Citation link:
http://dx.doi.org/10.25819/ubsi/10075
DC Field | Value | Language |
---|---|---|
crisitem.author.orcid | 0000-0002-3887-3419 | - |
dc.contributor.author | Behravan, Ali | - |
dc.date.accessioned | 2022-02-04T12:12:00Z | - |
dc.date.available | 2022-02-04T12:12:00Z | - |
dc.date.issued | 2021 | de |
dc.description.abstract | The building sector and its embedded control systems, especially the Heating, Ventilation, and Air-Conditioning (HVAC) systems, consume a considerable part of the global energy and produce gaseous emissions such as CO2. On the other hand, the air exchange based on natural ventilation is a cost-efficient method to improve indoor air quality, dilute indoor CO2concentration and odors, or remove pollutants or airborne virus particles (e.g., Covid-19) from the building zones. This air exchange during the cold seasons accounts for a heating load for the heating system that causes an increase in energy consumption. Therefore, optimization of HVAC systems to decrease harmful emissions considering potential energy saving is vital. Moreover, if the CO2 generated by human metabolism is not correctly controlled to some limits, it can degrade indoor air quality, reduce the occupants’ efficiency, lead to severe mental problems, or considerably impair the thinking ability. Thus, implementing a robust ventilation control system for the buildings particularly crowded office buildings is momentous. Demand-Controlled Ventilation (DCV) systems are promising solutions that control and optimize the ventilation rates based on thermal comfort and indoor air quality demands with a high potential in energy saving. Many researchers in the literature study DCV systems or adaptive thermal control separately while a comprehensive model containing both DCV and thermal control strategies is missing. Therefore, this thesis contains the combination of the DCV and heating systems with embedded sensors and actuators with the fault injection capabilities in a simulation framework to study such a complex system due to its numerous functions, inputs, and outputs for an in-depth assessment of the involved components’ functionality and effective parameters, especially in case of component failures. Indoor air quality and comfort parameters in an office building can be monitored and controlled in real-time for various architectures based on a high-level specification of the building characteristics. The developed model is scalable based on the modular composability scheme. The user can generate different types of buildings with various architectures with many rooms and floors. The system model, fault injection capabilities, and diagnostic modules are automatically extended. The high complexity of the DCV and heating systems with their many components makes them error-prone, more susceptible to faults, and more fragile. Faults in system components such as sensors and actuators can result in different types of failures and severe implications on efficiency with discomfort and performance degradation of occupants, energy waste, shortened component lifetime, and increased maintenance costs. Failure detection and fault diagnosis is the combination of system failure detection, which is the implication of the fault in a component of a system, with fault diagnosis that is finding the type, severity, time of occurrence, and locality of faults. The state-of-the-art of fault diagnosis methods for building energy systems, e.g., HVAC systems, contains data-driven and knowledge-driven diagnostic methods with corresponding strengths and shortcomings. The knowledge-driven methods are mainly based on expert knowledge and simulate the diagnostic thoughts of domain experts with the argumentation of uncertainties, diagnosis of different fault severities, and understandability. But they need a higher and time-consuming effort to deeply understand the causal relationships among system inputs, faults, and symptoms. Moreover, the