来自大型办公室的空气处理装置故障检测的半标记数据集
Seunghyeon Wang1, Ikchul Eum1, Sangkyun Park1
1Department of Architectural Engineering, Hanyang University, Seungdong-Gu, Seoul 133791, Republic of Korea.
Data in brief
|October 9, 2024
概括
这项研究引入了一套新的数据集,用于在空气处理单元 (AHU) 中的故障检测和诊断 (FDD),这些数据来自现实世界办公楼的数据. 该数据集有助于开发先进的深度学习模型,以提高建筑物的能效和乘客舒适度.
科学领域:
- 建筑系统工程 建筑系统工程
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 空气处理单元 (AHU) 的故障检测和诊断 (FDD) 对于保持建筑物的能源效率和乘客舒适度至关重要.
- 深度学习模型对FDD有希望,但需要广泛的,现实的数据集用于开发和验证.
- 现有的数据集往往缺乏来自大型商业建筑的真实世界运营数据.
研究的目的:
- 为空气处理装置 (AHU) 故障检测和诊断 (FDD) 构建和呈现一个独特的,现实世界的数据集.
- 促进开发基于深度学习的FDD技术,用于实际的建筑管理应用.
- 通过使用半监督学习的应用示例来展示数据集的实用性.
主要方法:
- 在2023年11月至2024年5月期间,从大型办公建筑管理系统 (BMS) 收集了1小时间隔数据.
- 部分标记数据集与六个类别的专家注释:正常,供应风扇故障,加热故障,返回空气温度传感器故障,供应空气温度传感器故障和位置故障.
- 应用半监督学习方法作为数据集应用的演示.
主要成果:
- 成功创建了一个独特的数据集,包括来自大型办公室AHU的真实操作数据.
- 该数据集包括针对各种故障条件的经过专家验证的标签,提高了FDD模型培训的可靠性.
- 证明了使用数据集与半监督学习用于FDD的可行性.
结论:
- 这一数据集是推进基于深度学习的FDD在现实建筑环境中的一个有价值的资源.
- 这一数据集解决了现有资源的差距,使得FDD模型更准确,更具普遍性.
- 鼓励进一步研究针对实际建筑应用量身定制的强大的FDD技术.
