تشخیص و عیب‌یابی مبتنی بر داده در سیستم تهویه مطبوع مرکزی با آب سرد

معرفی و چکیده پروژه

سیستم‌های تهویه مطبوع (HVAC) از پیچیده‌ترین و پرمصرف‌ترین تأسیسات انرژی در ساختمان‌ها به شمار می‌روند. همین پیچیدگی، شناسایی به‌موقع خرابی‌ها و عیب‌یابی آن‌ها را به چالشی بزرگ تبدیل می‌کند. در این پروژه تحقیقاتی، یک سیستم تشخیص و عیب‌یابی (FDD) مبتنی بر مدل طبقه‌بندی‌کننده درخت تصمیم (Decision Tree Classifier) برای سیستم تهویه مطبوع آب سرد مرکزی طراحی و توسعه یافته است. این مدل با موفقیت توانست حالت عادی و پنج عیب رایج را با دقت و صحتی بیش از ۹۹٪ از یکدیگر تشخیص دهد. برای سهولت استفاده کاربران، یک رابط کاربری گرافیکی (GUI) نیز برای این سیستم پیاده‌سازی شد.

کلیدواژه‌ها: سیستم تهویه مطبوع؛ درخت تصمیم؛ تشخیص و عیب‌یابی.

مقدمه: اهمیت بهینه‌سازی مصرف انرژی در سیستم‌های تهویه مطبوع

تقاضا برای سیستم‌های گرمایش، تهویه و تهویه مطبوع در سال‌های اخیر به‌شدت افزایش یافته است. در ساختمان‌های غیرمسکونی، این سیستم‌ها می‌توانند سهمی تا ۵۰ درصد از کل مصرف برق را به خود اختصاص دهند [۱][۲]. بنابراین، بازدهی آن‌ها تأثیر مستقیمی بر عملکرد انرژی کل ساختمان دارد [۳]. سیستم تهویه مطبوع آب سرد مرکزی از اجزایی مانند چیلر، برج خنک‌کننده و دستگاه هواساز (AHU) تشکیل شده که همگی به‌هم پیوسته‌اند. عیب در هر جزء می‌تواند بر عملکرد سایر اجزا نیز اثر بگذارد. از این‌رو، عملکرد سیستم در شرایط معیوب، نه‌تنها مصرف انرژی را بالا می‌برد، بلکه ممکن است آسایش حرارتی ساکنان را بر هم زده و عمر مفید تجهیزات را کاهش دهد [۴].

تشخیص زودهنگام عیب‌ها و یافتن علت ریشه‌ای آن‌ها، امکان اصلاح مشکل پیش از وقوع آسیب‌های جدی‌تر را فراهم می‌کند [۵]. به همین دلیل، تکنیک‌های تشخیص و عیب‌یابی (FDD) ابزاری پرکاربرد برای نظارت بر سیستم‌های ساختمانی شده و توجه پژوهشگران زیادی را به خود جلب کرده‌اند. به‌طور کلی سه رویکرد اصلی برای FDD وجود دارد: روش‌های مبتنی بر مدل، روش‌های مبتنی بر قاعده و روش‌های مبتنی بر داده.

روش‌های مبتنی بر مدل و چالش‌های آن‌ها

روش‌های مبتنی بر مدل، مانند آنچه در مطالعات Li و همکاران [۶]، Trothe و همکاران [۷] و Alexandersen و همکاران [۸] ارائه شده، از دانش فیزیکی سیستم برای ایجاد اضافات تحلیلی و در نتیجه شناسایی و عیب‌یابی استفاده می‌کنند. به همین شکل، Beghi و همکاران [۹] رویکردی مبتنی بر مدل را برای عیب‌یابی رایج در سیستم‌های چیلر پیشنهاد دادند. با این حال، بزرگ‌ترین نقطه‌ضعف این روش، پیچیدگی زیاد و محدودیت در دسترسی به مدل‌های دقیق عیب‌هاست [۱۰].

روش‌های مبتنی بر قاعده و ترکیب آن‌ها با مدل‌ها

در نقطه مقابل، روش‌های مبتنی بر قاعده از دانش متخصصان برای توصیف رفتار سیستم بهره می‌برند. برای مثال، Lauro و همکاران [۱۱] یک رویکرد فازی (Fuzzy) را برای FDD در سیستم هواساز معرفی کردند. اما این تکنیک ممکن است با مشکل قواعد متعارض مواجه شود، به‌ویژه در سیستم‌های پیچیده‌ای که نیاز به قواعد بیشتری دارند [۵]. از همین‌رو، پژوهشگرانی مانند Eboule و Hasan [۱۲]، Sulaiman و همکاران [۱۳]، Mattera و همکاران [۱۴] و Deshmukh و همکاران [۱۵] هر دو رویکرد مبتنی بر مدل و قاعده را برای بهبود دقت تشخیص با یکدیگر ترکیب کردند.

