1. ECVET Training for Operators of IoT-enabled Smart Buildings (VET4SBO)
2018-1-RS01-KA202-000411
Nivo 3
Modul 2: Napredna dijagnostika i kontrola pametnih
zgrada
Poglavlje 2.1: Praktična aplikacija dijagnostike i kontrole
2. Outline
1. Koncepti dijagnostike i kontrole u zgradama
2. Praktične primene dijagnostike i kontrole u zgradama, a koje
su povezane sa određenim funkcijama zgrade
3. Primeri IoT platformi koje olakšavaju dijagnostiku i kontrolu u
zgradama
– Demonstracije platforme
4. Diskusija o daljim aplikacijama
3. Outline
1. Koncepti dijagnostike i kontrole u zgradama
2. Praktične primene dijagnostike i kontrole u zgradama, a koje
su povezane sa određenim funkcijama zgrade
3. Primeri IoT platformi koje olakšavaju dijagnostiku i kontrolu u
zgradama
– Demonstracije platforme
4. Diskusija o daljim aplikacijama
4. Detekcija i dijagnostika kvarova (FDD)
Veliki sistemi sastoje se od više cyber i fizičkih komponenti, poput senzora za
nadgledanje stanja sistema, električnih i mehaničkih aktuatora, regulatora i
brojnih drugih komponenti za obradu podataka / signala.
Vremenom će se jedna ili više ovih komponenti pokvariti ili će sistem preći
očekivane limite usled spoljnih događaja, što zahteva korišćenje mehanizama
za otkrivanje kvarova / događaja i izolacije [3,7].
Omogućavanjem otkrivanja i dijagnostike propusta u radu ovih sistema može
se postići, npr. ušteda energije, smanjenje ekonomskih troškova i / ili
izbegavanje kritičnih posledica kaskadnih efekata usled međuzavisnosti sa
drugim sistemima.
U poslednje dve decenije razvijene su i predložene različite metodologije za
otkrivanje, identifikovanje, izoliranje i prilagođavanje kvarova [3, 4, 7].
5. Detekcija i dijagnostika kvarova (FDD)
Generalno, metode detekcije kvarova mogu se klasifikovati u
metode bez modela (ili na upravljanje na osnovu podataka) i na osnovu
modela [1].
Metode bez modela se najčešće koriste, jer se mogu razviti bez potrebe za
razumevanjem detalja dinamike sistema [7]. Primeri su kvantitativne metode
(npr. neuronske mreže, statistički klasifikatori) i kvalitativne metode (npr.
ekspertni sistemi, fazi logika, prepoznavanje obrazaca, analiza trendova) [14].
Metode zasnovane na modelu zahtevaju dodatne napore modeliranja i
kalibracije, jer model se mora razviti koristeći a priori znanje (prethodno
znanje) o sistemu. Postoje primeri kvantitativnih metoda (npr. procena stanja
i parametara na osnovu Kalman-ovog filtera) i kvalitativne metode (npr.
stablo-greška logički metod i drugi uzročni modeli) [14].
6. Detekcija i dijagnostika kvarova (FDD)
Proteklih godina predložene su metodologije dijagnostike grešaka sa
sposobnostima učenja, koje kombinujuanalitiku baziranu na određenom
modelu i inteligentne alata, kao što su neuronske mreže, u cilju otkrivanja
grešaka i definisala dinamika pojave grešaka[4, 9]. Učenjem nepoznate
dinamike grešaka, izolovanjem vrste kvara i identifikacijom njegove veličine,
moguće je promeniti upravljački ulaz da bi se prilagodio kvar tokom rada [11].
U zavisnosti od sistema kome je potrebna usluga otkrivanja kvarova, kao i
poželjne metode detekcije grešaka, mogu se konstruisati različite šeme, koja
se sastoje od manjih komponenti. U praksi je veoma retko, ako ne i
nemoguće, pronaći i zaposliti ljudskog stručnjaka takve širine znanja.
7. Detekcija i dijagnostika kvarova (FDD)
Otkrivanje grešaka definiše se kao problem utvrđivanja da li sistem radi u
normalnim ili nenormalnim uslovima (npr. zbog pojave greške sistema, aktuatora
ili senzora). Obično je algoritam za otkrivanje kvarova posebno dizajniran za
određeni sistem, uzimajući u obzir merljive promenljive sistema, poznatu
dinamiku i ostale dostupne informacije.