knowledge-based methods still lack automatic strategies to improve efficiency and they are less accurate than the data-driven methods. The data-driven methods, on the other hand, depend on similarities and patterns with high sensitivity to any change of patterns and more accuracy than the knowledge-driven methods. However, the data-driven methods require a huge amount of data for training the neural network for fault classification and they cannot provide the reason behind the results. In addition, the data-driven strategies indicate black boxes with low understandability. The research gap filled by this thesis is therefore the combination of knowledge-driven and data-driven fault diagnosis in DCV and heating systems to gain advantages from both categories. The diagnostic method presented in this thesis involves an automatic strategy with low expert effort without necessitation of in-depth understanding of the causal relationships compared to existing knowledge-driven methods with high understandability and high accuracy compared to the existing data-driven methods. The fault diagnosis method in this thesis combines a data-driven classifier with knowledge-driven inference, e.g., fuzzy logic and a Bayesian Belief Network (BBN) to provide an automatic diagnostic classifier that can diagnose any stuck-at or constant-valued faults in sensors and actuators. The combination of BBN and fuzzy logic itself analyzes the dependencies of the system signals based on the mutual information theory. In offline mode, a Relation-Direction Probability (RDP) table for each fault class is computed and stored in an offline fault library. The online mode determines the similarities between the real case RDP in the runtime and the offline library’s RDPs. On the other hand, a data-driven strategy is specifically established using deep neural networks to compare and evaluate the performance of the presented composed diagnostic classifier. The data-driven classifier uses observed signals from faulty and healthy operations of the system to train and evaluate the performance of the designed neural network model. The diagnostic technique in this thesis is independent of the historical data, independent of the expert knowledge, and computing-resource efficient. For the evaluation, four types of stuck-at faults at different components such as temperature sensor, CO2 sensor, heater actuator, and damper actuator with various fault values at different instants of time were investigated. A fault injection framework artificially injects the faults to serve the diagnostic classifiers, e.g., training the models and evaluations. Results show the combined classifier introduced in this thesis has comparable performance to the data-driven method while advantaging the strengths of knowledge-driven methods. | en |
dc.description.abstract | Der Gebäudesektor und seine eingebetteten Kontrollsysteme, insbesondere die Heizungs-, Lüftungs- und Klimaanlagen (HLK), verbrauchen einen beträchtlichen Teil der weltweiten Energie und produzieren gasförmige Emissionen wie CO2. Andererseits ist der Luftaustausch auf der Grundlage natürlicher Belüftung eine kosteneffiziente Methode zur Verbesserung der Luftqualität in Innenräumen, zur Verdünnung der CO2-Konzentration und der Gerüche in Innenräumen oder zur Beseitigung von Schadstoffen oder luftgetragenen Viruspartikeln, (z.B. Covid-19) aus den Gebäudebereichen. Dieser Luftaustausch während der kalten Jahreszeit stellt eine große Heizlast für das Heizsystem dar, was einen Anstieg des Energieverbrauchs verursacht. Daher ist die Optimierung von HLK-Systemen zur Verringerung der Schadstoffemissionen unter Berücksichtigung möglicher Energieeinsparungen unerlässlich. Darüber hinaus kann das durch den menschlichen Stoffwechsel erzeugte CO2, wenn es nicht bis zu einem gewissen Grad kontrolliert wird, die Luftqualität in Innenräumen verschlechtern, die Leistungsfähigkeit der Bewohner beeinträchtigen, schwere