通过基于深度学习的故障检测来提高酒店建筑物中风扇线圈单元的效率

科学领域:

• 建筑能源系统 建筑能源系统
• 在工程领域的人工智能.
• 优化HVAC的性能优化

背景情况:

• 风扇线圈单元 (FCU) 对于HVAC系统中的乘客舒适性至关重要,但容易发生影响能源效率的故障.
• 能源消耗和FCU的系统故障需要先进的故障检测方法.
• 深度学习 (DL) 是一种有前途的方法,用于FCU的早期故障识别和预防.

研究的目的:

• 调查深度学习模型在风扇线圈单元 (FCU) 中故障检测的有效性.
• 通过改进FCU性能监测,提高酒店建筑的能源效率.
• 将不同DL架构的性能与传统机器学习模型进行比较.

主要方法:

• 测试了三种深度学习模型:卷积神经网络 (CNN),长期短期记忆 (LSTM) 和混合CNN-Gated Recurrent Unit (GRU).
• 利用来自酒店感官测量系统的真实世界数据集,加上来自TRNSYS物理模型的模拟数据.
• 模拟了三种常见的FCU故障:卡住的门,减少的空气流量和FCU中断,使用广泛的数据集.

主要成果:

• 混合CNN-GRU模型在所有三个模拟的FCU故障中实现了最佳性能.
• 基于深度学习的故障检测器显著超过了基线随机森林 (RF) 模型.
• 该研究证实了DL模型在提高FCU可靠性和能源效率方面的可行性.

结论:

• 深度学习模型,特别是混合CNN-GRU,对于检测各种FCU故障非常有效.
• 实施基于DL的故障检测可以在智能建筑中节省大量能源并提高运营效率.
• 这些先进的故障检测技术为更可持续,更节能的酒店运营提供了途径.