Izlaz algoritma za otkrivanje kvarova u diskretnom vremenu k, dat je sa:
gde je f (.) kompozitna funkcija detekcije kvarova, y(k) i u(k) su izmereni izlazni vektor i poznati
ulazni vektor sistema, a z je skup parametara koji se odnose na sistem. Uopšteno, signal
detekcije d (k) može biti vektor koji odgovara skupu različitih klasa nivoa greške.
8. Detekcija i dijagnostika kvarova (FDD)
Ovisno o specifikacijama, signal detekcije d (k) može biti:
• Binarni oblik, tj. oblika {0,1} ili {tačno, netačno}, čime se
obaveštava o otkrivanju greške ili
• Stvarni broj, npr. što predstavlja verovatnoću ili rizik postojanja
greške
• Generička klasa vrednosti, npr. tip klase grešaka, šemu nivoa
rizika na osnovu boje, lingvističku promenljivu, fazi vrednost
itd.
9. Detekcija i dijagnostika kvarova (FDD)
Metode otkrivanja kvarova bez modela obrađuju izmerene izlazne signale, plus druge poznate ili
izračunate signale, koji su potrebni da bi se generisale određene karakteristike (npr. radno stanje). Ove
karakteristike se prenose kroz komponentu koja sadrži „logiku otkrivanja“ i upoređuju se sa njihovom
vrednošću u radu bez greške. Tipični primeri su pristup provere graničnih stanja, pristup detekciji
promena (kao što je CUSUM) [2] i drugi pristupi zasnovani na statističkim podacima. Pored toga,
metodologije učenja su takođe primenjene u kontekstu otkrivanja kvarova bez modela [1].
S druge strane, metode „detekcije grešaka zasnovane na modelu“ obrađuju izmereni izlazni i poznati
ulazni signal, koristeći takođe poznati sistemski model, kako bi se generisale određene karakteristike
(npr. procene stanja). Kao i u slučaju bez modela, ove karakteristike se zatim prosleđuju kroz modul
„logika detekcije“ i upoređuju se sa njihovim vriednostima u normalnom radu. Tipični primeri su šeme
analitičko otkrivanje grešaka, koje koriste alate kao što su procena stanja, filtriranje, učenje
parametarske nesigurnosti i adaptivne aproksimacije [5, 8, 9, 10–12].
U opštem slučaju, algoritam za otkrivanje kvarova f (.) sastavljen je od podkomponenti, od kojih su neke
osnovne (obavezne) za sve implementacije otkrivanja kvarova, dok su druge potrebne samo u
određenim slučajevima. Sve ove komponente su razmotrene u nastavku.
10. Detekcija i dijagnostika kvarova (FDD)
Osnovne komponente
Prva komponenta je logika detekcije – „detection logic“, predstavljena
funkcijom:
Gde je d(k) signal za detekciju, 𝑓𝑑(. ) funkcija logike detekcije, r(𝑘) je
signal koji se posmatra (feature signal), koji se računa posebnom
funkcijom u cilju upoređenja sa graničnim signalom 𝑡(𝑘), i 𝜁 𝑑 je skup
drugih metoda potrebnih za određenu primenjenu metodu.
11. Detekcija i dijagnostika kvarova (FDD)
Druga osnovna komponenta je “Feature” predstavljena
funkcijom:
Gde je r(𝑘) signal „featura“, fr
(k) je implementacija metode u
cilju dobijanja (izvlačenja) signala, y(𝑘) i u(𝑘) su merljivi izlazi, i
poznati ulazi sistema, ako postoje, ො𝑥 𝑘 je procenjeno stanje
sistema (opciono) i 𝜁 𝑟
je set parametra potreban za dati metod.
12. Detekcija i dijagnostika kvarova (FDD)
Treća osnovna komponenta sistema je granična vrednost - “Threshold”, koja generiše signal sa kojim je
moguće uporediti elemente sistema (odn, elemente na koje je primenjena logika detekcije)
t(k) je signal granične vrednosti definisan u (5.7), ft(k) je implementacija metode za ekstrakciju
granične vrednosti, 𝑔(. ) funkcija koja opisuje dinamiku sistema, y(k) i u(k) su merljivi izlazi i ulazi
sistema (opciono) i ζt je set parametara u zavisnosti od primenjene funkcije.
