Actionneurs | Texte intégral gratuit | Recherche sur le diagnostic des pannes des systèmes CVC basé sur le modèle combiné ReliefF-RFECV-SVM

Les systèmes de chauffage, de ventilation et de climatisation (CVC), tels que les refroidisseurs et les systèmes de climatisation, sont largement utilisés dans les grands bâtiments commerciaux. Les systèmes CVC consomment plus de 50 % de l’énergie totale des bâtiments [1,2]les refroidisseurs étant l’un des représentants typiques des systèmes HVAC, représentant 40 % de la consommation totale d’énergie HVAC et 25 % des coûts totaux d’entretien HVAC [3,4]. Lorsque les refroidisseurs fonctionnent mal, l’efficacité des systèmes CVC peut être réduite de 15 à 30 %, ce qui entraîne une augmentation de la consommation d’énergie et une mauvaise qualité de l’air intérieur/extérieur [5], et la perte progressive de la fonctionnalité du système. Le diagnostic des pannes dans les refroidisseurs peut réduire la consommation d’énergie et les coûts de maintenance de 20 à 50 % [6]. Par conséquent, le diagnostic des pannes des systèmes CVC est essentiel pour la conservation de l’énergie, la réduction des coûts, la réduction des émissions et l’amélioration de l’efficacité des équipements.

Ces dernières années, de nombreux chercheurs ont mené des recherches sur le diagnostic des défauts des systèmes CVC [7,8,9,10,11] et autres systèmes connexes [12,13], qui peuvent être principalement divisés en trois catégories : méthodes basées sur la physique, basées sur les connaissances et basées sur les données. En raison de leur grande flexibilité et de leur capacité de généralisation, les méthodes basées sur les données démontrent une meilleure adaptabilité à divers scénarios d’application et distributions de données et sont devenues un axe de recherche actuel. L’apprentissage automatique est l’un des outils importants utilisés pour obtenir des méthodes basées sur les données. Zhang et al. [14] ont proposé un nouveau schéma de diagnostic de défaut de roulement intelligent multitâche intégré à l’aide de l’apprentissage de la représentation dans des conditions d’échantillon déséquilibrées, qui réalise la détection, la classification et l’identification des défauts de roulement inconnus. Zhang et al. [15] ont proposé un modèle piloté par les données pour la prédiction interactive de la durée de vie utile restante (RUL) des batteries lithium-ion, appelé PF-BiGRU-TSAM (filtre à particules-mécanisme d’attention temporelle-unité récurrente fermée bidirectionnelle). Cette méthode combine les avantages des approches basées sur les données et des méthodes basées sur des modèles, permettant de refléter l’importance des différentes instances temporelles et l’incertitude du processus de dégradation. Xu et al. [16] a proposé une méthode de diagnostic de panne qui combine la normalisation de données hétérogènes et des réseaux de neurones contradictoires de domaine, et a établi un cadre général d’application de transfert pour les unités de refroidissement afin d’obtenir un diagnostic de panne d’une unité de refroidissement cible à l’aide d’une unité de refroidissement source riche en informations. Chen et al. [17] ont proposé une méthode de détection des défauts du refroidisseur basée sur la description globale des données vectorielles de support pondérées en fonction de la densité afin de mieux refléter la distribution des données et d’améliorer la précision de la détection. Yan et al. [18] utilisé un réseau neuronal convolutif unidimensionnel (1DCNN) pour entrer directement des données brutes sans avoir besoin de prétraitement des données pour le diagnostic des défauts des unités de refroidissement, et obtenu de bons résultats de diagnostic. Les unités de refroidissement rencontrent souvent des problèmes de déséquilibre des données car il est difficile d’obtenir des données de défaut pour divers défauts typiques pendant le fonctionnement, et il existe davantage de données de fonctionnement normales. Pour résoudre ce problème, Shen et al. [19] a proposé une méthode améliorée de diagnostic de pannes basée sur des données basée sur des modèles d’apprentissage en profondeur de l’auto-attention qui génère des données de panne artificielles à l’aide d’une technique de suréchantillonnage synthétique stable de minorité pour l’augmentation des données et réalise un diagnostic de panne à l’aide d’un mécanisme d’auto-attention réseau convolutif temporel pour améliorer la précision du diagnostic.

