결함이 있는 상태에서 작동하는 HVAC 시스템을 구축하기 위한 레이블이 지정된 데이터세트

과학 데이터 10권, 기사 번호: 342(2023) 이 기사 인용

287 액세스

측정항목 세부정보

개방형 데이터는 다양한 분야에서 혁신을 촉진하고 있습니다. 건축 과학 분야에서는 새로운 제어 알고리즘 및 성능 분석 방법과 같은 운영 애플리케이션 개발에 정보를 제공하는 데 사용할 수 있는 데이터 세트를 얻기가 매우 어렵습니다. 이 문서에서는 결함이 있는 상태와 결함이 없는 상태의 건물 시스템 운영에 대해 알려진 가장 큰 공개 데이터 세트의 개발 및 내용을 요약합니다. 다양한 기후, 결함 유형 및 결함 심각도에 걸쳐 상업용 건물에서 가장 일반적인 HVAC 시스템 및 구성을 다룹니다. 데이터 세트에 포함된 시계열 지점에는 기존 건물에서 일반적으로 발생하는 측정값과 덜 일반적인 측정값이 포함됩니다. 데이터 생성에는 시뮬레이션 도구, 실험 테스트 시설 및 현장 현장 운영이 사용되었습니다. 더 많은 데이터를 필요로 하는 알고리즘을 알리기 위해 대부분의 시뮬레이션 데이터는 각 결함 심각도 조합에 대해 1년 동안의 작업을 다룹니다. 데이터 세트는 2020년 수석 저자가 처음 발표한 것보다 크게 확장된 것입니다.

결함 감지 및 진단(FDD)은 건축 과학 및 건축 기술 응용 분야에서 잘 확립된 연구 분야입니다. 이는 주로 건물 에너지 사용 및 배출, 장비 수명 및 입주자의 편안함에 대한 장비 결함 및 제어 문제의 심각한 영향에 의해 발생합니다. 특히 HVAC 시스템을 구축하면 시스템 구성의 다양성, 복잡한 운영 및 모니터링되는 데이터의 가용성을 고려할 때 FDD 알고리즘 개발을 위한 풍부한 기회 공간을 제공할 수 있습니다. 또한, 최근 건물과 전력 부문의 탈탄소화 추진으로 인해 재생 가능한 전력망에 부하 유연성 서비스를 안정적으로 제공할 수 있는 전력망 상호작용형 효율적인 건물의 중요성이 높아지고 있습니다. 이로 인해 HVAC 시스템 구축이 제어 가능하고 결함이 없는지 확인하는 것이 더욱 중요해졌으며 FDD 기술 개발 및 배포에 대한 추가 동기를 제공합니다.

건물에서 FDD 소프트웨어 도구는 건물 자동화 시스템, 센서 및 계량기에서 수집된 운영 데이터를 사용하여 HVAC 시스템의 장비 및 제어 문제 또는 성능 저하를 자동으로 감지하고 잠재적인 근본 원인을 진단합니다1. FDD 기술의 결과를 사용하여 건물 운영자는 유지 관리 활동을 효율적으로 지시하여 비효율성 또는 장비 및 제어 오작동을 해결할 수 있습니다.

지난 30년 동안 건물용 FDD 솔루션의 개발 및 적용을 기록한 많은 문헌이 출판되었습니다. 활발한 연구는 다음을 포함한 광범위한 주제를 다룹니다. (1) 수백 가지 FDD 방법의 개발 및 검증2,3,4; (2) 오류 포함 모델5,6,7을 생성하기 위한 실험 플랫폼 또는 시뮬레이션 소프트웨어 도구 개발 및 오류 포함 데이터 세트 개발8,9,10; (3) 건물의 결함 발생률과 보급률 정량화11,12,13; (4) 시스템 운영14,15, 에너지 소비16,17, 장비 유지 관리 및 운영 비용18,19, 탑승자의 열 쾌적성15,20,21 및 실내 공기 질22에 대한 결함의 영향 분석; (5) 기존 건물에서의 FDD 기술 적용, 비용 및 이점1,23; (6) FDD 알고리즘 성능 테스트 방법24,25; (7) FDD 도구로 오류를 진단하고 표시한 후 자동화된 오류 수정26,27 및 유지 관리 활동28.

건물 제어 및 자동화 시스템은 대량의 운영 데이터를 저장하고 내보낼 수 있지만 이러한 데이터는 잘못된 센서 및 격차를 비롯한 데이터 품질 문제가 발생하기 쉽습니다. 한 시스템에서 다른 시스템으로 일관된 명명 규칙이 사용되지 않으며, 데이터 간의 의미와 관계를 해석하기 위한 의미론적 메타데이터가 거의 사용되지 않습니다. 더욱 복잡한 점은 데이터가 일반적으로 발생하는 다양한 결함의 알 수 없거나 레이블이 지정되지 않은 존재를 반영한다는 것입니다. 마지막으로, 연구자는 현장 데이터의 소규모 컬렉션을 수집할 수 있지만 기후, HVAC 시스템 및 운영 다양성을 나타내는 대규모 데이터 세트를 축적하는 것은 극히 어렵습니다. 이는 FDD 알고리즘 개발 및 성능 평가의 혁신에 엄청난 장벽을 제시합니다.