Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Density-based clustering algorithm for fault detection and identification in HVAC systems

 
: Benndorf, G.; Réhault, N.

:
Fulltext urn:nbn:de:0011-n-4355528 (770 KByte PDF)
MD5 Fingerprint: 199865101a11c63e524561c4ebf3b88e
Created on: 14.3.2017


Grunewald, J. ; TU Dresden, Zentrum für Bauforschung, Institut für Bauklimatik:
CESBP Central European Symposium on Building Physics and BauSIM 2016. Proceedings : September 14-16, 2016, Dresden, Germany
Stuttgart: Fraunhofer IRB Verlag, 2016
ISBN: 978-3-8167-9798-2
pp.243-250
Central European Symposium on Buildings Physics (CESBP) <2016, Dresden>
BauSIM Konferenz <2016, Dresden>
English
Conference Paper, Electronic Publication
Fraunhofer ISE ()
Thermische Anlagen und Gebäudetechnik; building operation; clustering; Fault detection; Gebäudeenergietechnik; Betriebsführung und Gesamtenergiekonzept

Abstract
The operation of building services like heating, ventilation and air conditioning systems (HVAC systems) is often vitiated by faults and suboptimal states. Such malfunctioning can be overcome by introducing a monitoring system with automated fault detection and diagnosis based on measurement data. Here, we propose a method for the automatic detection and identification of faults in HVAC systems, which is based on a clustering algorithm. We illustrate the proposed method using simulation data from a simple model, where faults have been implemented artificially, and show that the approach performs well with respect to fault detection and that it provides additional valuable information to enable fault diagnostics.

 

Gebäudetechnische Systeme wie Heizungs- und Lüftungsanlagen unterliegen oftmals fehlerhaftem oder suboptimalem Verhalten. Derartige fehlerhafte Betriebsweisen können mit Hilfe eines Monitoringsystems und einer auf Messdaten basierenden automatisierten Fehlererkennung und -diagnose behoben werden. Im Folgenden wird eine Methode zur automatisierten Fehlererkennung und -identifikation vorgestellt, die auf einem Clustering-Algorithmus basiert. Wir illustrieren die Verwendung der beschriebenen Methode an Hand von Simulationsdaten eines einfachen Anlagenmodells, wobei die Simulationsdaten künstlich implementierte Fehler enthalten. Wir zeigen, dass der Ansatz sich gut zur Fehlererkennung eignet und dass er zudem wertvolle Informationen für eine Fehlerdiagnose liefert.

: http://publica.fraunhofer.de/documents/N-435552.html