyPlus32 は米国エネルギー省からの資金提供を受けて複数の貢献者によって開発されました。 in33 の他のモデリングツールに関して説明したように、HVACSIM+、Modelica、および EnergyPlus は、物理ベースのアプローチを使用して HVAC システムの構築の動作をモデル化するための非専用ツールです。さらに、Modelon の空調ライブラリを使用して、RTU システムの冷媒側の故障をモデル化しました 34。このライブラリは、すぐに使用できる冷凍サイクルテンプレートと、さまざまな空調システム構成を作成するための幅広いコンポーネントを提供します。

データの作成とシミュレーションモデルの開発と検証には、4 つの実験研究施設が使用されました。

FLEXLAB は、カリフォルニア州バークレーのローレンスバークレー国立研究所にあり、単一ゾーン CAV データセットおよび可変空気量 (VAV) AHU データセットを生成します9。

テネシー州オークリッジのオークリッジ国立研究所にある、RTU データセットの生成のためのフレキシブルリサーチプラットフォーム (FRP) 9。

エネルギーリソースステーション施設は、DD-AHU、FCU、および FPU シミュレーションモデルの開発と検証、およびマルチゾーン VAV AHU データの作成のために、以前はアイオワ州エイムズシティのアイオワエネルギーセンターに設置されていました35。

RTU 施設は、RTU シミュレーションモデルの検証のために、コロラド州ゴールデンにある国立再生可能エネルギー研究所の熱技術施設 (TTF) 内にあります。 NREL の TTL は、建物および熱エネルギーシステムの詳細な評価と開発を可能にする柔軟な多目的ラボです。 TTFの研究スペースは11,000平方フィートに達します。 5 トン/SEER 17 (RTU 1) と 6 トン/IEER 23 (RTU 2) の 2 つの RTU が TTL に設置され、建物全体のエネルギーシミュレーションコンピュータープログラムでの使用に適した包括的な性能マップを開発します。 SEER 17には、R-410Aを備えた2段スクロールコンプレッサー、シングルスピードコンデンサーファン、高効率モーターを備えた直接駆動可変供給空気ファン、低リークダンパー、ホットガス再熱湿度制御、およびエコノマイザーが搭載されていました。 IEER 23 には、可変速ダイレクトドライブコンプレッサー、可変速ファン、およびコンプレッサーと熱膨張弁 (TXV) を性能制限内に維持する制御ロジックが含まれていました36。

障害のある屋上ユニットの動作と障害のない屋上ユニットの動作を表すフィールドデータもデータセットに含まれています。このデータは 2 つの RTU から収集されました。1 つはコネチカット州ミルフォードのレストランの建物にあり、もう 1 つはコネチカット州コルチェスターの配送センターの建物にあります。表 1 は、これらのサイトと RTU をまとめたものです。

データセット内の各システムの構成とシーケンスは、データのユーザー向けにインベントリファイルに包括的に文書化されています。この情報は、多くの場合、障害検出および診断アルゴリズムで制御固有のパラメーターを指定するために必要になります。この情報の形式と内容を説明するために、ファンコイルユニットシステムとボイラープラントという 2 つの例を示します。

図 1 には、ファンコイルユニット (FCU) システムの概略図が含まれています。

FCUの概略図。

FCU は、占有モードと非占有モードに応じて、時刻に基づいて自動動作するようにスケジュールされています。

占有モード (月曜～金曜午前 6 時～午後 17 時 59 分)

この時間帯、システムは動作モードになります。シミュレーション中に、制御、外気ダンパー制御、冷却コイルバルブ制御、加熱コイルバルブ制御シーケンス、ゾーン温度設定値の 5 つの制御シーケンスが設定されました。

ファン制御

「自動オン/オフ」(自動) モードを備えた 3 速ファン: ファンのオン/オフと速度の変更は、冷却比例積分微分 (PID) 出力と加熱 PID 出力に基づいています。各速度切り替えレベルには 10% のデッドバンドが与えられます。

