Integrated building fault detection and diagnosis using data modeling and Bayesian networks - IMT - Institut Mines-Télécom Accéder directement au contenu
Thèse Année : 2020

Integrated building fault detection and diagnosis using data modeling and Bayesian networks

Méthode intégrée de détection et de diagnostic des défauts dans les bâtiments utilisant la modélisation des données et les réseaux bayésiens

Résumé

Heating, ventilation, and air-conditioning (HVAC) equipment faults and operational errors result in comfort issues and waste of energy in buildings. In order to help the facility managers to identify and fix faults more efficiently, it is essential to have an Automatic Fault Detection and Diagnosis (AFDD) tool, able to automatically detect comfort and energy issues and identify the root faults.Existing AFDD methods mostly focus on equipment-level fault detection and diagnostics. Almost no attention is given to building level fault diagnosis, considering inter-dependency between equipment through the energy distribution chain.This thesis proposes a new building AFDD method based on operation data collected by Building Management Systems (BMS). The method uses Bayesian Network to achieve building-level integrated fault diagnosis and equipment-level data-driven fault detection by information fusion of data collected from different equipment of HVAC systems. An important contribution relates to the use of operating data and learning techniques to automatically tune some parameters of the detection tool.Our methodology is composed of the following two parts:1. A new systematic way of transferring building system topology information and expert knowledge to a Bayesian Network.2. A novel approach for integrating equipment-level fault detection results into a building-level fault diagnosis Bayesian network. We use regression methods for central equipment (e.g. chiller, boiler, and Air Handling Unit), learned from normal operation data collected during a commissioning test. For room equipment, we use probabilistic models of correlations between control and measurement data.Once the fault diagnosis network is set up and all of the evidence is collected, the network is able to calculate the probability of different faults and identify the most probable root faults. We implemented the fault diagnostics Bayesian network on one simulation data set and two real building operation data sets to test the performance of the AFDD method. The results show that the method is able to easily handle large numbers of equipment, and correctly identify root causes with given evidences.Compared to existing AFDD methods, the new method provides the following benefits:1) The modular structure and generalized methodology allow the method to be applied to wide variety of HVAC systems.2) The method connects equipment faults to building comfort symptoms perceivable by occupants.3) The HVAC system is diagnosed as a whole instead of equipment by equipment.4) By connecting comfort set point violation with equipment fault, and tracing root fault of room equipment failure, the total number of alarms is reduced.5) Facility managers can use the tool in an interactive way, thanks to the capability to post evidence in the Bayesian network based on field investigation findings.
Dans les systèmes de chauffage, de ventilation et de climatisation (CVC, en anglais HVAC pour « Heating, Ventilation and Air Conditioning »), les défauts des équipements et les erreurs de fonctionnement causent des problèmes de confort et un gaspillage d’énergie. Pour aider les gestionnaires d’installations à identifier et à corriger plus efficacement les défauts, il est essentiel de disposer d’un outil de détection et de diagnostic automatique de défauts (AFDD), capable de détecter automatiquement les problèmes de confort et d’énergie et d’en identifier les causes.Les méthodes AFDD existantes se concentrent principalement sur la détection et le diagnostic de défauts au niveau des équipements. Peu d’attention n’est accordée au diagnostic au niveau du bâtiment global, qui permet une détection plus efficace en s’appuyant sur l’interdépendance entre les équipements tout au long de la chaîne de distribution d’énergie. Cette thèse propose une nouvelle méthode AFDD pour les bâtiments, basée sur les données d’exploitation collectées par les systèmes de gestion technique du bâtiment (GTB, en anglais BMS pour « Building Management System »). Cette méthode est conçue autour d’un réseau bayésien qui permet de détecter les défauts des équipements HVAC en s’appuyant sur une meilleure décision basée sur la fusion des informations et des données provenant des différents niveaux de composants. Cela permet de réaliser un diagnostic de défaut intégré de la globalité du bâtiment. Une originalité importante de cette contribution porte sur l’exploitation des historiques de fonctionnement et des techniques d’apprentissage pour aider au paramétrage automatique de l’outil de détection. Notre méthodologie comprend les deux parties suivantes :1. Une nouvelle manière systématique de transférer des informations de topologie de systèmes de bâtiment et des connaissances d’experts pour la construction modulaire du réseau bayésien.2. Une nouvelle approche pour intégrer des détections de défaut au niveau des équipements dans un réseau bayésien de diagnostic du bâtiment complet. Nous utilisons une méthode de régression pour les équipements centraux (par exemple, groupe froid, chaudière et central traitement d’air), apprise sur des données de fonctionnement normal collectées lors d’un test de mise en service. Pour les équipements dans les zones d’usage, nous utilisons un modèle probabiliste des corrélations entre données de consigne et de mesure.Une fois le réseau mis en place et les données – mesures et prédictions – collectées, le réseau est à même de calculer la probabilité de différents défauts dans le système bâtiment complet, et d’en identifier les causes les plus probables.Nous avons testé ce nouvel outil de diagnostic des défauts sur des données provenant de simulation et de deux bâtiments réels afin de tester les performances en termes de détection. Les résultats montrent que notre approche est capable de gérer facilement un grand nombre d’équipements et d’identifier correctement les causes à partir des données mesurées et prédites au niveau des équipements.Par rapport aux approches de type AFDD existantes, cette nouvelle méthode offre les avantages suivants :1) La structure modulaire et la méthodologie généralisée permettent à cette méthode d’être appliquée à une grande variété de systèmes CVC et de bâtiments. 2) Cette approche relie les défauts d’équipement aux symptômes de confort du bâtiment perceptibles par les occupants.3) Le système HVAC est diagnostiqué dans son ensemble au lieu de le faire équipement par équipement.4) En connectant chaque violation de point de consigne de confort avec les défauts des équipements, et en recherchant les défauts racines pour chaque défaut d’équipement de zone, le nombre total d’alarmes est grandement réduit.5) Les gestionnaires d’installations peuvent utiliser l’outil de manière interactive, en mettant à jour les données de certains noeuds du réseau bayésien sur la base d’observations terrain.
Fichier principal
Vignette du fichier
GaoTY_Thesis_v32-31012021.pdf (11.25 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03151257 , version 1 (24-02-2021)

Identifiants

  • HAL Id : tel-03151257 , version 1

Citer

Tianyun Gao. Integrated building fault detection and diagnosis using data modeling and Bayesian networks. Automatic Control Engineering. Ecole nationale supérieure Mines-Télécom Lille Douai, 2020. English. ⟨NNT : 2020MTLD0010⟩. ⟨tel-03151257⟩
262 Consultations
201 Téléchargements

Partager

Gmail Facebook X LinkedIn More