psychische Probleme hervorrufen oder zu einer erheblichen Herabsetzung des Denkvermögens führen. Daher ist die Implementierung eines robusten Lüftungssteuerungssystems für Gebäude, insbesondere für usgelastetestark a Bürogebäude, von großer Bedeutung. Systeme der bedarfsgesteuerten Lüftung (BGL) sind eine vielversprechende Lösung, die die Lüftungsraten auf der Grundlage des thermischen Komforts und der Anforderungen an die Raumluftqualität steuern und optimieren und ein hohes Potenzial für Energieeinsparungen bieten. Viele Forscher in der Literatur untersuchen BGL-Systeme oder adaptive thermische Steuerung separat, während ein umfassendes Modell, das sowohl BGL- als auch thermische Steuerungsstrategien enthält, fehlt. Daher beinhaltet diese Arbeit die Kombination von BGL- und Heizsystemen mit eingebetteten Sensoren und Aktoren mit der Fähigkeit zur Fehlerinjektion in einem Simulationsrahmen, um ein solch komplexes System aufgrund seiner zahlreichen Funktionen, Eingänge und Ausgänge für eine eingehende Bewertung der Funktionalität der beteiligten Komponenten und der effektiven Parameter zu untersuchen, insbesondere im Falle von Komponentenausfällen. Daher wird in dieser Arbeit ein Modell eines BGL- und Heizungssystems mit eingebetteten Sensoren und Aktoren erstellt und in MATLAB/Simulink simuliert. Innenraumluftqualität und Behaglichkeitsparameter in einem Bürogebäude können in Echtzeit für verschiedene Architekturen auf der Grundlage einer Spezifikation der Gebäudeeigenschaften überwacht und gesteuert werden. Das entwickelte Modell ist aufgrund des Designs der modularen Zusammensetzbarkeit skalierbar. Der Benutzer kann verschiedene Gebäudetypen mit unterschiedlichen Architekturen mit vielen Räumen und Stockwerken erzeugen. Das Systemmodell, die Fehlerinjektionsmöglichkeiten und die Diagnosemodule werden automatisch erweitert. Die hohe Komplexität der BGL- und Heizungssysteme mit ihren Komponenten macht sie fehleranfällig und störanfälliger. Fehler in Systemkomponenten wie Sensoren und Aktoren können zu verschiedenen Arten von Ausfällen führen und schwerwiegende Auswirkungen auf die Effizienz haben, indem sie das Wohlbefinden und die Leistung der Bewohner beeinträchtigen, Energie verschwenden, die Lebensdauer der Komponenten verkürzen und die Wartungskosten erhöhen. Fehlererkennung und Fehlerdiagnose ist die Kombination von Fehlererkennung, d. h. die Erkennung von Fehlern in einem System, und Fehlerdiagnose, d. h. die Ermittlung der Art, des Schweregrads, des Zeitpunkts des Auftretens und des Ortes von Fehlern. Der Stand der Technik bei Fehlerdiagnosemethoden für Gebäudeenergiesysteme, z. B. HLK-Systeme, hat datengesteuerte und wissensgesteuerte Diagnosemethoden mit ihren Stärken und Schwächen untersucht. Die wissensbasierten Methoden beruhen hauptsächlich auf Expertenwissen und simulieren die diagnostischen Überlegungen von Fachleuten mit der Argumentation von Unsicherheiten, der Diagnose verschiedener Fehlerschweregrade und der Verständlichkeit. Sie erfordern jedoch einen höheren und zeitaufwändigen Aufwand, um die kausalen Beziehungen zwischen Systemeingaben, Fehlern und Symptomen zu verstehen. Außerdem fehlt es den wissensbasierten Methoden noch an automatischen Strategien zur Verbesserung der Effizienz, und sie sind nicht weniger genau als die datengesteuerten Methoden. Die datengesteuerten Methoden hängen von Ähnlichkeiten und Mustern ab und reagieren sehr empfindlich auf Änderungen der Muster und sind genauer als die wissensgesteuerten Methoden. Die datengesteuerten Methoden benötigen jedoch große Datenmengen für das Training; sie können den Grund für die Ergebnisse nicht liefern, und ihre Strategien stellen Blackboxes mit geringer Verständlichkeit dar. Die Forschungslücke, die in dieser Arbeit geschlossen wird, ist daher die Kombination von wissensbasierter und datenbasierter Diagnose in BGL- und Heizungssystemen, um die Vorteile beider Kategorien zu nutzen. Die in dieser Arbeit