低速条件: PID 出力 (冷却/加熱コイルのバルブ位置) が 0% より高く、40% より低い。

中速条件: PID 出力 (冷却/加熱コイルのバルブ位置) は > = 40% および <80%。

高速条件: PID 出力 (冷却/加熱コイルのバルブ位置) は > = 80% かつ < 100%。

オフ: 暖房または冷房の要求はありません。

OAダンパー制御

OA ダンパーは最小ダンパー位置を 30% に維持します。

冷却コイルバルブ制御シーケンス

PID 制御は、冷却コイルのバルブ位置を調整するために使用されます。設定点のデッドバンドは 1 °F です。実際の室温が冷却設定値の 1 °F を超えている場合、FCU は「冷却」モードになり、冷却コイルバルブの PID ループが有効になり、冷却バルブの位置は冷却コイルバルブコントローラーの PID 出力によって制御されます。。室温が冷却設定値と比較して 1 °F を下回ると、冷却 PID が無効になり、バルブが完全に閉じます。

加熱コイルバルブ制御シーケンス

PID 制御は、加熱コイルのバルブ位置を調整するために使用されます。設定点のデッドバンドは 1 °F です。実際の室温が暖房設定値の 1 °F を超えている場合、FCU は「暖房」モードになり、暖房コイルバルブの PID ループが有効になり、暖房バルブの位置は暖房コイルバルブコントローラーの PID 出力によって制御されます。。室温が暖房設定値と比較して 1 °F を下回ると、暖房 PID が無効になり、バルブが完全に閉じます。

ゾーン温度設定値

ゾーン冷却設定値: 72 °F;

ゾーン加熱設定値: 68 °F。

シャットダウンモード

シャットダウンモードは、以下で説明する低温保護によってのみトリガーされます。シャットダウンモードではファンは常時停止し、OAダンパーは全閉となります。

低温保護

シミュレーション中、混合空気の温度が 35 °F 未満で 300 秒間続くと、FCU システムはコイルの凍結を防ぐためにシャットダウンモードに切り替わります。シャットダウンモードは一日の終わりまで続きます。システムは翌日の初めに通常の動作に戻ります。

空きモード

この時間帯、システムはセットバックモードになります。操作は、次の 2 つの追加設定を除いて、操作モードと似ています。

外気ダンパー：OAダンパー全閉

ゾーン温度設定値

ゾーン冷却設定値: 85 °F;

ゾーン加熱設定値: 55 °F。

図２にボイラプラントのシステム構成を示す。このシステムには 2 つの同一のボイラーと 2 つの温水ポンプがあり、空気側システムの加熱コイルに温水を供給します。

研究対象のボイラープラントシステムの概略図。

ボイラープラントシステムは、2 つの監視コントローラーと 2 つのローカルコントローラーによって制御されます (表 2)。図 3 に示すように、1 つの監視コントローラーがステートマシンと計算された熱負荷を使用して稼働ボイラーの数を決定します。暖房負荷は次から計算されます。

ここで、 \({\mathop{v}\limits^{^\circ }}_{hw}\) は熱水の体積流量、 \({T}_{hw}^{ent}\) です。 \({T}_{hw}^{lea}\) は、それぞれボイラープラントシステムに流入する熱水の温度とボイラープラントシステムから流出する熱水の温度です。もう一方の監視制御装置は、図4に示すように、温水ポンプの運転台数を決定します。

ボイラーのステージング制御 (ξ = 0.95、待機時間: 30 分)。

ボイラープラントシステムの温水ポンプの段階制御（待ち時間：30分）。

表 3 ～ 10 は、障害プロファイルと、各システムおよび障害シナリオごとに各障害がどのように発生したかをまとめたものです。シミュレートされたデータセットでは、各断層の種類と強度が暦年の運用全体に対して課されました。ただし、100 日間の寒冷期をカバーするシミュレートされた RTU データセットは例外です。実験およびフィールドテストのデータセットでは、故障の種類と強度の組み合わせが 1 ～ 183 日間の運用で取得されました。

