Generation of training data for fault detection and diagnosis algorithms using fault simulation and parameter uncertainty

• Erzeugung von Trainingsdaten für Fehlererkennungs- und Fehlerdiagnosealgorithmen durch Fehlersimulation und Parameterunsicherheit

Bode, Gerrit Thorben; Müller, Dirk (Thesis advisor); Monti, Antonello (Thesis advisor)

Aachen : E.ON Energy Research Center, RWTH Aachen University (2023)
Buch, Doktorarbeit

In: E.On Energy Research Center : EBC, Energy efficient buildings and indoor climate 113
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2023

Kurzfassung

Bei näherer Betrachtung des Gebäudebestands zeigt sich, dass viele neu errichtete oder nachgerüstete Gebäude aufgrund auftretender Fehler in den Geräten und Anlagen nicht die erwartete Energieeffizenz erreichen. Um diesem Problem wirtschaftlich zu begegnen, müssen Methoden entwickelt werden, die auftretende Fehler automatisch erkennen. In den letzten Jahren hat sich der Schwerpunkt der Forschung auf Anwendungen des maschinellen Lernens verlagert. Die Anwendung dieser Methoden erfordert jedoch hochspezifische Trainingsdaten, die für die individuellen und komplexen Gebäudeenergiesysteme nur schwer zu erheben sind. Die Verwendung von Simulationsmodellen als Datenquelle wurde zwar untersucht, hat aber aufgrund des komplexen und zeitintensiven Modellierungsprozesses bislang keine Anwendung gefunden. In dieser Arbeit untersuche ich die Verwendung von automatisierter Modellgenerierung und Unsicherheit in den Parametersätzen zur Generierung von Trainingsdaten. Zunächst stelle ich eine Fehlermodellbibliothek vor, die automatisch mit bereits existierenden Modellen des Gebäudeenergiesystems kombiniert werden kann, um die Simulation des Fehlerverhaltens zu ermöglichen. Dann untersuche ich, ob die Anwendung von Unsicherheit in den Modellparametern während des Trainingsprozesses genutzt werden kann, um die Unabhängigkeit des Fehlererkennungs- und Diagnosemodells (FDD) von diesen Parametern zu erhöhen. Schließlich präsentiere ich einen Feldtest, bei dem ich die vorgeschlagene Methode anhand von Daten evaluiere, die auf einem Prüfstand gesammelt wurden. Die entwickelten Fehlermodelle sind in der Lage, das Fehlerverhalten qualitativ zu repräsentieren. Dadurch ist das Simulationsmodell des Prüfstands in der Lage, die Reaktion der Anlage auf den Fehler korrekt darzustellen. Während des Simulationsversuchs konnte durch die Erhöhung der Anzahl der unsicheren Parametersätze bei der Erstellung der Trainingsdaten die Leistungsfähigkeit der FDD-Modelle deutlich gesteigert werden, während des Feldtests konnte jedoch kein solcher Effekt beobachtet werden. Im Allgemeinen ist die Leistung der FDD Modelle bei den Feldtestdaten vergleichbar mit der Leistung im zuvor durchgeführten Benchmark. Die Generierung von Trainingsdaten mit dem Simulationsmodell ist ein praktikabler Ansatz, um das Problem der fehlenden Trainingsdaten zu entschärfen. Das automatische Hinzufügen von Fehlern aus einer Bibliothek zu bestehenden Modellen reduziert den manuellen Aufwand erheblich. Die Verwendung von mehr Parametersätzen führt derzeit nicht zu einer Leistungsverbesserung, kann aber praktikabel werden, sobald die allgemeine FDD-Leistung steigt. Die untersuchten FDD-Modellarchitekturen sind für Simulationsdaten geeignet, müssen aber für den Einsatz auf realen Messdaten weiter verbessert werden.

Einrichtungen

• E.ON Energy Research Center [080052]
• Lehrstuhl für Gebäude- und Raumklimatechnik [419510]