Table of Contents

Les études ont montré que 15 à 30 % de l'énergie peut être gaspillée en raison de défaillances du système de construction et de contrôles inappropriés, ce qui rend la mise en œuvre de la DDF essentielle à l'efficacité énergétique et aux économies d'énergie. En identifiant les problèmes dès le début, la DDF aide à réduire la consommation d'énergie, à prolonger la durée de vie des équipements et à améliorer la fiabilité globale du système.

Comprendre la détection des défauts et les diagnostics dans les systèmes CVC

La détection des défaillances est définie comme « la détermination du fonctionnement du bâtiment est incorrecte ou inacceptable à certains égards » et le diagnostic des défaillances est défini comme « l'identification ou la localisation de la cause de l'exploitation défectueuse ».

Les défaillances se rapportent à la défaillance du capteur, à la défaillance de l'équipement ou au fonctionnement défectueux du système. Lorsqu'elles ne sont pas détectées, ces problèmes peuvent avoir de multiples conséquences négatives, notamment des pertes d'énergie excessives, des coûts d'entretien élevés, des environnements thermiques inconfortables à l'intérieur et une mauvaise qualité de l'air.

L'importance de la DFD dans les bâtiments modernes

Avec l'adoption généralisée du système d'automatisation des bâtiments et l'avancement des techniques de données, de détection et d'apprentissage automatique, la détection et le diagnostic des défauts par les données (DTS) pour les systèmes de chauffage, de ventilation et de climatisation des bâtiments a gagné en importance.

Au-delà de l'efficacité énergétique, la DDF joue un rôle essentiel dans la sécurité.De nombreuses matières dangereuses, notamment les carburants et les réfrigérants, sont utilisées dans les systèmes CVC contemporains. Des fuites, des incendies et d'autres risques pour la sécurité sont possibles dans les systèmes CVC si elles ne sont pas correctement entretenues et exploitées.

Types d'approches FDD

La détection et le diagnostic des défauts de CVC peuvent être mis en œuvre par plusieurs approches méthodologiques différentes, chacune avec ses propres avantages et applications. Comprendre ces approches aide les gestionnaires d'installations et les professionnels de CVC à choisir la solution la plus appropriée pour leurs besoins spécifiques.

Méthodes FDD à données

La DFDD est définie comme étant celle qui est construite ou formée à partir de données par le biais de méthodes d'apprentissage automatique ou d'analyse statistique à plusieurs variables.

Pour la détection des défauts, les méthodes fondées sur les données comprenaient des méthodes fondées sur la classification, non supervisées fondées sur l'apprentissage et fondées sur la régression, qui permettent d'utiliser les données historiques pour identifier les profils et les anomalies qui indiquent des défauts potentiels.

Méthodes FDD axées sur le savoir

Les méthodes fondées sur les connaissances comprennent les méthodes fondées sur des modèles et les méthodes fondées sur des règles. Les méthodes fondées sur des modèles utilisent des représentations mathématiques du comportement du système, tandis que les méthodes fondées sur des règles appliquent des règles définies par des experts pour identifier les défauts.

Ces approches sont particulièrement utiles lorsque la compréhension physique du système est bien établie et lorsque l'interprétation des résultats est importante, mais elles peuvent nécessiter une expertise importante pour se développer et ne pas s'adapter aux conditions changeantes du système.

Approches FDD hybrides

Compte tenu des inconvénients des approches fondées sur les connaissances et fondées sur les données et après une brève explication des études actuelles basées sur des méthodes hybrides, cet article souligne la nécessité d'étendre l'approche hybride de la DDF dans les études futures, en particulier dans le diagnostic des défauts.

Approches directes et approches indirectes de la DDF

Une approche directe de la DFDR de CVC utilise des mesures côté frigorigène et/ou côté air directement sur le système CVC pour identifier les défauts. Par exemple, l'utilisation de capteurs de température et de pression de frigorigène pour mesurer la surchauffe et le sous-refroidissement d'un système CVC pour vérifier la charge correcte de frigorigène est une approche directe de la DFDR de CVC.

Une approche indirecte de la DFVAC peut comprendre des mesures telles que la consommation d'énergie de la CVC, le temps de fonctionnement de la CVC ou la température intérieure, qui sont affectées par les performances de la CVC, mais pas des mesures directes du côté du frigorigène ou de l'air du système.

Le processus complet de la DDF : mise en oeuvre étape par étape

La mise en place d'un système efficace de détection et de diagnostic des défauts nécessite une approche systématique qui englobe plusieurs étapes. Un processus FDD axé sur les données est divisé en étapes suivantes: collecte des données, nettoyage des données, prétraitement des données, établissement de base, détection des défauts, diagnostic des défauts et pronostics potentiels des défauts.