現場測定から取得された RTU データセットは、自然に発生するコンプレッサーのステージング障害と冷媒過少充填障害を反映していました。

Brick スキーマ 29 はクラスとサブクラスを提供しており、そのうちの機器クラスは、障害データセットで表される HVAC システムコンポーネントを指定するために使用されます。同様に、ポイントサブクラスは、センサー測定および制御システムデータポイントの設計に使用されました。さらに、スキーマは「関係」を提供します。その関係のうち、hasPart、hasPoint、およびフィードは、障害データセットの記述に関連します。図 5 は、データセット内の各 HVAC システムのブリックモデルを生成するために使用された 5 ステップのプロセスを示しています。このうち、ステップ 4 は自動化されており、他のステップは手動で実行されます。

ブリックスキーマモデル開発の流れ。

各システムの概略図をレビューして、システム全体の主要コンポーネントを特定し、構成的な (「hasPart」) 関係を開発しました。主要コンポーネントごとに、関連するすべてのセンサー/コントロールポイントを特定して、「hasPoint」関係を構築します。最後に、特定の媒体 (空気、水など) がシステム内を流れる順序を特定し、異なる機器間の連続的な (「供給」) 関係を構築します。

ステップ 1 でシステムのコンポーネントとセンサー/制御ポイントを特定した後、どの機器にどのコンポーネントがあるか (「hasPart」)、どの機器またはコンポーネントにどのセンサーと制御データポイントがあるか (「hasPoint」)、どの機器がフィードを行うかを示します。別の機器 (「フィード」) に送ります。

階層図内のすべての機器、コンポーネント、センサー/制御データポイントは、Brick スキーマクラスにマッピングされ、表にまとめられます。機器とサブコンポーネントはブリック「機器」クラスのサブクラス (冷却装置、AHU、RTU など) にマッピングされ、センサーと制御ポイントにはブリック「ポイント」のタイプサブクラスが割り当てられます。

各行 (つまり、各コンポーネント) に対して、関連する関係、それに接続されている他のコンポーネント、およびこれらのコンポーネントを指定します。このようにして、すべてのコンポーネント、そのタイプ、および他のコンポーネントとの関係を組み込むことができます。

ステップ 3 で生成されたテーブルは CSV ファイルとしてエクスポートされ、機械可読な .ttl ファイルの形式でブリックモデルを生成する Python スクリプトにインポートされます。スクリプトはテーブルの各行を反復処理し、すべてのコンポーネントとポイントを Brick クラスの特定のインスタンス化と対応する関係に割り当てます。 .ttl ファイルには FDD アルゴリズム (または他のアプリケーション) からアクセスできるため、SPARQL クエリを使用したシステムメタデータのより効率的かつ標準化された取得が可能になります。これにより、FDD または他のアプリケーション内のデータセマンティクスの解釈が合理化されます。

生成されたブリックモデルは、視覚化してステップ 2 の階層図と比較することで検証されます。視覚化には Brick Studio を使用し、データセット内のすべてのコンポーネントが存在し、コンポーネント間の関係が正しくラベル付けされていることを確認しました。

データは figshare37 および LBNL Web サイト 10 に保存されています。拡張された 7 つのデータセットの説明は、表 11 にあります。システムごとに、FDD データは個別のカンマ区切り値 (CSV) ファイルに保存され、各ファイルには 1 つの障害強度の下で 1 つの障害タイプが含まれます。データは、システム動作を反映するために 1 分間隔のレートで保存されます。 1 分間隔レートは、既存のビルディングオートメーションシステム (BAS) でも一般的に使用されている 5 分間隔および 15 分間隔に再サンプリングできます。タイムスタンプは各ファイルの最初の列にあり、「yyyymmdd hh:mm」の形式で表示されます。

各システムデータセットには、.ttl ブリックモデルと、各データセットの内容と範囲を理解するために必要な次のような重要な情報を記述するデータ「インベントリ」ファイルが付属しています。

