VET4SBO Level 2 module 5 - unit 1 - v0.9 srb

1. ECVET Training for Operatorsof IoT-enabledSmart Buildings (VET4SBO)
2018-1-RS01-KA202-000411
Nivo: 2 (dva)
Modul: 5 Dijagnostika za pametne zgrade
Jedinica: 5.1 Uloga i značaj dijagnostike
u zgradama

2. L2-M5-U5.1 Uloga i značaj dijagnostike u zgradama
• SADRŽAJ JEDINICE
– Kvarovi i ranjivost inženjerskih sistemana različite vrste
kvarova.
– Važnost mogućnostibrzog otkrivanja grešaka i identifikacije
njihovih uzroka, ozbiljnostii posledica.
– Metode otkrivanja i dijagnostike kvarova i njihove široke
klase u inženjerskim sistemima.
– Otkrivanje i dijagnostika kvarova u inteligentnim zgradama:
uloga i značaj.
– Glavne klase metodaotkrivanja i dijagnostike kvarova u
zgradama i inteligentnim zgradama.
https://pixabay.com/illustrations/business-
search-seo-engine-2082639/

3. Upravljanje objektima kod pametnih zgrada
• Međunarodno udruženje za upravljanje objektima
(IFMA, International Facility Management
Association) navodi da upravljanje objektima
uključuje principe poslovne administracije,
arhitekture, humanističkih nauka i tehničkih nauka.
• Njegov cilj je postizanje dugoročne održivosti
upotrebe zgrade - optimalno uređenje i korišćenje
unutrašnjeg prostora, obezbeđivanje funkcionalnog
i efikasnog funkcionisanja tehničke opreme,
kvaliteta unutrašnjeg okruženja i drugih potreba
korisnika.
https://pixabay.com/photos/smart-home-
computer-internet-canvas-3148026/

4. Vlasnici i korisnici pametnih zgrada
• Potrebe vlasnika i korisnika pametnih zgrada delimično su u
skladu a delimično su oprečne [1].
• Preferencije vlasnika naročito uključuju:
– minimiziranje troškova nabavke;
– minimiziranje operacionih troškova;
– minimiziranje troškova za energiju;
– minimiziranje troškova popravki i rekonstrukcija;
– maksimiziranje povratka investicije zgrade;
– kontinuirana zaštita ili povećanje građevinske vrednosti (zaštita
ulaganja);
– maksimiziranje nivoa sigurnosti zgrade i njenih korisnika.
» [1] J. Pašek, V. Sojková, Facility Management of Smart Buildings, Int. Rev.
Appl. Sci. Eng. 9 (2018) 2, 181–187, DOI: 10.1556/1848.2018.9.2.15
https://pixabay.com/photos/smart-home-
computer-internet-canvas-3148026/

5. Vlasnici i korisnici pametnih zgrada
• Korisnik (zakupac) zgrade u sopstvenom
interesu ne mora da se meša u ranije
pomenute interese vlasnika, ali on takođe
preferira:
– fleksibilnost zakupljenih prostora;
– kvalitet unutrašnjeg okruženja koji doprinosi
postizanju željenog komfora upotrebe ili povećanju
produktivnosti rada;
– maksimiziranje nivoa sigurnosti.
https://pixabay.com/photos/smart-home-
computer-internet-canvas-3148026/

6. Kvarovi u inženjerskim sistemima
• Inženjerski sistemi u rasponu od jednostavne komponente do celog
složenog sistema osetljivi su na različite vrste kvarova [2].
• Neispravnosti mogu prouzrokovati pod-optimalni rad i pad
performansi, ako ne čak i sprečavanje funkcionisanje čitavog
sistema.
• Zato je važno brzo otkriti greške i identifikovati njihove uzroke,
ozbiljnost i posledice.
» [2] Lazarova-Molnar S. et al, Fault Detection and Diagnosis for Smart Buildings: State of
the Art, Trends and Challenges, 2016 3rd MEC International Conference on Big Data and
Smart City.