Étape 1: Collecte de données à partir de capteurs et systèmes

Les capteurs HVAC intelligents sont des dispositifs compatibles avec l'IoT qui surveillent et mesurent en temps réel des facteurs environnementaux tels que la température, l'humidité, le débit d'air et la pression, fournissant des données précieuses pour l'optimisation du système. Les systèmes de surveillance HVAC modernes peuvent suivre une large gamme de paramètres, y compris les changements de température, les pannes de puissance, la pression, les minuteries, les alarmes, l'humidité excessive, l'infiltration d'eau et l'intrusion.

Les capteurs utilisés dans les systèmes CVC FDD comprennent généralement des capteurs de température, d'humidité, de pression, de courant pour la surveillance électrique et de l'occupation, des capteurs de température, des capteurs d'humidité et des capteurs d'occupation qui recueillent des données en temps réel sur l'environnement intérieur.

Pour la surveillance complète du système, les capteurs devraient être situés stratégiquement dans les points d'alimentation et de retour de l'air, sur les composants d'équipement essentiels et dans les espaces conditionnés. Les systèmes modernes peuvent collecter des millions de points de données chaque année, fournissant une mine d'informations pour l'analyse.

Étape 2 : Nettoyage des données et assurance de la qualité

Les données brutes recueillies auprès des systèmes CVC contiennent souvent des incohérences, des valeurs manquantes et des erreurs qui doivent être traitées avant l'analyse.Ce cadre complet englobe une série de sous-objectifs : créer un ensemble de données brutes conséquent et synchronisé à partir de diverses étiquettes de capteurs BAS, nettoyer les données de manière exhaustive pour corriger les incohérences.

Les problèmes courants de qualité des données comprennent la dérive des capteurs, les erreurs de communication, les désalignements d'horodatage et les aberrations causées par des perturbations temporaires.

Étape 3 : Prétraitement des données et ingénierie des fonctionnalités

Une fois les données nettoyées, le prétraitement les transforme en un format adapté à l'analyse, ce qui peut inclure la normalisation, l'agrégation, la réduction de dimensionnalité et l'extraction des fonctionnalités.

L'ingénierie des fonctions implique la création de nouvelles variables à partir de données brutes qui représentent mieux le comportement du système sous-jacent. Par exemple, le calcul des différences de température, des mesures d'efficacité ou des indicateurs de mode d'exploitation peut fournir des entrées plus significatives pour les algorithmes de détection de failles que les lectures de capteurs bruts seulement.

Étape 4 : Établissement de référence

Pour la mise en œuvre en temps réel, une méthode FDD axée sur les données compare souvent les données entrantes (également appelées données instantanées dans la littérature) avec une base de référence, qui est examinée plus avant à la section 3.4. Ici, une base de référence se réfère à des données ou un modèle qui représentent une opération normale.

Les données de base peuvent être établies par plusieurs méthodes, notamment l'analyse des données historiques pendant le fonctionnement connu sans défaut, des modèles de performance attendue fondés sur la physique ou des modèles adaptatifs qui apprennent le comportement normal au fil du temps.

Les variations saisonnières et les différents modes de fonctionnement doivent être considérés pour éviter les faux positifs.

Étape 5 : Détection des défaillances

La détection des défaillances consiste à déterminer si le fonctionnement du système s'écarte sensiblement du comportement attendu, ce qui peut être réalisé par diverses méthodes, notamment la détection fondée sur le seuil, le contrôle statistique des processus, les algorithmes de classification ou les techniques de détection des anomalies.

Il convient de noter que certaines méthodes FDD peuvent effectuer simultanément la détection et le diagnostic des défauts, alors que certaines méthodes ne font que la détection des défauts sans isoler les causes profondes. Le choix de la méthode de détection dépend des données disponibles, de la complexité du système et de la vitesse de détection requise.

Les systèmes modernes de détection des défauts utilisent souvent des algorithmes d'apprentissage automatique qui permettent d'identifier les modèles et les relations complexes. En recueillant des données en temps réel, les capteurs intelligents permettent la maintenance prédictive en identifiant les problèmes potentiels avant qu'ils ne conduisent à des défaillances du système, réduisant ainsi les temps d'arrêt et les coûts de maintenance.

Étape 6 : Diagnostic des fautes

Pour le diagnostic des erreurs, les méthodes fondées sur les données comprenaient des méthodes fondées sur la classification et non supervisées fondées sur l'apprentissage, tandis que les méthodes fondées sur les connaissances comprenaient des méthodes fondées sur l'inférence (p. ex., réseau bayésien, logique floue) et des méthodes fondées sur les règles diagnostiques.

Le processus de diagnostic devrait fournir des renseignements exploitables que le personnel de maintenance peut utiliser pour corriger efficacement la défaillance, notamment en identifiant le composant ou le sous-système en cause, la nature de la faute et sa gravité.

Diagnostic bayésien Networks (DPN) offre une approche particulièrement prometteuse en raison de leur robustesse, flexibilité et évolutivité. Ces modèles probabilistes peuvent gérer l'incertitude et représenter des relations complexes entre symptômes et défauts.