データセットの概要、作成者、シミュレーションまたは物理実験のどちらによって生成されたのか

建物およびシステム情報

モデルまたは実験施設の説明

システムの種類と物理構成図

制御シーケンス

ブリックスキーマモデル図

データポイント

各測定の単位

既存の BAS が使用する基本的なデータポイントにはラベルが付けられています。

データで表される障害のある状態と障害のない状態の入力シナリオ

障害の種類

断層強度

過失の課し方

Granderson et al.9 は、データセットの有効性は次の 3 つの側面に従って評価できることを文書化しました。(1) 使用された実験施設内のセンサーと測定インフラストラクチャの精度。 (2) 使用されたシミュレーションモデルの精度。 (3) 障害の存在と重大度、障害の有無とその重大度を示すグラウンドトゥルースラベルの精度9。

グランダーソンら。 FLEXLAB、FRP、およびアイオワエネルギーセンター施設での測定校正プロセスについて説明しています9。

グランダーソンら。らは、EnergyPlus-Modelica モデルのシミュレーションモデルの検証について説明しました 9。そしてウェンら。 HVACSIM + モデルのモデル検証について説明します9、35。これらの出版物では、経験的検証、実験的キャリブレーション、比較テスト (他のツールとの比較)、分析的検証 (正確な解決策に関する) などの多数の方法が説明されています。

簡潔にするために、施設の測定とシミュレーションモデルの精度の詳細については、これらの先行出版物を参照してください。

Granderson et al.9 は、機能テストとエンジニアリングロジック 9 を適用するグラウンドトゥルース検証プロセスについて説明しています。機能テストでは、システムの動作が設計された制御シーケンスと一致しており、障害のない動作動作が反映されていることを検証します。エンジニアリングロジックと指定された制御シーケンスを組み合わせて、データの傾向が障害のないシナリオと障害のあるシナリオの動作を実際に反映していることを確認します。

図 6 に、ファンコイルユニットシステムの例をいくつか示します。まずデータ傾向を検査して、システムが 6:00 ～ 17:59 に対応する定義済みの占有時間スケジュールに従って動作していること、およびシーケンスで指定された定義済みの設定値に従って動作していることを確認します (「システム構成と制御シーケンス」セクションを参照)。）。これは、冷房設定点と暖房設定点の傾向のプロファイルで確認されます。それぞれ、85 °F から 72 °F、55 °F から 68 °F に変化し、6:00 と 17:59 のタイムスタンプに戻ります。次に、データの傾向を検査して、冷却バルブコントローラーのモデル化された PID パラメーターが適切な制御信号を出力するように構成されていることを検証します。これは、冷却コイルバルブコマンドのプロットされた信号に、滑らかな傾向と大きな振動がないことによって確認されます。最後に、ゾーン温度の傾向を検査することで、制御目標、つまり 72 °F の冷却設定値が稼働期間全体を通じて維持されたことが確認されます。

FCU の障害のない動作データの例 (7 月 17 日)。

障害のない動作状態の検証に続いて、障害が発生したシナリオごとに追加のテストが実施されました。これらのテストでは、(a) 課せられた障害状態がデータに正しく反映されているかどうか、(b) 予期される障害の症状が他の動作傾向に反映されているかどうかが検討されました。

図 7 は、FCU システム障害 - ゾーン気温センサーのバイアス +2 °C (3.6 °F) に対するこれら 2 種類のテストを示しています。偏った状態は、「偽装された」障害モデルの出力ポイント (実線) と変更されていない出力ポイント (破線) からのデータトレンド間の 2 °C オフセットを比較することで確認されます。これは明らかに識別でき、プロットの右側に注釈が付けられています。このバイアスの症状は、故障した場合の冷却コイルバルブの位置 (黒い実線) と故障していない場合の冷却コイルバルブの位置 (黒い破線) を比較すると観察されます。障害が発生した場合の位置は、コントローラーが誤って高いゾーン空気温度の読み取り値に見合った冷却量の増加を提供しようとしたため、かなり高くなっています。