روش‌های مبتنی بر داده: رویکردی ساده‌تر و کارآمدتر

اخیراً پژوهشگران بیشتری به سمت روش‌های مبتنی بر داده گرایش یافته‌اند که رویکردی ساده‌تر و مستقیم‌تر ارائه می‌دهد. این روش تنها به داده‌های تاریخی سیستم نیاز دارد. Li و همکاران [۱۶]، Fan و همکاران [۱۷] و Luo و همکاران [۱۸] موفق به پیاده‌سازی FDD مبتنی بر داده برای سیستم‌های چیلر شدند. در همین راستا، Yun و همکاران [۱۹]، Piscitelli و همکاران [۲۰]، Yan و همکاران [۲۱] و Li و همکاران [۲۲] این روش را برای سیستم هواساز به کار بستند. چون تا پیش از آن هیچ پژوهشی تمامی عیب‌ها را در یک سیستم مرکزی بررسی نکرده بود، Sulaiman و همکاران [۲۳] روش FDD مبتنی بر داده را برای سیستم تهویه مطبوع مرکزی (شامل چیلر، هواساز و برج خنک‌کننده) پیشنهاد دادند. آن‌ها با موفقیت سه مدل یادگیری ماشین – پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM) و یادگیری عمیق – را به کار گرفتند که همگی قادر به شناسایی شش عیب رایج در این سیستم بودند.

درخت تصمیم: یکی از روش‌های کلیدی یادگیری ماشین

روش‌های درخت تصمیم (Decision Tree) یکی از تکنیک‌های FDD مبتنی بر داده هستند. این روش در حوزه‌های مختلفی مانند سیستم‌های فتوولتائیک [۲۴]، خطوط انتقال [۲۵] و ماشین‌آلات صنعتی [۲۵][۲۶] نیز کاربرد یافته است. رویکرد درخت تصمیم، یک فرآیند از بالا به پایین است که در آن ابتدا دسته‌بندی‌های ویژگی‌های مرتبط ساخته شده و سپس داده‌ها طبقه‌بندی می‌شوند [۲۸]. به بیان دیگر، این روش رویکردی منطقی، کارآمد و واقع‌گرایانه است [۲۹]. برای مثال، Balasubramaniam [۳۰] و Li و همکاران [۳۱] این روش را با موفقیت در تشخیص عیب‌های هواساز و سیستم جریان مبرد متغیر (VRF) پیاده‌سازی کردند. با این حال، درخت تصمیم هنوز به اندازه سایر روش‌های یادگیری ماشین در سیستم‌های تهویه مطبوع رایج نشده است.

جمع‌بندی بخش اول و مسیر پیش رو

در این بخش، با چالش‌های عیب‌یابی در سیستم‌های پیچیده تهویه مطبوع مرکزی آشنا شدیم و مروری بر رویکردهای مختلف تشخیص و عیب‌یابی داشتیم. در ادامه، جزئیات روش پیشنهادی شامل معماری مدل، فرآیند استخراج ویژگی‌ها و نتایج ارزیابی عملکرد آن را به تفصیل بیان خواهیم کرد.

هدف این مقاله، توسعه یک سیستم تشخیص و عیب‌یابی (FDD) با بهره‌گیری از مدل طبقه‌بندی‌کننده درخت تصمیم (Decision Tree) است. برای آموزش و آزمایش این سیستم، از مجموعه‌داده‌های یک سیستم تهویه مطبوع مرکزی با آب سرد در مقیاس آزمایشگاهی استفاده شده است. مدل درخت تصمیم با دو روش دیگر، یعنی ماشین بردار پشتیبان (SVM) و الگوریتم نزدیک‌ترین همسایه (KNN)، مقایسه می‌شود. همچنین برای سهولت استفاده کاربران، یک رابط کاربری گرافیکی (GUI) کاربرپسند برای این سیستم طراحی و پیاده‌سازی شده است.