Étape 7: Pronostique des fautes

Les dernières étapes d'un processus FDD sont la détection des défauts, le diagnostic des défauts et les pronostics de défaillance. Les pronostics vont au-delà de l'identification des défauts actuels pour prédire les défaillances futures et estimer la durée de vie utile restante des composants.

Les méthodes pronostiques analysent les tendances de la performance du système et des modèles de dégradation pour prévoir les cas où les composants risquent de échouer, ce qui permet aux gestionnaires de l'installation de planifier les activités d'entretien, de commander des pièces de rechange et de réduire au minimum les perturbations dans les activités de construction.

Défauts courants dans les systèmes CVC et leur détection

Il est essentiel de comprendre les types de défauts qui se produisent couramment dans les systèmes CVC pour élaborer des stratégies de détection et de diagnostic efficaces.

Défauts du capteur

Les défaillances de capteurs sont parmi les défauts les plus courants des systèmes CVC. Ces défaillances peuvent inclure la dérive des capteurs, les erreurs d'étalonnage, les défaillances complètes des capteurs et les problèmes de communication.

Les défauts de capteur sont particulièrement problématiques car ils peuvent causer des erreurs de décision des systèmes de contrôle à partir d'informations erronées. Par exemple, un capteur de température mal lisant peut causer au système un refroidissement excessif, une perte d'énergie et des conditions inconfortables.

Les méthodes de détection des défauts de capteur comprennent la comparaison des lectures des capteurs redondants, la vérification des valeurs physiquement impossibles, l'analyse des caractéristiques des signaux de capteur et l'utilisation de capteurs virtuels basés sur des modèles de système.

Fuites réfrigérantes et questions relatives aux frais

Les fuites de réfrigérants représentent un type de défaillance critique qui affecte l'efficacité du système, la capacité et l'impact environnemental. Une faible charge de frigorigène réduit la capacité de refroidissement et l'efficacité tout en endommageant potentiellement le compresseur.

La détection des problèmes de réfrigérants consiste généralement à surveiller les valeurs de la surchauffe et du refroidissement secondaire, à analyser la performance du compresseur, à suivre les pressions et les températures du système et à observer les changements dans les modes de consommation d'énergie.

Thermostat et défauts de commande

Les thermostats et les systèmes de commande défectueux peuvent causer un fonctionnement inapproprié du système, ce qui entraîne des problèmes de gaspillage d'énergie et de confort.

Ces défauts peuvent être détectés en analysant les signaux de contrôle, en comparant la réponse réelle du système au comportement attendu, en surveillant les températures de la zone par rapport aux points de consigne et en vérifiant le séquençage approprié du fonctionnement de l'équipement.

Obstructions du débit d'air et problèmes de distribution

Les problèmes de débit d'air comprennent des filtres sales, des conduits bloqués, des amortisseurs bloqués et des problèmes de ventilateur.

Les méthodes de détection comprennent la surveillance des chutes de pression à travers les filtres et les bobines, la mesure des débits d'air aux endroits clés, l'analyse de la consommation d'énergie du ventilateur et le suivi des variations de température de la zone.

Défauts de compresseur et d'équipement

La détection précoce est essentielle parce que le remplacement du compresseur représente une dépense importante. Les signes d'avertissement comprennent des vibrations anormales, un bruit inhabituel, des températures de décharge élevées, une capacité réduite et une consommation accrue d'énergie.

La surveillance du courant électrique du compresseur, des pressions de décharge et d'aspiration et des températures, des niveaux de vibrations et de la qualité de l'huile peut donner un avertissement rapide des problèmes de développement.

Échangeur de chaleur Fouling

Le fouillage des condenseurs et évaporateurs réduit l'efficacité du transfert de chaleur, diminue la capacité du système et augmente la consommation d'énergie.

La détection implique la surveillance des températures d'approche, des chutes de pression et de l'efficacité globale du système.

Défauts d'économiseur

Les économiseurs utilisent l'air extérieur pour refroidir lorsque les conditions sont favorables, ce qui permet d'économiser beaucoup d'énergie. Les défauts courants comprennent les amortisseurs bloqués, les capteurs défectueux et la logique de contrôle inappropriée.

Les méthodes de détection comprennent la comparaison de la position de l'amortisseur d'air extérieur avec les signaux de commande, la surveillance de la température de l'air mixte et l'analyse de la relation entre les conditions extérieures et le fonctionnement de l'économiseur.

Technologies et outils avancés de la DDF

Les implémentations modernes de la DDF tirent parti des technologies avancées pour améliorer la précision de détection, réduire les fausses alarmes et fournir des informations diagnostiques pouvant être utilisées.