FCU 障害時の動作データの例 (ゾーン気温センサーのバイアス +2 °C (3.6 °F)、7 月 17 日)。

図 8 は、別の FCU システム障害を示しています。冷却シーズン中に発生した、冷却コイルバルブが 20% でスタックしている状態です。ここで、バルブ位置信号 (黒い実線) が 0.2 に固定されている一方で、バルブコマンド信号 (黒い破線) が調整されていることを観察することで、故障状態が確認されます。この障害の症状は、冷却コイルバルブ制御信号 (黒い破線) が値 1 (つまり 100%) に達したにもかかわらず、ゾーン温度 (紫の実線) が占有時間中に冷却設定値 72 °F を大幅に超えたことです。の位置）、コントローラーは最大限の冷却を提供しようとします。

FCU 故障時の動作データの例 (20% 位置での冷却コイルバルブ固着故障、7 月 17 日)。

同様の検証テスト手順が、実験データセットおよびシミュレーションデータセットの各強度レベルで各故障タイプに対して実行されました。 1 年間の運用期間にわたるシミュレートされたデータセットについては、夏期/冷房期、冬期/暖房期、移行期/スイング期の 3 つの運用季節のそれぞれから少なくとも 3 日間のサンプルが検査用に選択されました。このサンプリングにより、さまざまな気象条件や動作モード下でのデータと障害のあるシステム動作の検証が可能になりました38。

ユーザーがデータの内容と形式、および対応する HVAC システム、制御、および障害を解釈できるようにするために、データの完全なインベントリが作成されました。データ自体は、ユーザーが実装することを選択したどのソフトウェアツールでも分析できる時系列で構成されます。データは 1 分間隔で提供され、特定のアプリケーションのニーズに合わせて必要に応じて再サンプリングできます。

Modelica Buildings Library と EnergyPlus は無料でダウンロードできます 39,40。 EnergyPlus は、Windows、Mac OSX、および Linux オペレーティングシステムで実行されます。 Modelica を実行するには Windows または Linux ベースのコンピューターと Dymola ソルバーが必要です。Dymola は Modelica Buildings Library からライセンスを取得できます。 HVACSIM + も、NIST からの要求に応じて無料で入手でき、オペレーティングシステム要件はありません。 RTU 冷媒側の障害をモデル化するために使用された Modelon 空調ライブラリには、Modelon のライブラリスイート 34 からアクセスしました。 Modelica ベースのライブラリは、空調システムの設計、分析、最適化に使用されます。

ブリックスキーマモデルの開発方法で説明されているプロセスに従って、データセット内の各システムのブリックモデル .ttl ファイルを作成するために、Python ベースのカスタムスクリプトが開発されました。 .ttl ファイルはデータリポジトリに含まれています。

Lin, G.、Kramer, H.、Nibler, V.、Crowe, E.、Granderson, J. 大規模な分析ツールの導入の構築: メリット、コスト、および導入の実践。エネルギー。 15(13)、4858、https://doi.org/10.3390/en15134858 (2022)。

記事 Google Scholar

Katipamula, S. & Brambley、建築システムの故障検出、診断、および予後のための MR 手法 - レビュー、パート I. HVAC&R 研究。 11(1)、3–25、https://doi.org/10.1080/10789669.2005.10391123 (2005)。

記事 Google Scholar

Katipamula, S. & Brambley、建築システムの障害検出、診断、および予後のための MR 手法 - レビュー、パート II。 HVAC&R 研究。 11(2)、169–187、https://doi.org/10.1080/10789669.2005.10391133 (2005)。

記事 Google Scholar

Kim, W. & Katipamula, S. 構築システムの障害検出および診断方法のレビュー。建築環境のための科学技術。 24(1)、3–21、https://doi.org/10.1080/23744731.2017.1318008 (2018)。

記事 Google Scholar

Li, Y. & O'Neill, Z. 建物内の HVAC システムの障害モデリングの批判的レビュー。サイマルを構築します。 11(5)、953–975、https://doi.org/10.1007/s12273-018-0458-4 (2018)。