این مقاله شامل چهار بخش اصلی است. بخش اول به پیش‌زمینه و مبانی اولیه می‌پردازد. بخش دوم، روش‌شناسی (Methodology) پروژه را تشریح می‌کند که شامل توسعه سیستم FDD مبتنی بر درخت تصمیم و رابط کاربری گرافیکی آن در محیط نرم‌افزار MATLAB است. بخش سوم به ارائه و بحث در مورد نتایج به‌دست‌آمده اختصاص دارد و در نهایت، بخش چهارم نتیجه‌گیری و دستاوردهای این پژوهش را جمع‌بندی می‌کند.

روش‌شناسی

در این بخش، جریان کلی پروژه گام به گام تشریح می‌شود: از راه‌اندازی یک نمونه آزمایشگاهی گرفته تا طبقه‌بندی و پیش‌پردازش داده‌ها، آموزش و آزمایش مدل یادگیری ماشین، و در نهایت توسعه رابط کاربری گرافیکی برای سیستم FDD.

برپایی آزمایش

پروژه حاضر از یک سیستم تهویه مطبوع مرکزی با آب سرد در مقیاس آزمایشگاهی استفاده می‌کند؛ نمونه‌ای مشابه آنچه در منابع [۱۳]، [۲۳] و [۳۲] توصیف شده و در شکل ۱ نشان داده شده است. این سیستم دو اتاق آزمایش دارد. در این نمونه اولیه، ۱۴ سنسور شامل سنسورهای دما، جریان هوا، جریان آب و جریان الکتریکی نصب شده‌اند. موقعیت این سنسورها نیز در شکل ۱ مشخص شده است. این سنسورها هر ثانیه با استفاده از دو کارت جمع‌آوری داده، اطلاعات ۱۴ پارامتر را برای سیستم FDD ثبت می‌کنند. برای هر وضعیت مورد نظر، حدود ۲۱,۰۰۰ نمونه داده از این سیستم جمع‌آوری شده است. شرایط شبیه‌سازی‌شده در بخش بعدی مورد بحث قرار می‌گیرند.

طبقه‌بندی داده‌ها

داده‌ها مطابق جدول ۱ به شش دسته یا شرایط مختلف تقسیم شدند. نوع ۱ مربوط به شرایط نرمال سیستم است، یعنی داده‌های بدون عیب. انواع ۲ تا ۶ شامل داده‌های عیب‌داری هستند که معمولاً در سراسر سیستم رخ می‌دهند. این عیب‌ها ترکیبی از دو نوع عیب نرم (Soft Faults) و عیب ناگهانی (Abrupt Faults) هستند. عیب ناگهانی، مانند خرابی کامل کمپرسور، تغییر ناگهانی در الگوی رفتار سیستم ایجاد می‌کند. تشخیص این عیب‌ها به دلیل تأثیر آشکارشان بر سیستم آسان است، اما تعمیرشان پرهزینه است. در مقابل، عیب‌های نرم مانند گیر کردن دمپر یا نشتی کانال هوا، رفتار سیستم را بلافاصله تغییر نمی‌دهند و به تدریج پیشرفت می‌کنند. این عیب‌ها در ابتدا کوچک و تقریباً نامحسوس هستند، اما در بلندمدت آشکار شده و تأثیر قابل توجهی بر عملکرد سیستم می‌گذارند.

جدول ۱. فهرست شرایط

استخراج ویژگی‌ها

داده‌های خام دریافتی از سنسورها برای محاسبه مقادیر میانگین و انحراف معیار در بازه‌های زمانی ۵ ثانیه‌ای دسته‌بندی شدند. این فرآیند باعث کاهش تعداد نمونه‌های داده برای هر مجموعه به ۴,۲۰۰ شد. در مجموع، این عملیات برای همه انواع شرایط، ۶۰۴,۸۰۰ داده با ۲۵,۲۰۰ نمونه و ۲۸ پارامتر تولید کرد. سپس داده‌ها به دو بخش ۷۰٪ برای آموزش مدل و ۳۰٪ برای آزمایش آن تقسیم شدند.

برپایی شبیه‌سازی

مدل‌های درخت تصمیم، SVM و KNN با استفاده از نرم‌افزار MATLAB توسعه داده شدند. برای مدل درخت تصمیم، حداکثر تعداد شاخه‌ها روی ۲۰ تنظیم شد و روش القای درخت بر اساس الگوریتم طبقه‌بندی و رگرسیون (CART) بود. در مدل SVM نیز تابع هسته خطی (Linear Kernel) به کار گرفته شد. برای مدل KNN، تعداد همسایگان ۱۰ و معیار فاصله، فاصله اقلیدسی (Euclidean) در نظر گرفته شد. خلاصه این تنظیمات در جدول ۲ آورده شده است.