Apprentissage automatique et intelligence artificielle

Dans le monde d'aujourd'hui, où les mégadonnées sont une composante commune des systèmes de gestion de l'énergie des bâtiments (BEMS), ML est le meilleur outil pour optimiser davantage les systèmes CVC, dans le but de surveiller l'efficacité énergétique, de réguler le confort thermique et de réduire l'empreinte environnementale à long terme.

Les algorithmes d'apprentissage automatique peuvent identifier des modèles complexes dans les données CVC qui seraient difficiles ou impossibles à détecter en utilisant des méthodes traditionnelles. Les approches communes ML comprennent les réseaux neuronaux, les machines vectorielles de soutien, les arbres de décision, les forêts aléatoires et les méthodes d'ensemble.

Les méthodes d'apprentissage approfondi sont de plus en plus appliquées à la DDF CVC, ce qui permet d'extraire automatiquement les caractéristiques pertinentes des données brutes et de gérer des ensembles de données à haute dimension.

Surveillance et analyse en nuage

Les systèmes modernes de surveillance à distance HVAC stockent les données dans le cloud, offrant un stockage pratiquement illimité. Cela permet d'accéder rapidement et facilement aux rapports de tendance, de vérifier l'état de certains équipements et de revoir l'historique des alarmes.

Les plateformes basées sur le cloud jouent un rôle important dans la surveillance intelligente de CVC en fournissant un centre centralisé de gestion des données. Ces plateformes collectent, analysent et stockent des données provenant de plusieurs capteurs, fournissant des informations sur la performance du système et l'utilisation de l'énergie.

La connectivité Cloud facilite les fonctions telles que le diagnostic à distance et le contrôle, permettant de procéder à des ajustements sans être sur place. Cette capacité est particulièrement précieuse pour les organisations gérant des installations distribuées ou pour les fournisseurs de services qui soutiennent plusieurs clients.

Intégration IoT et capteurs intelligents

La technologie IoT permet une intégration transparente des capteurs, des contrôleurs et des plateformes d'analyse. Les capteurs améliorés par l'IA sont en train d'optimiser les points de consigne, de détecter les anomalies et de faciliter l'étalonnage/essai à distance.

Les capteurs intelligents dotés de capacités de traitement intégrées peuvent effectuer des analyses locales, réduire les besoins de transmission de données et permettre une réponse plus rapide aux conditions critiques.

Intégration du système d'automatisation des bâtiments

L'intégration avec les systèmes d'automatisation du bâtiment (SAB) permet aux outils FDD de tirer parti des données déjà collectées à des fins de contrôle, ce qui réduit le besoin de capteurs supplémentaires et permet d'accéder à des informations complètes sur le système.

L'intégration BAS permet aux systèmes FDD d'accéder aux séquences de contrôle, aux consignes et aux calendriers opérationnels, en fournissant un contexte qui améliore la précision diagnostique.

Outils automatisés de détection et de diagnostic des défaillances (AFDD)

AFDD est une technologie ou un outil qui implémente le processus FDD et communique la présence d'un défaut à l'utilisateur. AFDD peut utiliser soit des données à court terme, comme celles obtenues pendant l'installation ou la mise en service, soit un flux de données continu pour détecter des défauts tout au long de la durée de vie de l'équipement.

Les outils AFDD vont des appareils de diagnostic portatifs utilisés par les techniciens aux systèmes intégrés dans les équipements CVC aux plates-formes de surveillance tierces. Les méthodes de détection et de diagnostic des défaillances (FDD) sont de plus en plus prises en considération pour l'application dans les équipements de conditionnement d'espace comme méthode de réduction de la consommation d'énergie et des émissions de réfrigérants, et pour fournir un confort plus fiable.

Mise en œuvre de la DDF dans différents types de systèmes CVC

Les différentes configurations du système CVC nécessitent des approches FDD adaptées. La compréhension des caractéristiques spécifiques et des défauts communs de chaque type de système permet une détection et un diagnostic plus efficaces.

Unités de traitement de l'air (AHU)

Les unités de traitement de l'air sont des systèmes complexes avec de multiples composants, y compris des ventilateurs, des filtres, des bobines de chauffage et de refroidissement, des amortisseurs et des commandes.

Les défauts courants de l'AHU comprennent les amortisseurs coincés ou qui fuient, les filtres et bobines encrassés, les défaillances des capteurs et les erreurs de séquence de contrôle.

Systèmes à volume d'air variable (VAV)

Les systèmes VAV permettent de contrôler le niveau de la zone en modulant le débit d'air vers des espaces individuels. Cet article porte sur une étude de cas pratique dans un bâtiment commercial léger, le système CVC situé à Montréal, Canada, comprenant une unité de manutention de l'air (AHU) et quatre boîtes de réchauffage du volume d'air variable (VAV) pour évaluer le cadre.

Les défauts spécifiques au VAV comprennent les défaillances de l'amortisseur, les problèmes de soupapes de réchauffage, les erreurs de capteur de zone et les réglages de débit minimal inappropriés.

