Ảnh Hưởng Giá Trị K Của Thuật Toán KNN Đến Hiệu Suất Chẩn Đoán Lỗi Cho Hệ Thống Điều Hòa Không Khí Trung Tâm
Email tác giả liên hệ:
nhutlm@hcmute.edu.vnDOI:
https://doi.org/10.54644/jte.76.2023.1309Từ khóa:
Hệ thống điều hòa không khí, FDD, KNN, Năng lượng, Bình ngưngTóm tắt
Phát hiện và chẩn đoán lỗi kịp thời cho hệ thống điều hòa không khí trung tâm (ĐHKKTT) giúp tăng tuổi thọ, ngăn ngừa các hư hỏng nghiêm trọng và giảm lãng phí năng lượng của hệ thống. Từ thực tế trên, nghiên cứu này xác định giá trị K của thuật toán KNN, đề xuất mô hình phát hiện và chẩn đoán lỗi cho hệ thống ĐHKKTT dựa trên thuật toán K-nearest neighbors (FDD-KNN). Kết quả cho thấy khi giá trị K=1 thì mô hình FDD-KNN cho hiệu suất chẩn đoán chính xác các lỗi đạt tỉ lệ từ 99.15% trở lên. Khi so sánh với các nghiên cứu trước đối với các lỗi nghiêm trọng LV3 và LV4, mô hình đề suất cho thấy sự chẩn đoán chính xác cao và đồng đều tại các lỗi và mức độ lỗi. Ngoài ra, khả năng cô lập lỗi và xu hướng dao động của các biến số trong thực tế đối với trạng thái bình thường Normal và bám bẩn bình ngưng ConFoul được kiểm tra bằng cơ sở dữ liệu thực tế của hệ thống ĐHKKTT công trình Saigon Centre, thành phố Hồ Chí Minh, Việt Nam. Kết quả cho thấy sự thay đổi của biến số TCO và TRC phù hợp với điều kiện vận hành thực tế của hệ thống. Do đó, mô hình đề xuất FDD-KNN với K=1 hoàn toàn đáng tin cậy để áp dụng vào chẩn đoán lỗi cho các hệ thống ĐHKKTT.
Tải xuống: 0
Tài liệu tham khảo
S. Katipamula and M. Brambley, "Review Article: Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems—A Review, Part I," HVAC&R Research, vol. 11, no. 1, pp. 3-25, 2005.
R. Huang et al., "An effective fault diagnosis method for centrifugal chillers using associative classification," Applied Thermal Engineering, vol. 136, pp. 633-642, 2018.
S. He, Z. Wang, Z. Wang, X. Gu, and Z. Yan, "Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary," Applied Thermal Engineering, vol. 107, pp. 37-47, 2016.
J. Gao, H. Han, Z. Ren, and Y. Fan, "Fault diagnosis for building chillers based on data self-production and deep convolutional neural network," Journal of Building Engineering, vol. 34, 2021, doi: 10.1016/j.jobe.2020.102043.
K. Chen, Z. Wang, X. Gu, and Z. Wang, "Multicondition operation fault detection for chillers based on global density-weighted support vector data description," Applied Soft Computing, vol. 112, 2021, doi: 10.1016/j.asoc.2021.107795.
J. Liu et al., "Data-driven and association rule mining-based fault diagnosis and action mechanism analysis for building chillers," Energy and Buildings, vol. 216, 2020, doi: 10.1016/j.enbuild.2020.109957.
Y. Wang, Z. Wang, S. He, and Z. Wang, "A practical chiller fault diagnosis method based on discrete Bayesian network," International Journal of Refrigeration, vol. 102, pp. 159-167, 2019.
N. Settouti, M. E. A. Bechar, and M. A. Chikh, "Statistical Comparisons of the Top 10 Algorithms in Data Mining for Classication Task," International Journal of Interactive Multimedia and Artificial Intelligence, vol. 4, no. 1, 2016.
Z. Zhang, H. Han, X. Cui, and Y. Fan, "Novel application of multi-model ensemble learning for fault diagnosis in refrigeration systems," Applied Thermal Engineering, vol. 164, 2020, doi: 10.1016/j.applthermaleng.2019.114516.
K. Yan, A. Chong, and Y. Mo, "Generative adversarial network for fault detection diagnosis of chillers," Building and Environment, vol. 172, 2020, doi: 10.1016/j.buildenv.2020.106698.
A. S. Glass, P. Gruber, M. Roos, and J. Todtli, "Qualitative model-based fault detection in air-handling units," IEEE Control Systems, vol. 15, no. 4, pp. 11–22, 1995.
J. E. B. M. C. Comstock, "Development of Analysis Tools for the Evaluation of Fault Detection and Diagnostics in Chillers ASHRAE Research Project RP-1043," Purdue University, Ray W. Herrick Laboratories, West Lafayette, 1999.
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2023 Tạp chí Khoa học Giáo dục Kỹ Thuật - ĐH SPKT TP.HCM
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