記事 Google Scholar

Pourarian, S. et al. ファンコイルユニットの故障検出・診断方法を評価するためのツールです。エネルギーと建物。 136、151–160 (2017)。

記事 Google Scholar

Zhang, R. & Hon, T. 建物のパフォーマンスシミュレーションにおける HVAC の動作障害のモデリング。応用エネルギー。 202、178–188、https://doi.org/10.1016/j.apenergy.2017.05.153 (2017)。

記事 Google Scholar

Comstock, M.、Braun, J. チラーの故障検出と診断の評価のための分析ツールの開発、ASHRAE 研究プロジェクト RP-1043。レイ・W・ヘリック研究所パデュー大学; （1999年）。

Granderson, J.、Lin, G.、Harding, A.、Im, P.、Chen, Y. 診断アルゴリズムの作成とパフォーマンステストを支援する障害検出データを構築します。科学データ。 7(1)、65、https://doi.org/10.1038/s41597-020-0398-6 (2020)。

記事 PubMed PubMed Central Google Scholar

Granderson, J.、Lin, G.、Chen, Y.、Casillas, A. LBNL 障害検出および診断データセット。 DOE オープンエネルギーデータイニシアチブ (OEDI); ローレンス・バークレー国立研究所 (LBNL)、カリフォルニア州バークレー (米国); https://data.openei.org/submissions/5763、https://faultdetection.lbl.gov/、https://doi.org/10.25984/1881324 (2022)。

MC コムストック、JE ブラウン、EA グロールチラーの一般的な障害の調査。 ASHRAE トランザクション。 108、819 (2002)。

Google スカラー

Crowe、E. et al. 商業ビルの 1,500 万行の HVAC 障害データの分析から学んだこと。掲載: 2022 年夏の建物のエネルギー効率に関する研究の議事録。（2022年）。

キム、J.ら。 HVAC の故障の蔓延における課題と方向性を調査します。建築環境のための科学技術。 27(5)、624–640、https://doi.org/10.1080/23744731.2021.1898243 (2021)。

記事 Google Scholar

Chen, Y.、Lin, G.、Chen, Z.、Wen, J.、Granderson, J. ファンコイルユニットの障害の影響のシミュレーションベースの評価。エネルギーと建物。 263、112041、https://doi.org/10.1016/j.enbuild.2022.112041 (2022)。

記事 Google Scholar

Li, Y. & O'Neill, Z. 建物の運用を強化するための革新的な障害影響分析フレームワーク。エネルギーと建物。 199、311–331 (2019)。

記事 Google Scholar

Roth, K.、Westphalen, D.、Llana, P.、Feng, M. 米国の商業ビルの故障によるエネルギーへの影響。場所: 国際冷凍空調会議。パデュー大学; 2004年。

Wang, S. & Xiao, F. 主成分分析法を使用した AHU センサーの故障診断。エネルギーと建物。 36(2)、147–160、https://doi.org/10.1016/j.enbuild.2003.10.002 (2004)。

記事 Google Scholar

ブリューカー社、MS およびブラウン社、JE 屋上のエアコンによくある故障とその影響。 HVAC&R 研究。 4(3)、303–318、https://doi.org/10.1080/10789669.1998.10391406 (1998)。

記事 Google Scholar

Salah, M.、Osman, H. & Hosny, O. 病院施設のパフォーマンスベースの信頼性中心の保守計画。建設された施設のパフォーマンスに関するジャーナル。 32(1)、04017113、https://doi.org/10.1061/(ASCE)CF.1943-5509.0001112 (2018)。

記事 Google Scholar

Gunay、B.ら。建物のセンサーとアクチュエータの故障を早期に検出することで、エネルギーと快適性のパフォーマンスが向上します。建築サービス工学の研究と技術。 39(6)、652–666 (2018)。

記事 MathSciNet Google Scholar

Chen, Y.、Chen, Z.、Lin, G.、Wen, J.、Granderson, J. ファンコイルユニットの障害の影響を分析するためのシミュレーションベースの方法。場所: ASHRAE トランザクション。 128巻。アシュラエ。 210. https://www.ashrae.org/technical-resources/ashrae-transactions (2023)。

