Siden 1980-tallet har feildeteksjon og -diagnose (FDD) blitt studert og utviklet innen flere ingeniørdisipliner. Feil er svært utbredt i bygningssystemer og har en betydelig negativ belastning på deres ytelse. Det er anslått at 18 % av den totale energibruken til næringsbygg i USA skyldes feil. På en gitt dag oppstår det feil i 40 % av ventilasjonsaggregatene. Å oppdage og adressere feil i bygninger er dermed identifisert som et sentralt mål for å oppnå store energibesparelser, samtidig som inneklima, produktiviteten og trivsel til bygningers brukere forbedres betydelig.
Selv om viktigheten av FDD for bygningssystemer er godt etablert, mangler det systematisk implementering og bred adopsjon. De fleste byggdriftere og -forvaltere utfører kun manuelle inspeksjoner basert på brukerklager og kritiske systemfeil, men utnytter ikke den store datamengden som samles inn av byggautomasjons- og styringssystemer. For øyeblikket er de fleste verktøy for drift av byggtekniske anlegg begrenset til kun å visualisere data. De fleste analyseverktøy utfører ikke feildiagnostisering (identifisering av feil og dens årsak), men kun feildeteksjon ved hjelp av dataavviksdeteksjon av eller forhåndsdefinerte regler basert på ekspertkunnskap for å avgjøre om systemet fungerer som forventet. Disse metodene kan fungere godt, men mangler overførbarhet til andre systemer.
Den nåværende utviklingen av fleksible, interoperable og automatiserte FDD-løsninger for bygningssystemer er basert på datadrevne maskinlæringsmetoder som avdekker komplekse mønstre og korrelasjoner i driftsdata for å oppdage, identifisere og kategorisere feil. Å identifisere kilden og årsaken til feilen hjelper i stor grad feilhåndteringsprosessen (konsekvensanalyse, prioritering og utbedring av feilen med riktig tiltak). Det muliggjør også prediktivt vedlikehold, slik at degradering av systemer kan håndteres før det oppstår kritiske og kostbare konsekvenser.
Likevel er det en rekke barrierer og utfordringer som hindrer raskere utvikling og implementering av slike datadrevne automatiserte FD: utfordrende forretningsmodell, mangel på bevissthet og kunnskap blant interessenter, komplekse beregninger av investeringsavkastning, mangel på standardiserte metoder, manglende interoperabilitet i bygningssystemer og kommunikasjonsprotokoller, et fragmentert forretningslandskap, samt begrenset tilgang til innholdsrike og åpne datasett for trening og benchmarking av FDD og automatiserte FDD-algoritmer.
Prosjektet har som mål å generere og sammenstille et høykvalitets datasett for drift av ventilasjonsaggregater i næringsbygg med emulerte feil. Dette datasettet brukes deretter til å benchmarke eksisterende FDD-løsninger og utvikle nye basert på maskinlæringsmetoder. Til slutt implementeres den best presterende automatiserte FDD-algoritmen for ventilasjonsaggregat i et kontorbygg i Oslo, Norge som en case-studie. Prosjektet vil styrke SINTEF og partneres ekspertise innen maskinlæring og FDD-algoritmer, samtidig som det demonstrerer fordelene med datadrevne maskinlæringsbaserte løsninger for å forbedre både energieffektivitet og systempålitelighet i kontorbygg.
Case: Oslo K, Freserveien 1, 0195 Oslo. Eier: OBOS Eiendom AS
Relevant litteratur:
[1] S. Katipamula and M. R. Brambley, "Review Article: Methods for Fault Detection, Diagnostics, and Prognostics for Building systems—A Review, Part I," HVAC and R Research, vol. 11, (1), pp. 3-25, 2005. DOI: https://doi.org/10.1080/10789669.2005.10391123
[2] J. Gertler, "Fault detection and diagnosis," in Encyclopedia of Systems and ControlSpringer, London, 2015. DOI: https://doi.org/10.1007/978-1-4471-5058-9_223
[3] K. W. Roth, D. Westphalen, P. Llana and M. Feng, "The Energy Impact of Faults in U.S. Commercial Buildings," International Refrigeration and Air Conditioning Conference, 2005. DOI: http://docs.lib.purdue.edu/iracc
[4] H. Kramer, G. Lin, C. Curtin, E. Crowe and J. Granderson, "Building Analytics and Monitoring-Based Commissioning: Industry Practice, Costs, and Savings," Energy Efficiency, vol. 13, (3), pp. 537-549, 2020. DOI: https://doi.org/10.1007/s12053-019-09790-2
[5] E. Crowe, E. Mills, T. Poeling, C. Curtin, D. Bjørnskov, L. Fischer and J. Granderson, "Building Commissioning Costs and Savings Across Three Decades and 1500 North American Buildings," Energy and Buildings, vol. 227, 2020. DOI: https://doi.org/10.1016/j.enbuild.2020.110408
[6] K. Heimar Andersen, S. B. Holøs, A. Yang, K. Thunshelle, Ø Fjellheim and R. Lund Jensen, "Impact of Typical Faults Occurring in Demand-Controlled Ventilation on Energy and Indoor Environment in a Nordic Climate," 2020. DOI: https://doi.org/10.1051/e3sconf/202017209006
[7] O. Nehasil, L. Dobiášová, V. Mazanec, J. Široký, "Versatile AHU fault detection – Design, field validation and practical application", Energy and Buildings, vol. 237, 110781, 2021. DOI: https://doi.org/10.1016/j.enbuild.2021.110781
[8] K.H. Andersen, S.P. Melgaard, H. Johra, A. Marszal-Pomianowska, R.L. Jensen, P.K. Heiselberg, “Barriers and drivers for implementation of automatic fault detection and diagnosis in buildings and HVAC systems: An outlook from industry experts”, Energy and Buildings, vol. 303, 113801, 2024. DOI: https://doi.org/10.1016/j.enbuild.2023.113801