جدول ۲. تنظیمات شبیه‌سازی

برپایی رابط کاربری گرافیکی (GUI)

برای سیستم FDD مبتنی بر درخت تصمیم، دو رابط کاربری گرافیکی با استفاده از ابزار App Designer در MATLAB طراحی شد. کاربران می‌توانند یکی از این دو رابط را برای تشخیص و عیب‌یابی شرایط ذکر شده در جدول ۱ انتخاب کنند. این رابط‌ها همچنین امکان استخراج ویژگی‌های ورودی را قبل از انجام عیب‌یابی فراهم می‌کنند. رابط کاربری اول به کاربران اجازه می‌دهد یک مجموعه داده خام کامل را در قالب‌های “.xlsx” یا “.csv” برای تشخیص عیب وارد کنند.

شکل ۱. نمودار شماتیک سیستم با سنسورها

شکل ۲. طرح‌بندی رابط کاربری گرافیکی اول

طرح این رابط کاربری در شکل ۲ نشان داده شده است. رابط کاربری دوم به کاربران امکان می‌دهد پنج نمونه داده تصادفی از یک نوع شرایط مشخص را وارد کنند. ترتیب پارامترها در بالای این رابط مشخص شده است. طرح این رابط دوم در شکل ۳ قابل مشاهده است. هر دو رابط کاربری برای مدل درخت تصمیم توسعه یافته‌اند.

شکل ۳. طرح‌بندی رابط کاربری گرافیکی دوم

نتایج و تحلیل

این بخش به تشریح نتایج طبقه‌بندی برای مدل‌های درخت تصمیم، SVM و KNN می‌پردازد. نتایج در قالب ماتریس‌های درهم‌ریختگی (Confusion Matrix) ارائه شده‌اند که دقت و صحت هر مدل را نشان می‌دهند. این ماتریس‌ها میزان موفقیت مدل طبقه‌بندی را در پیش‌بینی تمام کلاس‌ها خلاصه کرده و همبستگی بین نتایج واقعی و پیش‌بینی‌شده را به تصویر می‌کشند. همچنین، این ماتریس‌ها به شناسایی الگوهای خطا کمک می‌کنند. بر اساس این تحلیل‌ها می‌توان داده‌های آموزشی بیشتر یا پارامترهای جدیدی را برای بهبود عملکرد مدل‌ها اضافه کرد.

جدول ۳ مفهوم اولیه ماتریس درهم‌ریختگی را نشان می‌دهد. مثبت واقعی (True Positive) به تعداد دفعاتی گفته می‌شود که مدل به درستی کلاس مثبت را پیش‌بینی کرده است. به همین ترتیب، منفی واقعی (True Negative) تعداد دفعات پیش‌بینی درست کلاس منفی است. از طرف دیگر، مثبت کاذب (False Positive) زمانی رخ می‌دهد که مدل به اشتباه کلاس مثبت را پیش‌بینی کند، و منفی کاذب (False Negative) زمانی است که مدل به اشتباه کلاس منفی را پیش‌بینی کند.

جدول ۳. ماتریس درهم‌ریختگی

مدل درخت تصمیم

جدول ۴ و جدول ۵ به ترتیب ماتریس‌های درهم‌ریختگی را برای مجموعه داده‌های آموزشی و آزمایشی مدل درخت تصمیم نشان می‌دهند. هر دو جدول نشان می‌دهند که دقت تشخیص برای انواع ۴، ۵ و ۶ به ۱۰۰٪ رسیده است، در حالی که برای انواع ۱، ۲ و ۳ مواردی از طبقه‌بندی نادرست مشاهده می‌شود. شکل ۴ نیز عملکرد کلی مدل درخت تصمیم را به نمایش می‌گذارد. این مدل قادر است تمام انواع شرایط را با دقت و صحت بیش از ۹۹٪، هم برای مجموعه داده آموزشی و هم برای مجموعه داده آزمایشی، شناسایی کند.

جدول ۴. نتایج مجموعه داده آموزشی

جدول ۵. نتایج مجموعه داده آزمایشی

مدل SVM

شکل ۵، عملکرد کلی مدل SVM (ماشین بردار پشتیبان) را نشان می‌دهد. این مدل تمام انواع شرایط را با دقت (Accuracy) و صحت (Precision) بیش از ۹۹٪ برای هر دو مجموعه‌داده آموزشی و آزمایشی شناسایی کرد. البته، دقت و صحت مدل SVM اندکی پایین‌تر از مدل درخت تصمیم است.