7. Uloga i značaj dijagnostike u zgradama
• Predložene su metode FDD (FDD, fault detection
and diagnosis = detekcija i dijagnoza grešaka) za
rešavanje ovih problema.
• FDD metode se mogu podeliti u sledećih pet
širokih kategorija:
– FDD metode zasnovane na modelu,
– FDD metode zasnovane na signalima,
– FDD metode zasnovane na znanju,
– Aktivne FDD metode i
– Hibridne FDD metode.
https://pixabay.com/photos/problem-
technical-issues-technology-1951987/

8. Uloga i značaj dijagnostike u zgradama
• FDD metode se mogu podeliti u sledećih pet širokih
kategorija:
– FDD metode zasnovane na modelu,
• FDD zasnovan na modelima predložen je decenijama unazad.
• Prikladno modeliranje predusov je uspešnog detekcije grešaka metodama
FDD zasnovanim na modelu.
• Pogodni modeli za FDD obično se dobijaju modeliranjem primenom prvih
principa ili metodama identifikacije sistema.

9. Uloga i značaj dijagnostike u zgradama
• FDD metode se mogu podeliti u sledećih pet širokih
kategorija:
– FDD metode zasnovane na signalima,
• FDD metode zasnovane na signalima uglavnom koriste signale koji su
dobijeni merenjima za dijagnostiku.
• Algoritmi unutar ove kategorije izvode simptome zdravog sistema kao
rezultat analize simptomai znanja o sistemu koji su na raspolaganju.
• Kada je sistem neispravan, simptomikoji se pojavljuju u izmerenom signalu
razlikuju se od simptomazdravih sistema.

10. Uloga i značaj dijagnostike u zgradama
• FDD metode se mogu podeliti u sledećih pet širokih
kategorija:
– FDD metode zasnovane na znanju,
• Metode FDD zasnovane na znanju zahtevaju dovoljnu količinu istorijskih
podataka.
• Ove metode koriste metode veštačke inteligencije da bi izvukle znanje
zasnovano na istorijskim podacima koji odražavaju odnos između
promenljivih sistema.
• Ponašanje sistema se nadgleda u realnom vremenu i upoređuje se sa bazom
znanja radi otkrivanja mogućih odstupanja i donošenja odluka o dijagnozi
grešaka.

11. Uloga i značaj dijagnostike u zgradama
• FDD metode se mogu podeliti u sledećih pet širokih
kategorija:
– Aktivne FDD metode
• Aktivne FDD metode su metode koje procenjuju ponašanje pod
pogodnim ulaznim ispitnim (test) signalima za FDD.
• Uvodjenje test signala u aktivni FDD povećava otkrivanje grešaka, što je
važna prednost aktivnog FDD.
• Dodani ulazni test signali mogu ugroziti performanse i stoga njihov uticaj
treba minimizirati.

12. Uloga i značaj dijagnostike u
zgradama
• FDD metode se mogu podeliti u sledećih pet širokih
kategorija:
– Hibridne FDD metode.
• Oni su kombinacija prethodnog.

13. Greške u pametnim zgradama
• Jedno od nekoliko temeljnih istraživanja [3] zaključilo je
da se tipične greške u poslovnim zgradama sastoje od 13
vrsta grešaka.
• Dalja istraživanja ukazuju da su greške usled pogrešne
konfiguracije tipične greške u novim zgradama, koje nisu
dobijale adekvatan nivo pažnje.
• Primeri takvih kvarova su:
– Pogrešno konfigurisana oprema u zgradi, gde je podešavanje
opreme pogrešno.
– Pogrešno postavljeni ili pogrešno ožičeni senzori i aktuatori.
» [3] K. W. Roth, D. Westphalen, M. Y. Feng, P. Llana, and L. Quartararo, "Energy impact of commercial
building controls and performance diagnostics: market characterization, energy impact of building
faults and energy savings potential," Prepared by TAIX LLC for the US Department of Energy.
November. 412pp, 2005.
https://pixabay.com/photos/ethics-
right-wrong-ethical-moral-2991600/

14. Godišnji uticaj kvarova u zgradama u smislu
potrošnje energije
(from Lazarova-Molnar S et al,FaultDetection and Diagnosisfor SmartBuildings:Stateof the Art, Trends and Challenges,
2016 3rd MEC International Conference on BigData and Smart City.)