Na primer, parametri granične vrednosti mogu odgovarati definisanim graničnim vrednostima elemenata
sistema, ili samih parametara sistema. U svim slučajevima, prag može biti konstantna vrednost ili
vremenski promenljiv adaptivni signal.
13. Detekcija i dijagnostika kvarova (FDD)
Sumarno, šema otkrivanja kvarova se, u najmanju ruku, sastoji od
od ranije navedenih funkcija, pa je:
𝑓 ≡ fd
(fr
. , ft
. , ζ)
To jest, uloga komponente koja vrši logiku detekcije, je da
upoređuje izmerene ili izračunate karakteristike sistema, sa
unapred odabranim ili izračunatim pragom signala.
14. Detekcija i dijagnostika kvarova (FDD)
Blok dijagram opšte
arhitekture otkrivanja
kvarova, predstavlja
sistem u kojem se nudi
usluga otkrivanja i
dijagnostike kvarova,
kao i kompletnu šemu
otkrivanja kvarova,
koristeći ranije opisane
komponente.
15. Automatska kontrola povratne sprege
Generalno, sistem za kontrolu povratnih informacija odlučuje o radnji koja će se
primeniti u sistemu preko njegovih ulaza.
U diskretnoj realizaciji vremena, gde je K skup diskretnih vremenskih uzoraka
neprekidnih signala sa određenom brzinom uzorkovanja i 𝑘 je indeks ovog skupa,
ulaz postrojenja 𝑣 (𝑘) je vektor signala proizvedenih od strane aktuatora u vremenu
𝑘∈𝐾.
Implementacija sistema za kontrolu povratnih informacija podrazumeva upotrebu
niza podkomponenti, od kojih su neke osnovne (obavezne) za sve implementacije
sistema za kontrolu povratnih informacija, dok su druge potrebne samo u
određenim slučajevima. Ove komponente su pregledane u nastavku.
16. Automatska kontrola povratne sprege
Elementi sistema koji su definisani posebnim funkcijama su:
• Plant dynamics
• Actuator - 𝑓 𝑎
• Controller - 𝑓 𝑐
• Sensor - 𝑓 𝑠
Ukratko, sistem za kontrolu povratnih informacija sastoji se od
komponenti navedenih gore, formirajući kompleksnu funkciju:
𝑓 𝑎
𝑜 𝑓 𝑐
𝑜 𝑓 𝑠
17. Outline
1. Koncepti dijagnostike i kontrole u zgradama
2. Praktične primene dijagnostike i kontrole u zgradama, a koje
su povezane sa određenim funkcijama zgrade
3. Primeri IoT platformi koje olakšavaju dijagnostiku i kontrolu u
zgradama
– Demonstracije platforme
4. Diskusija o daljim aplikacijama
18. Praktična primena dijagnostike i kontrole
u zgradama
BMS-ovi se primarno koriste za nadgledanje i kontrolu funkcija različitih zgrada i na
taj način mogu pomoći u praćenju i kontroli potrošnje energije i emisije gasa,
pomažući u postizanju nacionalnih, EU i međunarodnih ciljeva.
Zvanična statistika procenjuje da se 20-30% energije koja se troši u komercijalnim
zgradama za grejanje, ventilaciju i klimatizaciju (HVAC), osvetljenje i grejanje vode,
troši zbog grešaka i neefikasnosti [1,2].
Procenjeni prosečni gubici zbog grešaka kreću se između 125 i 190 eura godišnje za
stambene zgrade, što se pretvara u gubitke od 1,40 do 2,10 eura po m2. Što se tiče
drugih tipova zgrada („nestambene“ , npr. industrijskih zgrada), godišnji prosečni
gubici dostižu nivo od 1.550 do 2.325 evra, dok je prosečni gubitak po m2 iznosi
4.05-6.10 evra. Dakle, gubici zbog kvara znatno su veći u nestambenim zgradama.
[1] https://www.schneider-electric.com/b2b/en/services/field-services/building-management-system/optimize/fault-detection-
diagnostics.jsp
[2] http://www.tiaxllc.com/2006/02/tiax-report-analyzes-energy-savings-potential-within-u-s-commercial-buildings/
19. Praktična primena dijagnostike i kontrole
u zgradama
Kao odgovor na visoke troškove gubitaka, tokom poslednjih pet godina sve je
veća primena tehnologija otkrivanja i dijagnostike kvarova (FDD) u zgradama.
