В последние годы эффективное использование энергии в различных направлениях, так, например, в строительном секторе мотивирует исследователей сосредоточиться на новых технологиях, таких как системы автоматизации зданий (BAS). Большинство этих новых технологий основаны на системной платформе мехатроники, поскольку они включают в себя как механические, так и электрические компоненты.
Отопление, вентиляция и кондиционирование воздуха (ОВКВ) являются основной частью BAS с точки зрения энергопотребления. Поэтому за последние годы в этом секторе было проведено большое количество работ. Система вентиляции с регулированием потребности (DCV), помимо системы отопления, играет важную роль в снижении энергопотребления за счет автоматической регулировки вентиляции в соответствии со спросом на свежий воздух и температурой окружающей среды.
Эти новые технологии разрабатываются на основе беспроводных сетей индикаторов и исполнительных устройств (WSAN), посредством которых сетевые компоненты, например, датчики, исполнительные механизмы и контроллеры в таких сетях, взаимодействуют через беспроводную сеть. Несколько исследований показывают, что в зависимости от типа и тяжести неисправностей, они приводят к потерям энергии в пределах от 10% до 40%, снижению производительности или избыточным затратам на техническое обслуживание.
Неисправности могут возникать в таких компонентах, как датчики и исполнительные механизмы, или в сетевой ткани. Неисправности могут быть определены в различных аспектах централизации данных или системы. Поэтому очень важно своевременно обнаруживать и диагностировать неисправности, используя оптимизированную технику.
ГЛУБОКОЕ ПОЗНАВАТЕЛЬНОЕ ПРИМЕНЕНИЕ ДЛЯ ОБНАРУЖЕНИЯ И ДИАГНОСТИКИ НЕИСПРАВНОСТЕЙ
Одним из перспективных способов изучения методов обнаружения и диагностики неисправностей в различных сценариях и сравнения точности является использование моделирования. Заблаговременно необходима структура для впрыска неисправностей. Глубокое обучение (ГО) определяется как способ машинного обучения, использующий глубокую нейронную сеть, которая может изучить длинную цепочку причинно-следственных связей. Она представляет собой многоступенчатую нейронную сеть, содержащую в себе два или более скрытых слоя.
В традиционных методах машинного обучения специалист в данной области является необходимым условием для извлечения характеристик и уточнения данных для классификации. Основное и главное преимущество алгоритмов глубокого изучения заключается в том, что они не нуждаются в знаниях экспертов в данной области для извлечения функций, так как они делают это автоматически. Другим преимуществом является производительность алгоритмов глубокого изучения с увеличением объема данных, которые будут увеличены, в отличие от алгоритмов машинного обучения, которые не очень подходят для огромного объема данных.
Сбор данных
Сбор данных - это первый шаг тренировочной модели для всех типов обнаружения и диагностики неисправностей. В основном, модель обнаружения неисправностей реализуется вместе с имеющимися данными, которые были собраны из системы. Они собираются с помощью таких переменных, как занятость, температура, датчики концентрации CO2 и исполнительные механизмы клапанов и нагревателей во время моделирования. Для сбора данных, относящихся к нескольким типам неисправностей, модель работает в различных здоровых (исправных) и дефектных сценариях.
Предварительная обработка данных
Основная цель предварительной обработки данных заключается в представлении первичных (исходных) данных в более четком и удобном виде. Глубокое изучение - это конструкция, основанная на алгоритмах, которые учатся на базе данных, поэтому необходимо и очень важно использовать правильные данные для решения интересующей проблемы. Необходимо убедиться, что данные находятся в правильном формате, правильно масштабированы и включают в себя характеристики, которые являются описанием случая использования. На этом этапе сеть выбирает наиболее важные функции для тренировочного процесса, а метки выбранных данных генерируются вручную путем написания кода MATLAB.
В последних исследованиях изучается применение глубокого познания с целью выявления неисправностей (недочетов), анализа и диагностики мехатронных систем для моделируемых систем вентиляции и отопления с контролем спроса на основе беспроводных сенсорных и исполнительных сетей в MATLAB/Simulink. Для этого разработана новая модель, базирующаяся на глубокой нейронной сети под названием LSTM. Предлагаемая модель FDD была оценена на основе данных испытаний, включающих в себя данные десяти различных вариаций неисправностей, таких как ошибки усиления и смещения в узлах датчиков температуры и концентрации CO2 и застревание в узлах клапанов и приводов нагревателей.
Другим типом ошибки, который оценивается, является ошибка связи, например, ошибка батареи и неисправность алгоритма маршрутизации. Результаты оценки показывают, что оптимизированная модель диагностики неисправностей достаточно сильна для правильного выявления и диагностики всех типов неисправностей с высокой точностью на основе параметров оценки. Наивысший процент точности, основанный на измерении Fscore, назначается для обнаружения дефектов усиления в датчике CO2 со 100% точностью. Самый низкий процент точности задается для обнаружения неисправности батареи в датчике температуры с 93,45%. Результаты также вводят точность и процент отзывов в каждом классе. В целом, точность модели FDD составляет 97,4%. Это значение считается идеальным результатом обнаружения и диагностики неисправностей в подобного рода мехатронной системе, базирующейся на глубокой нейронной сети.