15. FDD kod pametnih zgrada
• Otkrivanje i dijagnostikakvarova (FDD) važna je stvar u
pametnim zgradama.
• Pokazalo se da su operativni troškovi zgrada značajnosmanjeni
korišćenjem automatizovanog FDD [4].
• Ove statistike su pokrenule značajnu količinuistraživanja u
oblasti FDD za zgrade.
» [4] Sinopoli J., Advanced Technology for Smart Buildings, Artech House, 2016.

16. FDD kod pametnih zgrada
• Iako se FDD može koristiti za ostale sisteme u zgradama, često se
fokusira prvenstveno na sisteme klimatizacije (HVAC) [4].
• HVAC sistemi su jedan od složenijih i energetski zahtevnih
potrošačkih sistema u zgradi koji uključuje različite procese i
interakciju različitih vrsta opreme.
• Učinak HVAC sistema meri se na nekoliko različitih načina:
– kvalitet vazduha u zatvorenom, potrošnja energije i toplotna udobnost.
» [4] Sinopoli J., Advanced Technology for Smart Buildings, Artech House, 2016.

17. Otkrivanje i dijagnostika kvarova u
pametnim zgradama
• Generalizovano na visokom nivou, FDD metode za zgrade
mogu se svrstati u tri glavne klase:
– Metode zasnovane na modelima, koje se razvijaju za zgrade
isključivo na osnovu fizičkih modela, gde su odnosi strogo
kvantitativno opisani.

18. Otkrivanje i dijagnostika kvarova u
pametnim zgradama
• Generalizovano na visokom nivou, FDD metode za zgrade
mogu se svrstati u tri glavne klase:
– Metode zasnovane na podacima, izvode veze i prediktivne modele
zasnovane na istorijskom i tekućem prikupljanju podataka (obično,
algoritmi mašinskog učenja).

19. Otkrivanje i dijagnostika kvarova u
pametnim zgradama
• Generalizovano na visokom nivou, FDD metode za zgrade
mogu se svrstati u tri glavne klase:
– Hibridne metode, koje sadrže metode koje predstavljaju
kombinaciju pristupa zasnovanih na modelima i podacima.

20. Neka pitanja i problemi u primeni FDD u
pametnim zgradama
• Neki problemi sa FDD u pametnim zgradama [4]:
– Nedostatakpodataka:
• FDD-u su potrebni podaci iz BAS sistema.
• Ako nema dovoljno senzora, senzori su netačni ili zgrada ima zastareli sistem
kontrole, može doći do problema sa dobijanjem potrebnih podataka.
– Kako postupati sa FDD podacima:
• Organizacije za upravljanje objektima moraju odlučiti kako će najbolje postupati sa
FDD informacijama.
• Kvar ukazuje na to da sistem možda radi, ali ne radi optimalno.
» [4] Sinopoli J., Advanced Technology for Smart Buildings, Artech House, 2016.

21. Neka pitanja i problemi u primeni FDD u
pametnim zgradama
• Neki problemi sa FDD u pametnim zgradama [4]:
…
– Alternativni načini primene FDD:
• U nekom trenutku u budućnosti proizvođači upravljačkih sistema će integrisati FDD
rutine u svoje kontrolere, počevši od velike opreme kao što su čileri.
– Nedostatakaplikacija za nove sisteme:
• FDD rutine trenutno se ne bave novijim izvorima energije poput sunca, vetra ili
geotermalnih izvora, niti se dodiruju sa upravljanjem napajanjem ili upravljanjem
reakcijom na potražnju.
» [4] Sinopoli J., Advanced Technology for Smart Buildings, Artech House, 2016.