Ovo je povezano sa pojavom IoT-a i usvajanjem otvorenih standarda i
protokola koji omogućuju obradu i analizu podataka lokalno ili na daljinu.
Operateri zgrada su počeli da pokazuju interesovanje za otkrivanje
propuštenih mogućnosti za smanjenje troškova, uštede energije, smanjenje
neispravnosti ili neispravnosti mašina, itd.
Konkurencija trenutno raste, pa kompanije koje nude FDD rešenja moraju da
pokažu šta nude, a što ih razlikuje od konkurenata, zatim koje se integracione
mogućnosti s postojećim sistemima, kakva je sposobnost da izvršavaju usluge
u lokalu ili u oblaku, i kakva je sposobnost da pružaju komfor i metriku, a koji
su povezani sa troškovima, itd.
20. Praktična primena dijagnostike i kontrole
u zgradama
Automatizovani FDD rešava sljedeće izazove:
• Nadgledanje upozorenja i podataka o automatizaciji u zgradama, otkrivanje
obrazaca i potencijalnih anomalija u radu. Dodata vrednost dolazi više od
detekcije „skrivenog“ ponašanja. Primeri skrivenih problema uključuju
istovremeno zagrevanje i hlađenje u uređajima za rukovanje vazduhom,
suboptimalnu kontrolu ventilacije, neopaženo curenje vode, sporo zagađenje
vazduha, itd. To je teško ručno otkriti u velikim zgradama.
• Mogućnosti analize heterogenih izvora podataka, otkrivanja obrazaca i
međuzavisnosti sistema, omogućavanja povezivanje tačaka i razumevanje šta i
zašto deluje nenormalno.
• Stvaranje akcionog znanja iz sirovih podataka, uvid u izvor problema, predlaganje
rešavanja i prioriteta uzimajući u obzir QoS kriterijume koje postavlja operator
zgrade.
21. Praktična primena dijagnostike i kontrole
u zgradama
Na primer, rukovodilac ustanove u bolnici može da se brine prvo o udobnosti i
ušteda energije dolazi na drugo mesto.
Stoga, FDD alati moraju biti u mogućnosti da komuniciraju sa operatorom zgrade i
stanarima zgrade, i steknu znanje o konfiguraciji kako bi se maksimizovao povrat
ulaganja (ROI).
Podrška za FDD alate:
– Identifikovanje i određivanje prioriteta za poboljšanje energetskih performansi, kao i
mehaničkih problema održavanja, pre nego što eskaliraju u katastrofalne kvarove.
– Podržavanje rješavanja problema analizom uzroka
– Usmeravanje osoblja i resursa ka poboljšanjima koja će imati realan uticaj, zasnovana
na fleksibilnim, relevantnim prioritetima
22. Praktična primena dijagnostike i kontrole
u zgradama
Dijagnostika daleko prevazilazi „pravila“.
Pravila obično postavljaju unapred definisane i
konzervativne pragove na osnovu kojih se
preduzimaju određene mere ublažavanja.
Sa druge strane, dobri FDD alati mogu naučiti
dinamiku rada određenih sistema u zgradama,
kombinujući sa ponašanjem stanara i postaviti
svoja pravila.
Ovakva pravila su obično manje konzervativna,
jer se zasnivaju na analizi stvarnih podataka o
radu i ne moraju unapred definisati neke
pragove.
23. Outline
1. Koncepti dijagnostike i kontrole u zgradama
2. Praktične primene dijagnostike i kontrole u zgradama, a koje
su povezane sa određenim funkcijama zgrade
3. Primeri IoT platformi koje olakšavaju dijagnostiku i kontrolu u
zgradama
– Demonstracije platforme
4. Diskusija o daljim aplikacijama
27. Outline
1. Koncepti dijagnostike i kontrole u zgradama
2. Praktične primene dijagnostike i kontrole u zgradama, a koje
su povezane sa određenim funkcijama zgrade
3. Primeri IoT platformi koje olakšavaju dijagnostiku i kontrolu u
zgradama
– Demonstracije platforme
4. Diskusija o daljim aplikacijama
28. Diskusija o aplikacijama dijagnostike i kontrole
Koristeći naučeno do sada, uključite se u interaktivne diskusije sa
svojim trenerom i / ili ko-učenicima i predložite moguće primene
dijagnostike i kontrole u pametnim zgradama.