شکل ۵. عملکرد مدل SVM

جدول ۶ و جدول ۷ به ترتیب ماتریس درهم‌ریختگی (Confusion Matrix) را برای مجموعه‌داده آموزشی و آزمایشی این مدل نمایش می‌دهند. نتایج نشان می‌دهد تقریباً همۀ انواع، دقت کمی پایین‌تری نسبت به مدل درخت تصمیم دارند. با این حال، نرخ اشتباه در طبقه‌بندی (Misclassification Rate) تنها حدود ۰.۰۶٪ تا ۲.۵٪ بوده است.

مدل KNN

شکل ۶ عملکرد مدل طبقه‌بندی KNN (K نزدیک‌ترین همسایه) را نشان می‌دهد. این طبقه‌بندی‌کننده قادر است انواع شرایط را با دقت و صحت بیش از ۹۷٪ تشخیص دهد. با این وجود، نتایج آن اندکی پایین‌تر از مدل‌های درخت تصمیم و SVM است.

شکل ۶. عملکرد کلی مدل KNN

جدول ۸ و جدول ۹ ماتریس درهم‌ریختگی مجموعه‌داده‌های آموزشی و آزمایشی مدل KNN را نشان می‌دهند. از جدول ۸ مشخص است که کمترین دقت به‌دست‌آمده ۹۶.۸٪ برای نوع ۱ (Type ۱) بوده؛ وضعیتی مشابه با نوع ۱ در جدول ۹ که کمترین دقت را با ۹۵.۸٪ دارد.

رابط کاربری گرافیکی سیستم تشخیص و عیب‌یابی

شکل ۷ نشان می‌دهد که مجموعه‌داده نوع ۲ (Type ۲) روی اولین رابط کاربری گرافیکی (GUI) توسعه‌یافته آزمایش شده است. این GUI با موفقیت داده‌های ورودی را با دقت ۹۹.۹۰٪ به عنوان نوع ۲ طبقه‌بندی کرد. تنها چهار نمونه داده به اشتباه به‌عنوان شرایط عادی تشخیص داده شدند.

در همین حال، شکل ۸ نتیجه GUI را برای پنج نمونه داده از نوع ۳ (Type ۳) که نشان‌دهندۀ نقص کمپرسور (Compressor Malfunction) است، روی دومین GUI آزمایش شده نشان می‌دهد. سیستم نمونه داده را با موفقیت به عنوان نوع ۳ طبقه‌بندی کرد. در این رابط دوم، درصدهای دقت یا صحت نمایش داده نشد.

شکل ۷. مجموعه‌داده نوع ۲ روی اولین GUI آزمایش شد.

شکل ۸. پنج نمونه داده از نوع ۳ روی دومین GUI آزمایش شد.

بحث

شکل ۹ عملکرد کلی مدل‌های درخت تصمیم، SVM و KNN را نشان می‌دهد. این نمودار به وضوح مشخص می‌کند که هر سه مدل با موفقیت تمام انواع را با دقت و صحت بیش از ۹۷٪ طبقه‌بندی کرده‌اند. در میان همۀ مدل‌ها، درخت تصمیم بالاترین دقت و صحت را دارد.

شکل ۹. عملکرد کلی برای هر سه طبقه‌بندی‌کنندۀ یادگیری ماشین: درخت تصمیم، SVM و KNN

نتیجه‌گیری

بخش اول این پروژه به عملکرد سه مدل یادگیری ماشین یعنی درخت تصمیم، SVM و KNN برای تشخیص و عیب‌یابی مبتنی بر داده (Data-driven FDD) در یک سیستم تهویه مطبوع مرکزی با آب سرد (Centralized Chilled Water Air Conditioning System) پرداخت. همه طبقه‌بندی‌کننده‌ها توانستند شش نوع شرایط را با موفقیت طبقه‌بندی کنند: یک شرایط عادی و پنج شرایط خراب. شرایط خراب شامل خرابی‌های رایج در سیستم مرکزی بودند. اگرچه عملکرد همۀ مدل‌های طبقه‌بندی‌کننده خوب بود، اما مدل درخت تصمیم بهترین نتایج را در میان تمام مدل‌ها ارائه داد. دقت و صحت درخت تصمیم برای هر دو مجموعه‌داده آموزشی و آزمایشی به بیش از ۹۹.۹٪ رسید. بخش دوم این پروژه به توسعه رابط‌های کاربری گرافیکی (GUI) برای سیستم FDD با استفاده از مدل درخت تصمیم آموزش‌دیده اختصاص داشت. هر دو GUI قادر بودند داده‌ها را پردازش کرده و آنها را به انواع مربوطه طبقه‌بندی کنند.