22. Procena grešaka u pametnim zgradama
• Procena greške (ili procena uticaja greške)
jedan je od glavnih korakau procesu
automatizovanog otkrivanja i dijagnostike
grešaka (AFDD).
• Ozbiljnost greške i njen uticaj na potrošnju
energije od suštinskog su značaja za
određivanje prioriteta popravki.
https://pixabay.com/illustrations/dete
ctive-searching-man-search-1424831/

23. Procena grešaka u pametnim zgradama
• Međutim, procena uticaja (energije i troškova)
ili ozbiljnosti greške je teška, jer u mnogim
slučajevima informacije potrebne za procenu
nisu lako dostupne.
• Uticaj greške može se koristiti za određivanje
prioriteta popravki, što rezultira smanjenjem
utroška energije i troškova, poboljšanom
udobnošću,produženim radnim vekom
opreme i smanjenim troškovima servisiranja.
https://pixabay.com/illustrations/dete
ctive-searching-man-search-1424831/

24. Primeri automatizovanog FDD u pametnim
zgradama
• AutomatizovanaFDD metoda može se koristiti za
nadgledanje grešaka u sistemima osvetljenja [5].
• AFDD metoda koristi senzor intenziteta svetlosti
za merenje približnog nivoa svetlosti i njegove
statističke distribucije.
» [5] Woohyun Kim & Srinivas Katipamula (2017):A Review of
Fault Detection and Diagnostics Methods for Building Systems,
Science and Technology for the Built Environment, DOI:
10.1080/23744731.2017.1318008
https://pixabay.com/photos/light-bulb-
idea-creativity-socket-3104355/

25. Primeri automatizovanog FDD u pametnim
zgradama
• Pragovi za detekciju se identifikuju na mestu gde
izlaz senzora jačine svetlosti počinje da se smanjuje.
• Nadalje, praćenje zdravlja u stvarnom vremenu vrši
se na osnovu ulazne struje, ulaznog napona i
temperature ploče kako bi se predvidjelo opadanje
svetlosne snage LED u realnom vremenu [5].
» [5] Woohyun Kim & Srinivas Katipamula (2017): A Review of
Fault Detection and Diagnostics Methods for Building Systems,
Science and Technology for the Built Environment, DOI:
10.1080/23744731.2017.1318008
https://pixabay.com/photos/light-bulb-
idea-creativity-socket-3104355/

26. Primeri automatizovanog FDD u pametnim zgradama
• AFDD metoda je takođe razvijena za klima uređaje i
sisteme toplotnih pumpi koji imaju kompresore sa
fiksnom i promenljivom brzinom [5].
• Ovom metodom se otkriva pet različitih grešaka: 1)
gubitak performansi kompresora,2) nisko ili visoko
punjenje rashladnog sredstva, 3) problem u filteru
kondenzatoraili isparivača, 4) neispravni ekspanzioni
sud i 5) problemi sa vodovima.
» [5] Woohyun Kim & Srinivas Katipamula (2017):A Review of Fault
Detection and Diagnostics Methods for Building Systems, Science
and Technology for the Built Environment, DOI:
10.1080/23744731.2017.1318008.
https://pixabay.com/illustrations/air-
conditioning-air-conditioner-3679756/

27. Primeri automatizovanog FDD u pametnim zgradama
• Modeli performansi kapaciteta i potrošnje
električne energije za normalne uslove razvijeni su
za procenu očekivane referentne vrednosti.
• Upoređivanje trenutnih procenjenih performansi i
normalnih očekivanih vrednosti koristi se da bi se
utvrdilo da li je greška, kada je otkrivena, dovoljno
ozbiljna da opravda servis [5].
» [5] Woohyun Kim & Srinivas Katipamula (2017):A Review of Fault
Detection and Diagnostics Methods for Building Systems, Science
and Technology for the Built Environment, DOI:
10.1080/23744731.2017.1318008.
https://pixabay.com/illustrations/air-
conditioning-air-conditioner-3679756/

