Recommandé par l'IIF / Document IIF
Intégration d’un modèle dynamique et de méthodes de classification pour la détection et le diagnostic des défaillances d’un refroidisseur.
Integration of dynamic model and classification methods for fault detection and diagnosis in a chiller.
Numéro : 0096
Auteurs : AGUILERA J. J., MEESENBURG W., SCHULTE A., OMMEN T., MARKUSSEN W. B., ZÜHLSDORF B., POULSEN J. L., FÖRSTERLING S., ELMEGAARD B.
Résumé
Fault detection and diagnosis techniques can contribute to the reduction of operational costs, downtime periods and increase of component lifetime in vapour compression systems. In this study, a dynamic simulation model was developed to represent different operational points of an experimental chiller, namely fault-free operation, condenser fouling, refrigerant leakage and reduced condenser water flow rate. Simulated operational data allowed the use of four classification methods, namely logistic regression, naïve Bayes, decision tree and random forest. The results showed that the proposed framework was able to predict 94 % of faulty and fault-free operational points of the chiller when logistic regression was used. Fault prevention from the implementation of this framework was estimated to increase the average COP of the chiller by nearly 4 %. This study indicated the possibility to induce faults in dynamic simulation models combined with classification algorithms for fault detection and diagnosis in vapour compression systems.
Documents disponibles
Format PDF
Pages : 14 p.
Disponible
Prix public
20 €
Prix membre*
Gratuit
* meilleur tarif applicable selon le type d'adhésion (voir le détail des avantages des adhésions individuelles et collectives)
Détails
- Titre original : Integration of dynamic model and classification methods for fault detection and diagnosis in a chiller.
- Identifiant de la fiche : 30029703
- Langues : Anglais
- Sujet : Technologie
- Source : 15th IIR-Gustav Lorentzen Conference on Natural Refrigerants (GL2022). Proceedings. Trondheim, Norway, June 13-15th 2022.
- Date d'édition : 13/06/2022
- DOI : http://dx.doi.org/10.18462/iir.gl2022.0096
- Document disponible en consultation à la bibliothèque du siège de l'IIF uniquement.
Liens
Voir d'autres communications du même compte rendu (169)
Voir le compte rendu de la conférence
-
A robust fault diagnosis method for HVAC system...
- Auteurs : ZHU X., CHEN S., CHEN K., LIANG X., REN T., JIN X., DU Z.
- Date : 21/08/2023
- Langues : Anglais
- Source : Proceedings of the 26th IIR International Congress of Refrigeration: Paris , France, August 21-25, 2023.
- Formats : PDF
Voir la fiche
-
An intelligent fault detection and diagnosis mo...
- Auteurs : WANG Z. W., WANG S. C., LI D., CAO Z. W., HE Y. L.
- Date : 04/2024
- Langues : Anglais
- Source : International Journal of Refrigeration - Revue Internationale du Froid - vol. 160
- Formats : PDF
Voir la fiche
-
A semi-supervised data-driven approach for chil...
- Auteurs : FENG Z., WANG L., MA X., JIANG Z., CHANG B.
- Date : 05/04/2023
- Langues : Anglais
- Source : 3rd IIR conference on HFO Refrigerants and low GWP Blends. Shanghai, China.
- Formats : PDF
Voir la fiche
-
A comprehensive review: Fault detection, diagno...
- Auteurs : SINGH V., MATHUR J., BHATIA A.
- Date : 12/2022
- Langues : Anglais
- Source : International Journal of Refrigeration - Revue Internationale du Froid - vol. 144
- Formats : PDF
Voir la fiche
-
An interpretable machine learning method for fa...
- Auteurs : CHEN K., ZHU X., CHEN S., DU Z.
- Date : 21/08/2023
- Langues : Anglais
- Source : Proceedings of the 26th IIR International Congress of Refrigeration: Paris , France, August 21-25, 2023.
- Formats : PDF
Voir la fiche