تشکر و قدردانی

نویسندگان از مرکز تحقیق و مدیریت نوآوری (CRIM) و دانشگاه فنی مالزی ملاکا (UTeM) برای حمایت از این کار قدردانی می‌کنند.

مراجع

1. C. G. Mattera, J. Quevedo, T. Escobet, H. R. Shaker, and M. Jradi, “A Method for Fault Detection and Diagnostics in Ventilation Units Using Virtual Sensors,” Sensors (Basel)., vol. 18, no. 11, pp. 1–21, 2018.
2. J. Kim, J. Cai, and J. E. Braun, “Common Faults and Their Prioritization in Small Commercial Buildings Common Faults and Their Prioritization in Small Commercial Buildings,” Golden, CO: National Renewable Energy Laboratory, 2018.
3. M. F. Othman, H. Abdullah, N. A. Sulaiman, and M. Y. Hassan, “Performance evaluation of an actual building air-conditioning system,” in IOP Conference Series: Materials Science and Engineering, 2013, vol. 50, no. 1.
4. A. Beghi, R. Brignoli, L. Cecchinato, G. Menegazzo, M. Rampazzo, and F. Simmini, “Data-driven Fault Detection and Diagnosis for HVAC water chillers,” Control Eng. Pract., vol. 53, pp. 79–91, 2016.
5. W. Kim and S. Katipamula, “A review of fault detection and diagnostics methods for building systems,” Sci. Technol. Built Environ., vol. 24, no. 1, pp. 3–21, 2018.
6. Z. Li et al., “An Effective Fault Detection and Diagnosis Approach for Chiller System,” IFAC-PapersOnLine, vol. 52, no. 10, pp. 55–60, 2019.
7. M. E. S. Trothe, H. R. Shaker, M. Jradi, and K. Arendt, “Fault isolability analysis and optimal sensor placement for fault diagnosis in smart buildings,” Energies, vol. 12, no. 9, 2019.
8. E. K. Alexandersen, M. R. Skydt, S. S. Engelsgaard, M. Bang, M. Jradi, and H. R. Shaker, “A stair-step probabilistic approach for automatic anomaly detection in building ventilation system operation,” Build. Environ., vol. 157, no. February, pp. 165–171, Jun. 2019.
9. A. Beghi, L. Cecchinato, F. Peterle, M. Rampazzo, and F. Simmini, “Model-based fault detection and diagnosis for centrifugal chillers,” Conf. Control Fault-Tolerant Syst. SysTol, vol. 2016-Novem, pp. 158–163, 2016.
10. Y. Li and Z. O’Neill, “A critical review of fault modeling of HVAC systems in buildings,” Build. Simul., vol. 11, no. 5, pp. 953–975, 2018.
11. F. Lauro et al., “Building fan coil electric consumption analysis with fuzzy approaches for fault detection and diagnosis,” Energy Procedia, vol. 62, no. June, pp. 411–420, 2014.
12. P. S. Pouabe Eboule and A. N. Hasan, “Accurate fault detection and location in power transmission line using concurrent neuro fuzzy technique,” Prz. Elektrotechniczny, vol. 97, no. 1, pp. 37–45, 2021.
13. N. A. Sulaiman, M. F. Othman, and H. Abdullah, “Fuzzy logic control and fault detection in centralized chilled water system,” Proc. – 2015 IEEE Symp. Ser. Comput. Intell. SSCI 2015, pp. 8–13, 2015.

منابع

[۱۴] C. G. Mattera, M. Jradi, M. R. Skydt, S. S. Engelsgaard, and H. R. Shaker, “تشخیص خطا در واحدهای تهویه با استفاده از مدل‌های پویای عملکرد انرژی,” J. Build. Eng., جلد ۳۲, ۲۰۲۰.

[۱۵] S. Deshmukh, S. Samouhos, L. Glicksman, and L. Norford, “تشخیص خطا در دستگاه‌های هواساز VAV ساختمان‌های تجاری: یک مطالعه موردی از یک ساختمان دانشگاهی,” Energy Build., جلد ۲۰۱, صفحات ۱۶۳–۱۷۳, ۲۰۱۹.