Pour utiliser l’apprentissage automatique pour le diagnostic des pannes des systèmes CVC, il est nécessaire d’effectuer une extraction de caractéristiques sur les données, de sélectionner des modèles appropriés, de former et d’optimiser les modèles, et enfin d’évaluer les performances de diagnostic des pannes des modèles à l’aide d’un ensemble de données. La sélection des fonctionnalités est souvent la première étape du processus de diagnostic des pannes et joue un rôle important. Il permet d’identifier les caractéristiques importantes, d’éliminer le bruit et les informations non pertinentes et de réduire la dimensionnalité des données. L’utilisation d’une méthode de sélection de fonctionnalités raisonnable réduit non seulement le coût d’installation des capteurs dans les applications d’ingénierie, mais améliore également la précision prédictive, la robustesse et l’interprétabilité du modèle de diagnostic. [20]. Par conséquent, il est essentiel de sélectionner avec soin les fonctionnalités appropriées pour optimiser le diagnostic des pannes dans les systèmes HVAC. Gao et al. [21] a proposé une méthode de sélection des caractéristiques basée sur l’analyse de corrélation et l’expérience, qui a analysé les paramètres sensibles des défauts typiques dans les unités de refroidissement grâce à une analyse de sensibilité globale basée sur un modèle de diagnostic aléatoire des défauts forestiers et a examiné les caractéristiques sensibles pour une sélection secondaire par le biais d’une analyse de corrélation pour former la caractéristique finale sous-ensemble. Zhou et al. [22] utilisé le modèle de machine d’amplification de gradient de lumière (LightBGM) pour calculer l’importance des caractéristiques pour effectuer la sélection initiale des caractéristiques, puis utilisé la méthode d’élimination des caractéristiques récursives pour la sélection secondaire pour former le sous-ensemble de caractéristiques final, et enfin appliqué le modèle LightBGM pour le diagnostic des défauts des unités de refroidissement . Actuellement, de plus en plus de méthodes de sélection de fonctionnalités telles que les méthodes basées sur des filtres [23,24]à base d’emballage [25]et embarqué [26] techniques sont appliquées. Han et al. [27] utilisé des techniques de sélection de fonctionnalités basées sur le filtrage mutuel des informations et des algorithmes génétiques pour effectuer la sélection de fonctionnalités dans la détection et l’application des défauts des unités de refroidissement basées sur les données, améliorant les performances de détection et de diagnostic des défauts (FDD) tout en réduisant les coûts initiaux des capteurs. Yan et al. [28] ont proposé un algorithme de sélection de caractéristiques séquentielles sensible au coût qui utilise la méthode de sélection séquentielle vers l’arrière (BT-SFS) pour sélectionner l’ensemble de caractéristiques séquentielles optimal et utilise des machines à vecteurs de support (SVM) pour le diagnostic des défauts.

Bien que les algorithmes de filtre et d’encapsuleur soient largement utilisés pour la sélection de fonctionnalités, les algorithmes de filtre ou d’encapsuleur unique ont leurs propres avantages et inconvénients. Les méthodes de sélection de fonctionnalités basées sur des filtres ont une structure simple et une vitesse de formation rapide, mais ne tiennent souvent pas compte de la corrélation entre les fonctionnalités lors de la sélection des fonctionnalités et ne peuvent pas éliminer efficacement les fonctionnalités redondantes. En revanche, les méthodes basées sur un wrapper prennent en compte les interactions des fonctionnalités, ce qui leur permet d’éliminer efficacement la redondance. Cependant, la combinaison du processus de recherche et du classificateur dans les méthodes basées sur un wrapper peut entraîner une complexité temporelle élevée lors de la recherche du sous-ensemble de fonctionnalités optimal. [29].

(1)

En combinant ReliefF dans la méthode de filtrage et la méthode d’élimination de caractéristiques récursives avec validation croisée dans l’algorithme wrapper, une méthode de sélection de caractéristiques basée sur ReliefF-RFECV est proposée. Sur la base d’un dépistage efficace des caractéristiques redondantes compte tenu de la corrélation entre les caractéristiques, le procédé vise à maximiser la vitesse d’apprentissage et à sélectionner efficacement le sous-ensemble de caractéristiques avec une redondance minimale et une forte pertinence par rapport au défaut.

(2)

La tâche consiste à développer un modèle de simulation d’un climatiseur à l’aide du logiciel Amesim, à simuler les défauts typiques et les états normaux du climatiseur dans diverses conditions de fonctionnement et à générer un ensemble de données de simulation. Cet ensemble de données comprendra des données provenant de plusieurs conditions de fonctionnement et peut être utilisé pour la détection et le diagnostic des défauts.

(3)

L’approche consiste à utiliser un modèle SVM pour diagnostiquer les défauts à l’aide du sous-ensemble de fonctionnalités optimal sélectionné. Cette méthodologie vise à améliorer la précision du diagnostic des pannes.

(4)

La méthode proposée basée sur ReliefF-RFECV-SVM est validée à l’aide de l’ensemble de données expérimentales ASHRAE 1043-RP et de l’ensemble de données de simulation. Les résultats montrent que la méthode de diagnostic de défaut proposée a une précision et une efficacité de diagnostic élevées à la fois sur l’unité de refroidissement et le système de climatisation, et une forte capacité de généralisation.