vorgestellte Diagnosemethode umfasst einen geringen Expertenaufwand, ohne dass ein vollständiges Verständnis der kausalen Zusammenhänge erforderlich ist, im Vergleich zu bestehenden wissensgetriebenen Methoden mit hoher Verständlichkeit und hoher Genauigkeit. Die Fehlerdiagnose kombiniert einen datengetriebenen Klassifikator mit wissensgetriebener Inferenz, z. B. Fuzzy-Logik und einem Bayesian Belief Network (BBN). Die Kombination aus BBN und Fuzzy-Logik analysiert selbst die Abhängigkeiten der Systemsignale auf der Grundlage der Theorie der Mutual Information . Im Offline-Modus wird eine Relation-Direction Probability (RDP)-Tabelle für jede Fehlerklasse berechnet und in einer Offline-Fehlerbibliothek gespeichert. Im Online-Modus werden die Ähnlichkeiten zwischen der RDP des realen Falls zur Laufzeit und der RDP der Offline-Bibliothek ermittelt. Andererseits wird eine datengesteuerte Strategie unter Verwendung tiefer neuronaler Netze entwickelt, um die Leistung des vorgestellten zusammengesetzten Diagnoseklassifikators zu vergleichen und zu bewerten. Der datengesteuerte Klassifikator verwendet beobachtete Signale aus dem fehlerhaften und gesunden Betrieb des Systems, um die Leistung des entwickelten Netzwerkmodells zu trainieren und zu bewerten. Die Diagnosetechnik in dieser Dissertation ist unabhängig von den historischen Daten, unabhängig vom Expertenwissen und rechenressourceneffizient. Für die Bewertung wurden vier Arten von Festgefahrener oder Konstantwertiger Fehlern an verschiedenen Komponenten wie Temperatursensor, CO2-Sensor, Heizungsantrieb und Klappenantrieb mit unterschiedlichen Fehlerwerten zu verschiedenen Zeitpunkten untersucht. Ein Fehlerinjektionssystem injiziert die Fehler künstlich, um die Diagnoseklassifikatoren zu unterstützen, z. B. beim Training der Modelle und bei der Auswertung. Die Ergebnisse zeigen, dass der in dieser Arbeit vorgestellte kombinierte Klassifikator eine vergleichbare Leistung wie die datengesteuerte Methode aufweist und gleichzeitig die Stärken der wissensgesteuerten Methoden ausnutzt. | de |
dc.identifier.doi | http://dx.doi.org/10.25819/ubsi/10075 | - |
dc.identifier.uri | https://dspace.ub.uni-siegen.de/handle/ubsi/2154 | - |
dc.identifier.urn | urn:nbn:de:hbz:467-21541 | - |
dc.language.iso | en | de |
dc.subject.ddc | 004 Informatik | de |
dc.subject.other | Diagnostic Classifiers | en |
dc.subject.other | Fault Diagnosis | en |
dc.subject.other | Fuzzy Bayesian Belief Network | en |
dc.subject.other | Demand Controlled Ventilation | en |
dc.subject.other | Deep Neural Network | en |
dc.subject.swb | Deep learning | de |
dc.subject.swb | Neuro-Fuzzy-System | de |
dc.subject.swb | Bayes-Netz | de |
dc.subject.swb | Diagnosesystem | de |
dc.subject.swb | Heizung | de |
dc.title | Diagnostic classifiers based on fuzzy Bayesian belief networks and deep neural networks for demand-controlled ventilation and heating systems | en |
dc.title.alternative | Diagnoseklassifikatoren auf Basis von Fuzzy Bayesian Belief Networks und Deep Neural Networks für bedarfsgesteuerte Lüftungs- und Heizungsanlagen | de |
dc.type | Doctoral Thesis | de |
item.fulltext | With Fulltext | - |
ubsi.contributor.referee | Obermaisser, Roman | - |
ubsi.date.accepted | 2021-12-08 | - |
ubsi.organisation.granting | Universität Siegen | - |
ubsi.origin.dspace5 | 1 | - |
ubsi.publication.affiliation | Department Elektrotechnik - Informatik | de |
ubsi.subject.ghbs | TVUC | de |
ubsi.subject.ghbs | TWIP | de |
ubsi.subject.ghbs | TUHD | de |
ubsi.subject.ghbs | WFO | de |
ubsi.subject.ghbs | TCU | de |
Appears in Collections: | Hochschulschriften |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Dissertation_Ali_Behravan.pdf | 7.62 MB | Adobe PDF | ![]() View/Open |
This item is protected by original copyright |
Page view(s)
633
checked on Aug 20, 2024
Download(s)
286
checked on Aug 20, 2024
Google ScholarTM
Check
Altmetric
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.