[۱۶] B. Li, F. Cheng, X. Zhang, C. Cui, and W. Cai, “یک روش جدید نیمه‌نظارتی مبتنی بر داده برای تشخیص عیب چیلر با داده‌های بدون برچسب,” Appl. Energy, جلد ۲۸۵, صفحات ۱–۱۳, ۲۰۲۱.

[۱۷] Y. Fan, X. Cui, H. Han, and H. Lu, “تشخیص عیب چیلر با حسگرهای صنعتی با استفاده از فناوری داده‌های نامتوازن,” Appl. Therm. Eng., جلد ۱۵۹, شماره ۶, ۲۰۱۹.

[۱۸] X. J. Luo, K. F. Fong, Y. J. Sun, and M. K. H. Leung, “توسعه استراتژی تشخیص و عیب‌یابی خرابی حسگر مبتنی بر خوشه‌بندی برای سیستم آب سرد,” Energy Build., جلد ۱۸۶, صفحات ۱۷–۳۶, ۲۰۱۹.

[۱۹] W. S. Yun, W. H. Hong, and H. Seo, “یک طرح تشخیص خطا و عیب‌یابی مبتنی بر داده برای دستگاه‌های هواساز در سیستم‌های تهویه مطبوع ساختمان با در نظر گرفتن حالت‌های نامشخص,” J. Build. Eng., جلد ۳۵, ۲۰۲۱.

[۲۰] M. S. Piscitelli, D. M. Mazzarelli, and A. Capozzoli, “افزایش عملکرد بهره‌برداری دستگاه‌های هواساز از طریق فرآیند پیشرفته تشخیص خطا و عیب‌یابی مبتنی بر قوانین تصمیم‌گیری و انجمن زمانی,” Energy Build., جلد ۲۲۶, ۲۰۲۰.

[۲۱] K. Yan, J. Huang, W. Shen, and Z. Ji, “یادگیری بدون نظارت برای تشخیص خطا و عیب‌یابی دستگاه‌های هواساز,” Energy Build., جلد ۲۱۰, صفحه ۱۰۹۶۸۹, ۲۰۲۰.

[۲۲] J. Li, Y. Guo, J. Wall, and S. West, “تشخیص خطا و عیب‌یابی مبتنی بر ماشین بردار پشتیبان برای سیستم‌های تهویه مطبوع,” Int. J. Intell. Syst. Technol. Appl., جلد ۱۸, شماره ۱–۲, صفحات ۲۰۴–۲۲۲, ۲۰۱۹.

[۲۳] N. A. Sulaiman, P. Abdullah, H. Abdullah, M. N. S. Zainuddin, and A. Md Yusop, “تشخیص خطا برای سیستم تهویه مطبوع با استفاده از یادگیری ماشین,” IAES Int. J. Artif. Intell., جلد ۹, شماره ۱, صفحات ۱۰۹–۱۱۶, ۲۰۲۰.

[۲۴] R. Benkercha and S. Moulahoum, “تشخیص خطا و عیب‌یابی مبتنی بر الگوریتم درخت تصمیم C4.۵ برای سیستم فتوولتائیک متصل به شبکه,” Sol. Energy, جلد ۱۷۳, شماره ۷, صفحات ۶۱۰–۶۳۴, ۲۰۱۸.

[۲۵] S. H. Asman, N. F. Ab Aziz, U. A. Ungku Amirulddin, and M. Z. A. Ab Kadir, “روش درخت تصمیم برای طبقه‌بندی علل خطا مبتنی بر تحلیل RMS-DWT در شبکه خطوط انتقال ۲۷۵ کیلوولت,” Appl. Sci., جلد ۱۱, شماره ۴۰۳۱, ۲۰۲۱.

[۲۶] C. K. Madhusudana, H. Kumar, and S. Narendranath, “تشخیص عیب ابزار فرزکاری سطحی با استفاده از درخت تصمیم و سیگنال صوتی,” Mater. Today Proc., جلد ۵, شماره ۵, صفحات ۱۲۰۳۵–۱۲۰۴۴, ۲۰۱۸.

[۲۷] M. Golmoradi, E. Ebrahimi, and M. Javidan, “تشخیص عیب کمپرسور مبتنی بر درخت تصمیم و سیستم استنتاج فازی,” Vibroengineering Procedia, جلد ۱۲, صفحات ۵۴–۶۰, ۲۰۱۷.

