A lire dans la RIF : une synthèse complète de la détection des pannes dans les systèmes CVC

Selon des articles de recherche récents, la détection et le diagnostic des défaillances dans les systèmes CVC permettent de réaliser d'importantes économies d'énergie et contribuent à améliorer le confort thermique des bâtiments. En effet, les pertes d'énergie dues au fonctionnement défectueux des composants de CVC représentent environ 15 à 30 % de l'énergie utilisée dans les bâtiments. ^[1] Par exemple, dans les climatiseurs autonomes, les défaillances les plus courantes comprennent une charge de frigorigène inadéquate, une fuite de la soupape du compresseur, une restriction de la conduite de liquide, un faible débit d'air de l'évaporateur, un faible débit d'air du condenseur, un encrassement de l'évaporateur et du condenseur et des gaz incondensables. ^[1]

Dans un article publié dans la Revue Internationale du Froid de l'IIF, Singh et al. décrivent les bases de la détection et du diagnostic des défaillances (FDD en anglais) dans les systèmes CVC, ainsi que les méthodes développées pour la FDD. ^[1] Les auteurs soulignent le fait que les méthodes d'apprentissage automatique sont devenues prédominantes dans le domaine de la détection et du diagnostic des défaillances. Ils présentent également le rôle de l'internet des objets et de la technologie du Cloud dans le FDD. Enfin, ils abordent la modélisation des défaillances, qui est nécessaire pour tester et valider les algorithmes de FDD.

Dans le secteur du froid, un algorithme de détection des défaillances performant doit permettre une précision de classe élevée, un faible temps de calcul et un faible taux de faux positifs. Une précision de classe élevée garantit une description précise des défaillances aux techniciens pour un dépannage rapide, tandis qu'un faible temps de calcul est important car il réduit le temps de détection et le coût du matériel. Un faible taux de faux positifs augmente la fiabilité du modèle de détection des défaillances et entraîne des dépenses moindres en termes de taux d'appels de service. Par conséquent, il est essentiel d'évaluer les algorithmes FDD en fonction de ces facteurs. ^[2] Dans un autre article, Soltani et al comparent différents algorithmes d'apprentissage machine pour la classification de défaillances, afin de trouver la meilleure solution pour diagnostiquer vingt défauts pouvant être rencontrés dans les systèmes de froid industriel. ^[2]

Sources

[1] Singh, V., Mathur, J., & Bhatia, A. (2022). A Comprehensive Review: Fault Detection, Diagnostics, Prognostics, and Fault Modelling in HVAC Systems. International Journal of Refrigeration. https://doi.org/10.1016/j.ijrefrig.2022.08.017

[2] Soltani, Z., Sørensen, K. K., Leth, J., & Bendtsen, J. D. (2022). Fault detection and diagnosis in refrigeration systems using machine learning algorithms. International Journal of Refrigeration https://doi.org/10.1016/j.ijrefrig.2022.08.008