基于模型，聚类和比较（MCC）的HVAC系统故障数据驱动研究

来源：wenku7.com 资料编号：WK721564 资料等级：★★★★★ %E8%B5%84%E6%96%99%E7%BC%96%E5%8F%B7%EF%BC%9AWK721564

以下是资料介绍,如需要完整的请充值下载。
1.无需注册登录,支付后按照提示操作即可获取该资料.
2.资料以网页介绍的为准,下载后不会有水印.资料仅供学习参考之用. 密保惠帮助

资料介绍

基于模型，聚类和比较（MCC）的HVAC系统故障数据驱动研究(中文13000字英文PDF)
摘要
现代HVAC系统的复杂性导致大约40％的建筑物中的设备错误配置，浪费了高达40％的能量消耗。故障检测方法产生过多的警报，导致操作员警报疲劳，故障未解决和能量浪费。文献中开发的复杂故障检测技术在实践中很少使用。我们通过对145,000平方英尺的五层楼的实际数据应用各种故障检测技术来研究这一差距。我们首先发现这些算法都不是为捕获控制回路配置故障而设计的。我们开发了一种新颖的算法，模型，聚类和比较（MCC），能够通过自动建模和聚类HVAC系统中的类似实体，以无监督的方式检测异常，并进行比较。我们实施了MCC来检测我们建筑物中可变风量箱中的故障，并证明它成功检测到非显而易见的配置故障。我们提出了一个两阶段方法，我们根据混合数据驱动算法的异常样本设计智能规则（iRules）。iRules成功捕获了我们建筑物中的大部分故障，只有一个误报警和237个区域中检测到78个异常。因此，比较数据挖掘在过滤现代建筑物中产生的大量数据方面很有用，但循环系统中的人类仍然更好。
类别和主题描述符
H.2.8 [数据库管理]：数据库应用 - 数据挖掘
一般条款
算法，测量
关键词
异常检测，智能建筑