[۲۸] M. S. Mirnaghi and F. Haghighat, “تشخیص خطا و عیب‌یابی سیستم‌های تهویه مطبوع در مقیاس بزرگ ساختمان‌ها با استفاده از روش‌های مبتنی بر داده: یک مرور جامع,” Energy Build., جلد ۲۲۹, صفحه ۱۱۰۴۹۲, ۲۰۲۰.

[۲۹] A. Contreras-Valdes, J. P. Amezquita-Sanchez, D. Granados-Lieberman, and M. Valtierra-Rodriguez, “تکنیک‌های داده‌کاهی پیش‌بینانه برای تشخیص عیب تجهیزات الکتریکی: یک مرور,” Appl. Sci., جلد ۱۰, شماره ۹۵۰, ۲۰۲۰.

[۳۰] V. Balasubramaniam, “تشخیص خطا و عیب‌یابی در دستگاه‌های هواساز با یک الگوریتم درخت تصمیم یکپارچه جدید,” J. Trends Comput. Sci. Smart Technol., جلد ۳, شماره ۱, صفحات ۴۹–۵۸, ۲۰۲۱.

[۳۱] G. Li و همکاران, “یک روش بهبود یافته تشخیص عیب مبتنی بر درخت تصمیم برای سیستم جریان مبرد متغیر عملی با استفاده از شاخص‌های خطا مبتنی بر حسگر مجازی,” Appl. Therm. Eng., جلد ۱۲۹, صفحات ۱۲۹۲–۱۳۰۳, ۲۰۱۸.

[۳۲] N. A. Sulaiman, M. F. Othman, and H. Abdullah, “کنترل منطق فازی سیستم آب سرد مرکزی,” J. Teknol., جلد ۷۲, شماره ۲, صفحات ۵۷–۶۲, ۲۰۱۵.

نویسندگان

نوور آسیکین سلیمان (دکترا)، دانشگاه فنی مالزی ملاکا، مالزی، ایمیل: noor_asyikin@utem.edu.my؛ کای ورن چوئینک (مهندسی)، دانشگاه فنی مالزی ملاکا، مالزی، ایمیل: wernchuink@gmail.com؛ محمد نورازلان شاه زینالدین (دکترا)، دانشگاه فنی مالزی ملاکا، مالزی، ایمیل: noorazlan@utem.edu.my؛ آزدینا اد یوسوف (دکترا)، دانشگاه فنی مالزی ملاکا، مالزی، ایمیل: azdiana@utem.edu.my؛ سیتی فاطمه سلیمان (دکترا)، دانشگاه فنی مالزی ملاکا، مالزی، ایمیل: sitifatimahsulaiman@utem.edu.my.

شناسه نشریه و ناشر: PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 98 NR 1/2022. doi:10.15199/48.2022.01.47

منتشر شده توسط PQBlog

مهندس برق

مشاهده پست‌های بیشتر

پرسش‌های متداول

آیا روش تشخیص عیب مبتنی بر درخت تصمیم برای سیستم‌های تهویه مطبوع پیچیده مناسب است؟

بله، همان‌طور که در مقاله اشاره شده، مدل درخت تصمیم یکی از روش‌های کارآمد و مؤثر است که حتی در سیستم‌های پیچیده‌ای مانند هواساز یا سیستم جریان مبرد متغیر با موفقیت استفاده شده و می‌تواند عیب‌های مختلف را با دقت بالایی طبقه‌بندی کند.

چرا روش‌های مبتنی بر داده نسبت به روش‌های مبتنی بر مدل ترجیح داده می‌شوند؟

روش‌های مبتنی بر داده ساده‌تر و مستقیم‌تر هستند و تنها به داده‌های تاریخی عملکرد سیستم نیاز دارند، در حالی که روش‌های مبتنی بر مدل بسیار پیچیده بوده و نیازمند دانش دقیق فیزیکی و مدل‌سازی دقیق هستند که ممکن است در دسترس نباشد.

چه مزیتی دارد که عیب‌یابی در سیستم تهویه مطبوع به صورت زودهنگام انجام شود؟

تشخیص زودهنگام عیب‌ها از آسیب‌های ثانویه و گسترده‌تر به سیستم جلوگیری کرده، مصرف انرژی اضافی را کاهش داده، آسایش حرارتی ساکنان را حفظ کرده و عمر مفید اجزای تجهیزات را افزایش می‌دهد.

منبع: powerquality.blog