Systèmes de chiller

Les refroidisseurs sont des composants essentiels de nombreux systèmes de CVC commerciaux et représentent des consommateurs d'énergie importants. Les expériences effectuées sur un refroidisseur centrifuge réfrigérant R134a avec une capacité de refroidissement de 90 tonnes (316 kW) démontrent le type d'essais détaillés utilisés pour développer des méthodes de refroidissement FDD.

Les défauts de refroidissement comprennent les fuites de réfrigérant, l'encrassement du condenseur, l'encrassement de l'évaporateur, la dégradation du compresseur et les problèmes de contrôle.

Thermopompes et climatiseurs

La tâche 1 a pour but de développer et d'affiner un algorithme FDD adaptable (auto-entraînement) adapté au déploiement avec des systèmes assemblés sur le terrain. Les pompes à chaleur et les climatiseurs partagent de nombreux modes de défaillance courants, y compris les problèmes de charge de réfrigérant, les problèmes de débit d'air et les défaillances des composants.

La DDF pour ces systèmes est généralement axée sur les mesures côté frigorigène, y compris la surchauffe et le sous-refroidissement, ainsi que sur les mesures côté air des températures et du débit d'air.

Systèmes à débit de réfrigérant variable (VRF)

Les systèmes VRF assurent simultanément le chauffage et le refroidissement dans différentes zones en utilisant le frigorigène comme moyen de transfert de chaleur. Ces systèmes ont des modes de défaillance uniques liés à la distribution des frigorigènes, au fonctionnement extérieur de l'unité et à la commande de l'unité intérieure.

Les systèmes de FDD pour les systèmes de VRF doivent tenir compte du réseau de réfrigérants complexe, de plusieurs unités intérieures avec des charges variables et d'algorithmes de contrôle sophistiqués.

Évaluation du rendement et mesures pour les systèmes de DDF

L'évaluation du rendement des systèmes de DDF est essentielle pour comparer différentes approches, valider les implémentations et assurer un fonctionnement fiable. Plusieurs mesures sont couramment utilisées pour évaluer le rendement de la DDF.

Mesure de l'exactitude de la détection

La précision de détection mesure la façon dont le système FDD identifie correctement les défauts et le fonctionnement normal. Les mesures clés comprennent le taux vrai positif (sensibilité), le taux vrai négatif (spécicité), le taux faux positif et le taux faux négatif.

La précision, la précision, le rappel et le score F1 fournissent des mesures sommaires de la performance de détection, qui doivent être évaluées séparément pour chaque type de défaut, car la performance varie souvent selon la faille détectée.

Précision diagnostique

Au-delà de la détection d'une faille, la précision diagnostique mesure la capacité d'identifier correctement le type de faille et l'emplacement précis. Ceci est généralement évalué à l'aide de matrices de confusion qui montrent à quelle fréquence chaque type de faille est correctement diagnostiqué par rapport à une erreur de classification comme autre faille.

La précision diagnostique est particulièrement importante car un diagnostic incorrect peut conduire à des réparations inutiles ou à l'incapacité de résoudre le problème réel.

Temps de détection et sensibilité

Le temps de détection mesure la rapidité avec laquelle le système FDD identifie une défaillance après qu'elle se produise. La détection plus rapide permet une réponse plus rapide, minimisant l'impact des défaillances sur la consommation d'énergie, le confort et les dommages matériels.

Le compromis entre la vitesse de détection et le taux de fausse alerte doit être équilibré en fonction de l'application et des conséquences spécifiques des détections manquées par rapport aux fausses alarmes.

Robuste et généralisation

Enfin, cette revue de la littérature conclut que malgré le rendement prometteur rapporté dans la littérature, les méthodes de DDF axées sur les données sont toujours confrontées à de nombreux défis, tels que le déploiement de bâtiments réels, l'évaluation et l'analyse comparative du rendement, l'évolutivité et la transférabilité, l'interprétation, la cybersécurité et la protection des données, l'expérience des utilisateurs, etc.

La robustesse désigne la capacité du système de DDF à maintenir sa performance dans différentes conditions d'exploitation, saisons et types de bâtiments. La généralisation mesure la performance d'un système de DDF formé sur un bâtiment ou un système lorsqu'il est appliqué à d'autres.

Considérations pratiques concernant la mise en œuvre de la DDSF

La mise en œuvre réussie de la DDF exige une attention particulière aux considérations pratiques qui dépassent les algorithmes et les méthodes techniques, et qui déterminent souvent si un système de DDF apporte de la valeur dans les applications réelles.

Analyse coûts-avantages

Les systèmes de DDF nécessitent des investissements dans les capteurs, les logiciels, l'installation et l'entretien continu.Les avantages comprennent des économies d'énergie, des coûts réduits de réparation, une durée de vie prolongée de l'équipement et un confort amélioré.