30. Reference
[1] C. Alippi, Intelligence for Embedded Systems: A Methodological Approach. Cham: Springer International Publishing, 2014, ch. Fault
Diagnosis Systems, pp. 249–270.
[2] M. Basseville and I. V. Nikiforov, Detection of abrupt changes: theory and application. Prentice-Hall, Inc., April 1, 1993.
[3] J. Chen and R. Patton, Robust Model-Based Fault Diagnosis for Dynamic Systems. Norwell, MA, USA: Kluwer Academic Publishers, 1999.
[4] R. M. G. Ferrari, T. Parisini, and M. M. Polycarpou, “Distributed fault detection and isolation of large-scale discrete-time nonlinear
systems: An adaptive approximation approach,” IEEE Trans. Autom. Control, vol. 57, no. 2, pp. 275–290, 2012.
[5] J. Gertler, “Analytical redundancy methods in fault detection and isolation,”in Preprints of IFAC/IMACS Symposium on Fault Detection,
Supervision and Safety for Technical Processes SAFEPROCESS’91, 1991, pp. 9–21.
[6] I. Hwang, S. Kim, Y. Kim, and C. Seah, “A survey of fault detection, isolation, and reconfiguration methods,” Control Systems Technology,
IEEE Transactions on, vol. 18, no. 3, pp. 636–653, May 2010.
[7] R. Isermann, Fault-Diagnosis Systems: An Introduction From Fault Detection to Fault Tolerance. New York, NY, USA: Springer-Verlag,
2006.
[8] ——, “Supervision, fault-detection and fault-diagnosis methods—an introduction,” Control engineering practice, vol. 5, no. 5, pp. 639–
652, 1997.
[9] M. M. Polycarpou and A. J. Helmi, “Automated fault detection and accommodation: a learning systems approach,” Systems, Man and
Cybernetics, IEEE Transactions on, vol. 25, no. 11, pp. 1447–1458, 1995.
[10] V. Reppa, M. M. Polycarpou, and C. G. Panayiotou, “Multiple sensor fault detection and isolation for large-scale interconnected
nonlinear systems,” in Proc. Eur. Control Conf., Zurich, Switzerland, 2013, pp. 1952–1957.
31. Reference
[11] ——, “Adaptive approximation for multiple sensor fault detection and isolation
of nonlinear uncertain systems,” Neural Networks and Learning Systems, IEEE
Transactions on, vol. 25, no. 1, pp. 137–153, 2014.
[12] V. Reppa and A. Tzes, “Fault detection and diagnosis based on parameter set
estimation,” IET control theory & applications, vol. 5, no. 1, pp. 69–83, 2011.
[13] X. Zhang, M. M. Polycarpou, and T. Parisini, “A robust detection and isolation
scheme for abrupt and incipient faults in nonlinear systems,” IEEE Transactions on
Automatic Control, vol. 47, no. 4, pp. 576–593, Apr. 2002.
[14] Y. Zhang and J. Jiang, “Bibliographical review on reconfigurable fault-tolerant
control systems,” Annual reviews in control, vol. 32, no. 2, pp. 229–252, 2008.
[15] J. Farrell and M. Polycarpou, Adaptive Approximation Based Control: Unifying
Neural, Fuzzy and Traditional Adaptive Approximation Approaches, N. J.W.
Hoboken, Ed. J. Wiley, 2006.
32. Izjava o odricanju odgovornosti
Za dodatne informacije o VET4SBO projektu, posetite sajt projekta na adresi https://smart-building-operator.eu ili
posetite https://www.facebook.com/Vet4sbo.
Preuzmite mobilnu aplikaciju: https://play.google.com/store/apps/details?id=com.vet4sbo.mobile.
Projekat (2018-1-RS01-KA202-000411) se finasnira od strane Evropske komisije(Erasmus+ Program). Ova publikacija
odražava stavove samo autora i Komisija ne može biti odgovorna za bilo kakvu upotrebu informacijama sadržanim u
njoj.