Il corretto funzionamento degli impianti di tipo HVAC (Heating Ventilating and Air Conditioning) di taglia medio/grande, risulta cruciale al fine di garantire un adeguato livello di comfort agli occupanti degli edifici ed evitare inutili sprechi energetici. Oltre ad un buon sistema di controllo, risulta assai utile un sistema in grado di rilevare e classificare possibili guasti o malfunzionamenti. Questo ambito di ricerca è noto come fault detection and diagnosis (FDD). L'obiettivo che si intende perseguire in questo elaborato è quello di ricavare un modello di un semplice sistema HVAC di tipo VAV (Variable Air Volume), multi-zona, che permetta di generare dei dati da utilizzare per la valutazione di tecniche di machine learning per la rilevazione di anomalie. Una volta ricavato il modello ed il relativo sistema di controllo si progetteranno dei sistemi di fault dection and diagnosis basati su k-nearest neighbor (K-NN) e support vector machine (SVM)
Tecniche di machine learning per la ricerca guasti in impianti HVAC
Corso, Lorenzo
2012/2013
Abstract
Il corretto funzionamento degli impianti di tipo HVAC (Heating Ventilating and Air Conditioning) di taglia medio/grande, risulta cruciale al fine di garantire un adeguato livello di comfort agli occupanti degli edifici ed evitare inutili sprechi energetici. Oltre ad un buon sistema di controllo, risulta assai utile un sistema in grado di rilevare e classificare possibili guasti o malfunzionamenti. Questo ambito di ricerca è noto come fault detection and diagnosis (FDD). L'obiettivo che si intende perseguire in questo elaborato è quello di ricavare un modello di un semplice sistema HVAC di tipo VAV (Variable Air Volume), multi-zona, che permetta di generare dei dati da utilizzare per la valutazione di tecniche di machine learning per la rilevazione di anomalie. Una volta ricavato il modello ed il relativo sistema di controllo si progetteranno dei sistemi di fault dection and diagnosis basati su k-nearest neighbor (K-NN) e support vector machine (SVM)File | Dimensione | Formato | |
---|---|---|---|
TesiLorenzoCorso.pdf
accesso aperto
Dimensione
9.6 MB
Formato
Adobe PDF
|
9.6 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/15518