Les économies d'énergie à elles seules justifient souvent la mise en oeuvre de la DD, particulièrement dans les grands bâtiments commerciaux.

Sélection et placement des capteurs

Les types de capteurs utilisés pour le FDD dépendent de la méthode de détection des défauts. La sélection de capteurs appropriés nécessite des exigences de précision d'équilibrage, des contraintes de coûts et une facilité d'installation.

Le positionnement stratégique des capteurs maximise la capacité de diagnostic tout en minimisant les coûts. Les principaux endroits comprennent l'alimentation et le retour des flux d'air, les lignes de réfrigérant aux points critiques, les connexions électriques pour la surveillance de l'énergie et les zones représentatives pour l'évaluation du confort.

Intégration avec les systèmes existants

La plupart des implémentations de la DDF doivent travailler avec les équipements de CVC existants et les systèmes d'automatisation des bâtiments. La compatibilité avec les protocoles existants, la capacité de tirer parti des capteurs existants et la perturbation minimale pendant l'installation sont des considérations importantes.

Il est peut-être plus difficile de remettre en état les capacités de la DDF dans les bâtiments existants que de les intégrer dans de nouvelles constructions, mais les avantages potentiels sont souvent plus importants en raison de la probabilité plus élevée de défaillances existantes et de la dégradation des performances.

Interface utilisateur et informations exploitables

Les systèmes de DD doivent présenter des renseignements de façon à permettre aux gestionnaires des installations et au personnel d'entretien de prendre les mesures appropriées.

L'accès mobile, les alertes personnalisables et l'intégration avec les systèmes de commande de travail permettent de s'assurer que les défauts détectés reçoivent une attention opportune. L'interface utilisateur devrait accueillir les utilisateurs avec des niveaux variables d'expertise technique.

Formation et appui

L'utilisation efficace des systèmes de DDF exige une formation du personnel de l'installation sur le fonctionnement du système, l'interprétation des résultats et les réponses appropriées à différents types de défaillances.

La documentation des types de fautes, des procédures diagnostiques et des mesures correctives permet de renforcer les connaissances institutionnelles et d'améliorer l'efficacité de la réponse au fil du temps.

Défis et orientations futures en matière de DDP de CVC

Bien que la technologie de la DDF ait beaucoup progressé, plusieurs défis demeurent qui limitent l'adoption et l'efficacité plus larges.

Défis réels en matière de déploiement

L'approche fondée sur les données domine actuellement le champ de détection et de diagnostic automatiques des défaillances (AFDD) dans les systèmes CVC. Cependant, une préoccupation importante réside dans l'utilisation fréquente de données expérimentales et de simulations étiquetées, qui ne représentent souvent pas des conditions opérationnelles réelles.

Many FDD methods demonstrate excellent performance in laboratory settings or simulations but face difficulties when deployed in actual buildings. Real buildings have more complex operating patterns, diverse fault types, and data quality issues that may not be represented in development datasets.

Écacité et transférabilité

Les systèmes FDD conçus pour des bâtiments ou des types de systèmes particuliers peuvent ne pas être bien transférés à d'autres applications. L'élaboration d'approches évolutives qui peuvent être déployées dans divers types de bâtiments et les configurations CVC demeurent un défi important.

Les bâtiments classés comme « commerciaux légers » ont généralement moins de 2 500 mètres carrés de surface de plancher et pas plus de six histoires, comme les petits bureaux, les installations médicales, les banques, les petites installations de fabrication, etc. Une caractéristique commune de ces bâtiments est le fait que les systèmes de CVC ont tendance à être relativement simples et ont des configurations similaires, ce qui rend facile de développer des méthodes de détection des défauts évolutives et reproductibles.

Interprétabilité et confiance

Les modèles complexes d'apprentissage automatique peuvent atteindre une grande précision, mais ils manquent d'interpretation, ce qui rend difficile pour les utilisateurs de comprendre pourquoi un défaut particulier a été diagnostiqué.

L'équilibre entre précision et interprétabilité est un défi permanent. Les approches hybrides qui combinent des méthodes fondées sur les données et des modèles physiques peuvent offrir une meilleure interprétabilité tout en maintenant de bonnes performances.

Confidentialité des données et cybersécurité

Les systèmes FDD collectent des données opérationnelles détaillées qui peuvent soulever des préoccupations en matière de protection de la vie privée, en particulier dans les applications résidentielles.

La sécurité des données tout en permettant la connectivité et l'accès à distance qui rendent les systèmes FDD utiles nécessite une conception prudente du système et une gestion de la sécurité continue.

Manipulation de plusieurs défaillances simultanées

La plupart des recherches de la FDD portent sur la détection de défauts uniques, mais les systèmes réels peuvent présenter plusieurs défauts simultanés. Les interactions entre les défauts peuvent rendre le diagnostic plus difficile et peuvent produire des symptômes différents de ceux des défauts individuels.