28. Trenutno stanje dijagnostike u zgradama
• Na tržištu je dostupno više komercijalnih proizvoda i usluga
za AFDD.
• Međutim, rasprostranjenost nije toliko široka kao što bi se
moglo očekivati [5].
• Još uviek nedostaje jeftino i pouzdano merenje za neke
veličine (protok vazduha, pritisak, snaga, itd.).
• Unapređenje u poslednjoj deceniji je razvoj jeftinih
algoritama AFDD koji smanjuju broj senzora potrebnih za
otkrivanje niza kvarova ili degradacije performansi sistema.
» [5] Woohyun Kim & Srinivas Katipamula (2017):A Review of Fault Detection
and DiagnosticsMethods for Building Systems,Science and Technology for
the Built Environment, DOI: 10.1080/23744731.2017.1318008.
https://pixabay.com/photos/pros-and-
cons-weigh-compare-baskets-
2028471/

29. Trenutno stanje dijagnostike u zgradama
• Neke nedavne studije su takođe mogle da ponude
otkrivanje više istodobnih grešaka, dok ranije AFDD metode
nisu tretirale više grešaka koji se javljaju istovremeno.
• Povremeno neispravna komponenta uzrokuje greške u
ostalim komponentama sistema i AFDD metoda mora biti u
mogućnosti da dijagnosticira sve izvore grešaka
istovremeno.
• Ako se dijagnosticira i popravi samo jedna greška, sistem će
i dalje raditi s nedijagnostifikovanom greškom koja bi mogla
uzrokovati da popravljene komponente (jedinice) ponovo
zakažu.
https://pixabay.com/photos/pros-and-
cons-weigh-compare-baskets-
2028471/

30. Trenutno stanje dijagnostike u zgradama
• Neke nove metode AFDD usredsređene su na
odabir odgovarajućeg praga kako bi se sprečili
česti alarmi greški.
• Visoke lažne stope alarma i nedostatak dobrih
strategija odabira praga sprečavaju
građevinsku industriju da prihvati najnovije
strategije AFDD.
https://pixabay.com/photos/pros-and-
cons-weigh-compare-baskets-
2028471/

31. Trenutno stanje dijagnostike u zgradama
• Ako bi se pragovi postavili preblizu normalnim
uslovima, AFDD sistem bio bi previše osetljiv, što
bi dovelo do lažnih alarma.
• Ako bi se pragovi postavili predaleko od
normalnih uslova, AFDD sistem bi propustio
greške koje potencijalno mogu umanjiti
performanse sistema.
• Stoga je važno definisati razumne pragove tako da
se pouzdano utvrdi prisustvo kvara.
https://pixabay.com/photos/pros-and-
cons-weigh-compare-baskets-
2028471/

32. Hvala Vam na pažnji.
https://pixabay.com/illustrations/thank-you-polaroid-letters-2490552/

33. Izjava o odricanju odgovornosti
Za dodatneinformacije, koje se odnose na VET4SBO projekat,posetite veb lokacijuprojektana https://smart-
building-operator.eu ili nasposetite na https://www.facebook.com/Vet4sbo.
Preuzmite našu mobilnuaplikacijuna https://play.google.com/store/apps/details?id=com.vet4sbo.mobile.
Ovaj projekat(2018-1-RS01-KA202-000411) finansiranje uz podršku Evropske komisije (Erasmus + Program). Ova
publikacijaodražava stavovesamo autorai Komisija ne može biti odgovornaza bilo kakvu upotrebukoja se može
zasnivatina informacijama sadržanim u publikaciji.