![pageSearch](/themes/hestia/images/page-search.webp)
Kitty Chiller nommée à un rôle clé en matière d'intégrité sportive alors qu'elle est toujours sous sanction internationale
Aug 23, 2023Marché des systèmes de refroidissement des stations de ravitaillement en hydrogène 2023 : taille, part, analyse, nouvelles innovations, principaux acteurs clés, segments de croissance et prévisions jusqu’en 2029
Aug 31, 2023Dans le nord du Minnesota, les premiers utilisateurs plaident en faveur du froid
Aug 17, 2023Le programme de pompes à chaleur reçoit une augmentation de 25 millions de dollars
Aug 07, 20232G Energy AG acquiert le spécialiste rentable des pompes à chaleur NRGTEQ BV basé à Rosmalen/NL
Jul 27, 2023Un ensemble de données étiquetées pour la construction de systèmes CVC fonctionnant en panne et en panne
![Oct 28, 2023](/themes/hestia/images/news-details-icon1.webp)
Données scientifiques volume 10, Numéro d'article : 342 (2023) Citer cet article
947 Accès
Détails des métriques
Les données ouvertes alimentent l’innovation dans de nombreux domaines. Dans le domaine des sciences du bâtiment, il est extrêmement difficile de trouver des ensembles de données pouvant être utilisés pour éclairer le développement d’applications opérationnelles – par exemple de nouveaux algorithmes de contrôle et méthodes d’analyse des performances. Cet article résume le développement et le contenu du plus grand ensemble de données publiques connu sur les opérations des systèmes de construction dans des états défectueux et sans défaut. Il couvre les systèmes et configurations CVC les plus courants dans les bâtiments commerciaux, dans une gamme de climats, de types de défauts et de gravités de défauts. Les points de séries chronologiques contenus dans l'ensemble de données comprennent des mesures couramment rencontrées dans les bâtiments existants ainsi que d'autres moins typiques. Des outils de simulation, des installations de tests expérimentaux et des opérations sur le terrain in situ ont été utilisés pour générer les données. Pour informer des algorithmes plus gourmands en données, la plupart des données simulées couvrent une année de fonctionnement pour chaque combinaison panne-gravité. L’ensemble de données constitue une expansion significative de celui publié pour la première fois par les principaux auteurs en 2020.
La détection et le diagnostic des défauts (FDD) constituent un domaine d'étude bien établi dans les applications de la science et de la technologie du bâtiment. Ceci est largement dû à l’impact significatif des pannes d’équipement et des problèmes de contrôle sur la consommation d’énergie et les émissions du bâtiment, la durée de vie des équipements et le confort des occupants. La construction de systèmes CVC en particulier offre un riche espace d'opportunités pour le développement d'algorithmes FDD, compte tenu de la multiplicité des configurations système, des opérations complexes et de la disponibilité des données surveillées. En outre, les efforts récents visant à décarboniser les bâtiments et le secteur de l'électricité augmentent l'importance des bâtiments efficaces et interactifs avec le réseau, capables de fournir de manière fiable des services de charge flexible au réseau alimenté par les énergies renouvelables. Il est donc encore plus essentiel de garantir que les systèmes CVC des bâtiments sont contrôlables et sans panne, ce qui motive davantage le développement et le déploiement de la technologie FDD.
Dans les bâtiments, les outils logiciels FDD utilisent des données opérationnelles collectées à partir de systèmes d'automatisation de bâtiment, de capteurs et de compteurs, pour détecter automatiquement les problèmes d'équipement et de contrôle, ou la dégradation des performances d'un système CVC, et pour diagnostiquer les causes profondes potentielles1. Grâce aux résultats des technologies FDD, les exploitants de bâtiments peuvent diriger efficacement les activités de maintenance pour remédier aux inefficacités ou aux dysfonctionnements des équipements et des contrôles.
Au cours des trente dernières années, de nombreux ouvrages ont été publiés documentant le développement et l'application de solutions FDD pour les bâtiments. La recherche active couvre un large éventail de sujets, notamment : (1) le développement et la validation de centaines de méthodes FDD2,3,4 ; (2) le développement de plates-formes expérimentales ou d'outils logiciels de simulation pour générer des modèles incluant les pannes5,6,7, et le développement d'ensembles de données incluant les pannes8,9,10 ; (3) quantification de la prévalence et des taux d'occurrence des défauts dans les bâtiments11,12,13 ; (4) analyse de l’impact des pannes sur le fonctionnement du système14,15, la consommation d’énergie16,17, les coûts d’entretien et d’exploitation des équipements18,19, le confort thermique des occupants15,20,21 et la qualité de l’air intérieur22 ; (5) Application, coûts et avantages de la technologie FDD dans les bâtiments existants1,23 ; (6) méthodologies de test de performances de l’algorithme FDD24,25 ; et (7) la correction automatisée des défauts26,27 et les activités de maintenance28 après que les défauts ont été diagnostiqués et signalés par les outils FDD.
Bien que les systèmes de contrôle et d'automatisation des bâtiments soient capables de stocker et d'exporter de grands volumes de données opérationnelles, ces données sont souvent sujettes à des problèmes de qualité, notamment des capteurs erronés et des lacunes. Des conventions de dénomination cohérentes ne sont pas utilisées d'un système à l'autre, et les métadonnées sémantiques pour interpréter la signification et les relations entre les données sont rarement utilisées. Une autre complication est que les données reflètent la présence inconnue et non étiquetée d'une grande variété de défauts courants. Enfin, même si les chercheurs peuvent acquérir de petites collections de données de terrain, il est extrêmement difficile de rassembler un ensemble de données à grande échelle représentant le climat, le système CVC et la diversité opérationnelle. Cela présente d’énormes obstacles à l’innovation dans le développement d’algorithmes FDD et à l’évaluation des performances.