Generation of training data for fault detection and diagnosis algorithms using fault simulation and parameter uncertainty

Bode, Gerrit Thorben; Monti, Antonello; Müller, Dirk

doi:HT030009104

Generation of training data for fault detection and diagnosis algorithms using fault simulation and parameter uncertainty = Erzeugung von Trainingsdaten für Fehlererkennungs- und Fehlerdiagnosealgorithmen durch Fehlersimulation und Parameterunsicherheit

Bode, Gerrit Thorben^RWTH*

2023

VerantwortlichkeitsangabeGerrit Bode (Institute for Energy Efficient Buildings and Indoor Climate)

ImpressumAachen : E.ON Energy Research Center, RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-948234-27-0

ReiheE.On Energy Research Center : EBC, Energy efficient buildings and indoor climate ; 113

Dissertation, RWTH Aachen University, 2023

Druckausgabe: 2023. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Müller, Dirk (Thesis advisor)^RWTH* ; Monti, Antonello (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-03-03

Online
DOI: 10.18154/RWTH-2023-04518
URL: https://publications.rwth-aachen.de/record/957025/files/957025.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
building energy systems (frei) ; fault detection (frei) ; machine learning (frei) ; simulation (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Bei näherer Betrachtung des Gebäudebestands zeigt sich, dass viele neu errichtete oder nachgerüstete Gebäude aufgrund auftretender Fehler in den Geräten und Anlagen nicht die erwartete Energieeffizenz erreichen. Um diesem Problem wirtschaftlich zu begegnen, müssen Methoden entwickelt werden, die auftretende Fehler automatisch erkennen. In den letzten Jahren hat sich der Schwerpunkt der Forschung auf Anwendungen des maschinellen Lernens verlagert. Die Anwendung dieser Methoden erfordert jedoch hochspezifische Trainingsdaten, die für die individuellen und komplexen Gebäudeenergiesysteme nur schwer zu erheben sind. Die Verwendung von Simulationsmodellen als Datenquelle wurde zwar untersucht, hat aber aufgrund des komplexen und zeitintensiven Modellierungsprozesses bislang keine Anwendung gefunden. In dieser Arbeit untersuche ich die Verwendung von automatisierter Modellgenerierung und Unsicherheit in den Parametersätzen zur Generierung von Trainingsdaten. Zunächst stelle ich eine Fehlermodellbibliothek vor, die automatisch mit bereits existierenden Modellen des Gebäudeenergiesystems kombiniert werden kann, um die Simulation des Fehlerverhaltens zu ermöglichen. Dann untersuche ich, ob die Anwendung von Unsicherheit in den Modellparametern während des Trainingsprozesses genutzt werden kann, um die Unabhängigkeit des Fehlererkennungs- und Diagnosemodells (FDD) von diesen Parametern zu erhöhen. Schließlich präsentiere ich einen Feldtest, bei dem ich die vorgeschlagene Methode anhand von Daten evaluiere, die auf einem Prüfstand gesammelt wurden. Die entwickelten Fehlermodelle sind in der Lage, das Fehlerverhalten qualitativ zu repräsentieren. Dadurch ist das Simulationsmodell des Prüfstands in der Lage, die Reaktion der Anlage auf den Fehler korrekt darzustellen. Während des Simulationsversuchs konnte durch die Erhöhung der Anzahl der unsicheren Parametersätze bei der Erstellung der Trainingsdaten die Leistungsfähigkeit der FDD-Modelle deutlich gesteigert werden, während des Feldtests konnte jedoch kein solcher Effekt beobachtet werden. Im Allgemeinen ist die Leistung der FDD Modelle bei den Feldtestdaten vergleichbar mit der Leistung im zuvor durchgeführten Benchmark. Die Generierung von Trainingsdaten mit dem Simulationsmodell ist ein praktikabler Ansatz, um das Problem der fehlenden Trainingsdaten zu entschärfen. Das automatische Hinzufügen von Fehlern aus einer Bibliothek zu bestehenden Modellen reduziert den manuellen Aufwand erheblich. Die Verwendung von mehr Parametersätzen führt derzeit nicht zu einer Leistungsverbesserung, kann aber praktikabel werden, sobald die allgemeine FDD-Leistung steigt. Die untersuchten FDD-Modellarchitekturen sind für Simulationsdaten geeignet, müssen aber für den Einsatz auf realen Messdaten weiter verbessert werden.

Over the past decades, many efforts have been made to reduce the consumption of building energy systems. However, upon closer inspection of the building stock, many newly constructed or retro-fitted buildings, do not perform as expected due to faults in construction and equipment. To overcome this problem, methods have been developed to automatically detect faults occurring in the system. In the past years, the focus of research has shifted to applications of machine learning, as the data collected in buildings has risen exponentially, while advances in computing capabilities as well as machine learning research have made advanced data science widely available to non-domain experts. However, the application of these methods requires highly specific training data, which is difficult to obtain for individual and complex building energy systems. The use of simulation models as a data source has been proposed, but did not find application due to the complex and time-intensive modelling process. In this thesis, I investigate how the use of automated model generation and uncertainty in the parameter sets can be applied to generate training data. First, I introduce a fault model library that can be automatically combined with pre-existing building energy system models to enable the simulation of fault behaviour. I then use Uncertainty Analysis to investigate if the application of uncertainty in model parameters during the training process can be used to increase independence of the fault detection and diagnosis (FDD) model from these parameters. Subsequently, I train three common machine learning approaches for FDD with data created with an increasing number of uncertain parameter sets. Finally, I present a field test where I evaluate the proposed method on data collected from a test bench. The developed fault models are capable of qualitatively representing the fault behaviour, and the simulation model of the test bench is subsequently able to correctly represent the unit's reaction to the fault. During the simulation trial, the increasing the number of uncertain parameter sets during the creation of the training data significantly increased the performance of the FDD models. However, during the field test, no such effect could be observed. Generally, the performance on the field test data is comparable to the benchmark performance. In conclusion, generating training data with simulation model is a viable approach to mitigate the problem of missing training data. Automatically adding faults from a library to existing models reduces the manual effort greatly. The use of more parameter sets does not lead to an improvement in performance at the moment, but may become viable once the general FDD performance increases. The investigated FDD model architectures are suitable for simulation data, but need to be further improved for the use on real measurement data.

OpenAccess:
PDF
(additional files)