Ginestet, S.、Marchio, D.、Morisot, O. 空調ユニットのエネルギー消費と室内空気の質に影響を与える故障の評価。エネルギーと建物。 40(1)、51–57、https://doi.org/10.1016/j.enbuild.2007.01.012 (2008)。

記事 Google Scholar

グランダーソン、J.、GR 他。商用の障害検出および診断ツール: 提供される機能、相違点、および今後も必要なもの。ローレンスバークレー国立研究所 (LBNL)、バークレー、カリフォルニア州 (米国); 2018. https://escholarship.org/uc/item/4j72k57p 11月23日（2021年）にアクセス。

フランク、S.ら。障害検出および診断アルゴリズムを構築するためのパフォーマンス評価フレームワーク。エネルギーと建物。 192、84–92、https://doi.org/10.1016/j.enbuild.2019.03.024 (2019)。

記事 Google Scholar

ユイル、DP およびブラウン、JE 空冷ユニット式空調装置に適用される故障検出および診断プロトコルのパフォーマンスを評価します。 HVAC&R 研究。 19(7)、882–891、https://doi.org/10.1080/10789669.2013.808135 (2013)。

記事 Google Scholar

Lin, G.、Pritoni, M.、Chen, Y. & Granderson, J. 障害検出および診断ツールにおける障害修正アルゴリズムの開発と実装。エネルギー。 13(10)、2598、https://doi.org/10.3390/en13102598 (2020)。

記事 Google Scholar

プリトーニ、M.ら。障害検出から自動障害修正まで: フィールド調査。建物と環境。 214、108900、https://doi.org/10.1016/j.buildenv.2022.108900 (2022)。

記事 Google Scholar

Eskandari, N. & Noorzai, E. BIM を使用した商業ビル設備システムの欠陥に対する予防ソリューションを提供。設備。 39(13/14)、859–887、https://doi.org/10.1108/F-04-2020-0037 (2021)。

記事 Google Scholar

Balaji、B. et al. Brick: ポータブルスマートビルディングアプリケーション用のメタデータスキーマ。応用エネルギー。 226、1273–1292、https://doi.org/10.1016/j.apenergy.2018.02.091 (2018)。

記事 Google Scholar

DR クラーク、メイ WB HVACSIM+ ビルディングシステムおよび機器シミュレーションプログラム - ユーザーガイド。国家標準局、建築設備課; 1985年。 https://www.osti.gov/biblio/6127383 11月20日（2021年）にアクセス。

Wetter、M.、Zuo、W.、Nouidui、TS、Pang、X. Modelica Buildings ライブラリ。建築性能シミュレーションのジャーナル。 7(4)、253–270、https://doi.org/10.1080/19401493.2013.765506 (2014)。

記事 Google Scholar

クローリー、DB 他 EnergyPlus: 新世代の建物エネルギーシミュレーションプログラムを作成します。エネルギーと建物。 33(4)、319–331、https://doi.org/10.1016/S0378-7788(00)00114-6 (2001)。

記事 Google Scholar

Pourarian, S.、Kearsley, A.、Wen, J.、Pertzborn, A. 建物エネルギーシミュレーションのための効率的かつ堅牢な最適化。エネルギーと建物。 122、53–62、https://doi.org/10.1016/j.enbuild.2016.04.019 (2016)。

記事 PubMed PubMed Central Google Scholar

モデロン。エアコンの図書館。モデロン。 2020 年発行。https://modelon.com/library/air-conditioning-library/(2022 年) 10 月 31 日にアクセス。

Wen, J.、Pourarian, S.、Yang, X.、Li, X. NIST 10D243 ネットゼロビルの HVAC 二次システムの障害検出および診断方法を評価するためのツール。米国国立標準技術研究所。 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-障害検出および診断方法を評価するためのツール- for-HVAC-Secondary-Systems-of-a-Net-Zero-Building.pdf 2021 年 1 月 25 日にアクセス。