L'élaboration de méthodes de détection et de diagnostic des défaillances multiples et simultanées est un domaine important pour la recherche future.

Systèmes d'adaptation et d'autoapprentissage

L'objectif de la tâche 1 est de développer et d'affiner un algorithme FDD adaptable (auto-entraînement) adapté au déploiement avec des systèmes assemblés sur le terrain.

Les systèmes FDD auto-formés qui peuvent s'adapter aux conditions changeantes du bâtiment, à la dégradation des équipements et aux modifications du système sans nécessiter de reconfiguration manuelle amélioreraient considérablement la convivialité pratique.

Meilleures pratiques pour la détection et le diagnostic des défaillances de CVC

La mise en oeuvre efficace de la DDAF exige la mise en oeuvre de pratiques exemplaires établies qui ont été validées grâce à la recherche et à l'expérience pratique, et qui contribuent à assurer le succès du déploiement et de l'exploitation continue.

Commencez par des objectifs clairs

Définir des objectifs précis pour le système de détection des défauts, y compris les types de défaillances les plus importants pour détecter, les délais de détection acceptables et la tolérance pour les fausses alarmes.

Des objectifs clairs guident les décisions de conception du système et fournissent des critères pour évaluer le rendement.

Assurer la qualité des données

La qualité des données est essentielle pour une DDF efficace. Mettre en oeuvre un étalonnage régulier des capteurs, valider les processus de collecte des données et établir des procédures pour identifier et régler les problèmes de qualité des données.

Les contrôles automatisés de la qualité des données peuvent identifier les défaillances des capteurs, les erreurs de communication et d'autres problèmes avant qu'ils ne compromettent les performances de la DFD.

Valider les performances avant le déploiement complet

Testez les systèmes FDD en utilisant soigneusement les données historiques, les défauts simulés ou les expériences contrôlées avant de compter sur eux pour prendre des décisions opérationnelles. La validation aide à identifier les faiblesses et à calibrer les seuils de détection pour atteindre les performances souhaitées.

Les déploiements pilotes dans des bâtiments représentatifs permettent de perfectionner le système avant de le déployer plus largement.

Intégrer avec les flux de travail de maintenance

Les systèmes de DDF offrent une valeur maximale lorsqu'ils sont intégrés aux processus de maintenance existants. Établir des procédures claires pour répondre aux défauts détectés, attribuer la responsabilité des mesures de suivi et suivre la résolution des problèmes identifiés.

L'intégration aux systèmes informatisés de gestion de la maintenance (SMGC) permet de s'assurer que les défauts détectés reçoivent l'attention voulue et permettent de suivre l'efficacité du système FDD au fil du temps.

Offrir une formation et un soutien continus

Le personnel de l'installation doit recevoir une formation non seulement sur le fonctionnement du système, mais aussi sur les principes fondamentaux du CVC et les procédures de diagnostic.

Une formation régulière de recyclage et l'accès au soutien technique aident à maintenir les compétences du personnel et l'efficacité du système au fil du temps.

Surveiller et optimiser les performances

Suivez les mesures de performance du système FDD, y compris les taux de détection, les taux de fausses alarmes et les économies d'énergie réalisées grâce à la correction des défauts.

L'examen périodique du rendement du système de la DDF aide à cerner les possibilités d'amélioration et garantit que le système continue d'offrir de la valeur.

Études de cas et applications du monde réel

L'examen des implémentations de la DDF dans le monde réel fournit des informations précieuses sur les défis et les avantages pratiques, qui montrent comment les systèmes de DDF fonctionnent dans les environnements de construction réels.

Mise en œuvre de bâtiments commerciaux légers

Cet article porte sur une étude de cas pratique dans un bâtiment commercial léger, le système CVC situé à Montréal, au Canada, comprenant une unité de traitement de l'air (AHU) et quatre boîtes de réchauffage du volume d'air variable (VAV) pour évaluer le cadre. Ce cadre complet comprend une série de sous-objectifs : créer un ensemble de données brutes, synchronisées et importantes, à partir de diverses étiquettes de capteurs BAS, nettoyer les données de façon exhaustive pour corriger les incohérences, élaborer une méthode de détection des anomalies, étudier ces anomalies pour extraire les règles sous-jacentes et enfin, les étiquettes de données.

Malgré ces défis, le cadre présente des performances robustes dans la détection et le diagnostic d'une gamme de défauts CVC. Il offre une approche systématique et adaptable pour le traitement des données opérationnelles du monde réel dans les systèmes CVC de bâtiments commerciaux légers, extensibles à d'autres types de bâtiments, comblant l'écart entre les méthodes axées sur les données et les applications pratiques.

Intégration du système dans son ensemble

La détection et le diagnostic automatisés des défauts (DDP) peuvent soutenir la performance énergétique et l'entretien prédictif des bâtiments en tirant parti des nombreuses données générées par les systèmes modernes de gestion des bâtiments.

Les capacités de détection des symptômes de la DBN ont été démontrées, ce qui a montré que les capteurs CO2 et le refroidisseur du bâtiment étaient les systèmes les plus problématiques du bâtiment. Au cours de la détection des défauts pendant une semaine d'échantillonnage de l'année, les capteurs CO2 ont de nouveau été jugés défectueux, et les commandes du refroidisseur ainsi que les capteurs de température du refroidisseur ont été détectés comme étant potentiellement défectueux.

Économies d'énergie et amélioration des performances

Des études de cas documentées démontrent des économies d'énergie importantes grâce à la mise en oeuvre de la DDF. Les bâtiments dotés de systèmes de DDF fonctionnant correctement ont permis de réduire l'énergie de 10 à 30 % par rapport à l'exploitation de base avec des défauts non détectés.

Au-delà des économies d'énergie, les systèmes FDD ont permis de prévenir les pannes d'équipement, de réduire les coûts d'entretien et d'améliorer le confort des occupants.

Outils et ressources pour CVC FDD

Divers outils et ressources sont disponibles pour appuyer la mise en œuvre de la DDF, allant des produits commerciaux aux logiciels libres et aux normes de l'industrie.

Plateformes FDD commerciales

De nombreux fournisseurs offrent des solutions commerciales FDD avec des capacités variables, des systèmes simples fondés sur des règles aux plates-formes d'apprentissage de machines sophistiquées. Ces produits peuvent être des systèmes autonomes, intégrés avec des systèmes d'automatisation de bâtiments, ou intégrés dans des équipements CVC.

Lors de l'évaluation des plateformes commerciales de DDF, il faut tenir compte des capacités de détection, de la précision du diagnostic, de la facilité d'intégration, de la qualité de l'interface utilisateur et du soutien des fournisseurs.

Outils FDD à source ouverte

Les outils et bibliothèques FDD open-source offrent des options accessibles aux organisations ayant une expertise technique pour développer des solutions personnalisées. Ces outils mettent souvent en œuvre des algorithmes de pointe et peuvent être adaptés à des exigences spécifiques.

Bien que les outils open-source puissent nécessiter davantage d'expertise technique pour la mise en œuvre, ils offrent une flexibilité et évitent le verrouillage des fournisseurs.

Normes et lignes directrices de l'industrie

Le Comité de projet standard de l'ASHRAE 207P « Méthode de laboratoire de détection des défaillances et de diagnostic appliquée aux systèmes de conditionnement à air conditionné commerciaux » a été formé en janvier 2012. Les normes de l'industrie fournissent des cadres pour la mise en œuvre, les essais et l'évaluation du rendement de la DDF.

En suivant les normes établies, les systèmes de DDF répondent aux exigences minimales de rendement et facilitent la comparaison des différentes approches.

Formation et ressources pédagogiques

Les organisations professionnelles, les universités et les fournisseurs offrent des programmes de formation sur la DDP de CVCA, allant de cours d'introduction aux concepts de DDP à une formation avancée sur des technologies et des méthodes spécifiques.

Les conférences et publications techniques de l'industrie offrent des occasions d'en apprendre davantage sur les dernières recherches et applications de la DD.

Conclusion : L'avenir de la détection et du diagnostic des défaillances du CVC

La détection et le diagnostic des défaillances représentent une capacité essentielle pour les systèmes CVC modernes, ce qui permet d'améliorer l'efficacité énergétique, de réduire les coûts d'entretien et d'améliorer le confort des occupants.

Le domaine continue d'évoluer rapidement, avec des progrès dans les technologies de détection, les algorithmes d'apprentissage automatique et le cloud computing permettant des solutions FDD plus sophistiquées et plus accessibles.

Les organismes qui mettent en oeuvre la DDME devraient commencer par des objectifs clairs, assurer une collecte de données de haute qualité, valider le rendement de façon approfondie et intégrer la DDME aux flux de travail de maintenance existants.

À mesure que les exigences en matière d'efficacité énergétique deviennent plus strictes et que les systèmes d'automatisation des bâtiments sont plus répandus, la DDF passera d'une amélioration facultative à une composante standard des systèmes CVC. Les premiers adoptants qui développent une expertise dans la mise en oeuvre et l'exploitation de la DDF seront bien placés pour obtenir une performance supérieure et une efficacité opérationnelle.

Pour plus d'information sur l'optimisation et la maintenance du système CVC, visitez le site Web ASHRAE[ pour connaître les normes et les ressources techniques de l'industrie. Le US Department of Energy[ fournit également des conseils précieux sur l'efficacité et la maintenance du CVC. Des recherches et des études de cas supplémentaires peuvent être trouvées par l'intermédiaire de Institut national des normes et de la technologie[, qui effectue des recherches en cours sur les méthodes et les cadres d'évaluation de la DD.