Wheeler, G.、Kozubal, E.、Judkoff, R. 建物エネルギーシミュレーションで使用する中高効率屋上ユニットの実験設計と実験室特性評価。国際冷凍空調会議。 https://docs.lib.purdue.edu/iracc/2057 (2018 年 1 月 1 日) オンラインで公開されました。

Granderson、J. LBNL FDD データセット。 figshare https://doi.org/10.6084/m9.figshare.c.6486349.v1 (2023)。

Casillas, A.、Lin, G.、Granderson, J. 障害検出診断ツール用の Ground-Truth 検証済みベンチマークデータセットのキュレーション。参加者: 建物のエネルギー効率に関する 2020 ACEEE 夏季調査。 2020. https://escholarship.org/uc/item/9cz491j6 11月20日（2021年）にアクセス。

ローレンス・バークレー国立研究所モデリカビルディングライブラリ。 2022 年 12 月 6 日に公開。 https://simulationresearch.lbl.gov/modelica.html 2023 年 1 月 1 日にアクセス。

米国エネルギー省 EnergyPlus。 2022 年発行。 https://energyplus.net/ 2023 年 1 月 1 日にアクセス。

リファレンスをダウンロードする

この研究は、契約番号 DE-AC02-05CH11231 に基づき、米国エネルギー省建築技術局エネルギー効率および再生可能エネルギー担当次官補によって支援されました。著者らは、現場の RTU フィールドデータをデータセットに提供したニューヘブン大学の Ravi Gortala 氏に感謝の意を表したいと思います。データセットへのシミュレーション RTU データの貢献について、オークリッジ国立研究所の Sungkyun Jung 博士に感謝します。さらに、建築技術事務所の Brian Walker 氏と Erika Gupta (前職) の寛大なご支援に感謝いたします。

ローレンス・バークレー国立研究所、バークレー、米国

ジェシカ・グランダーソン、リン・グアンジン、チェン・イーミン、アルマンド・カシージャス

ドレクセル大学、フィラデルフィア、米国

ジン・ウェン & ツェルン・チェン

オークリッジ国立研究所、オークリッジ、米国

イム・ピルジェ＆ファン・セン

国立再生可能エネルギー研究所、ゴールデン、米国

リン・ジアジェン

PubMed Google Scholar でこの著者を検索することもできます

ジェシカ・グランダーソンが研究全体を主導しました。オリジナルの原稿を書きました。原稿を見直して編集しました。イーミン・チェンがオリジナルの原稿を書きました。データセットを厳選して合成します。データセットを合成しました。そしてデータを文書化しました。 Guanjing Lin がデータセットを合成しました。データの技術的な検証と文書化を主導しました。原稿を見直した。 Armando Cassilas がデータセットを厳選し、合成しました。そしてデータを文書化しました。 Jin Wen は、DDAHU、FCU、および FPU データセットをキュレーションおよび合成しました。そしてデータを文書化しました。 Zhelun Chen は、DDAHU、FCU、および FPU データセットをキュレーションおよび合成しました。そしてデータを文書化しました。 Piljae Im が RTU データセットを厳選し、合成しました。 Sen Huang は、SDAHU、チラープラント、およびボイラープラントのデータセットをキュレーションおよび統合しました。そしてデータを文書化しました。 Jiazhen Ling は RTU データセットをキュレーションおよび合成しました。そしてデータを文書化しました。

ジェシカ・グランダーソンまたはイーミン・チェンへの通信。

著者らは競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Granderson, J.、Lin, G.、Chen, Y. 他障害のある状態と障害のない状態で動作する HVAC システムを構築するためのラベル付きデータセット。 Sci Data 10、342 (2023)。 https://doi.org/10.1038/s41597-023-02197-w

引用をダウンロード

受信日: 2023 年 1 月 18 日

受理日: 2023 年 4 月 28 日

公開日: 2023 年 6 月 1 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ブログ

障害が発生した状態で動作する HVAC システムを構築するためのラベル付きデータセット