VET4SBO Level 3 module 2 - unit 1 - v0.9 bg

ECVET Training for Operators of IoT-enabled Smart Buildings (VET4SBO)
2018-1-RS01-KA202-000411
Ниво 3
Модул 2: Съвременна диагностика и контрол на
умните сгради
Раздел 2.1: Практическо приложение на
диагностиката и контрола

Съдържание
1. Какво разбираме под диагностика и контрол в сграда?
2. Практическо приложение на диагностиката и контрола във
връзка с определени функции на сградата
3. Примери за IoT платформи, които улесняват диагностиката
и контрола в сградите
– Демонстрация на платформи
4. Обсъждане на още приложения

Откриване на неизправности и диагностика(FDD)
Едромащабните системи се състоят от кибернетични и физически
компоненти, например сензори, следящи състоянието на
системата, електрически и механични актуатори (задвижващи
устройства), контролери и много други компоненти, които
обработват данните/сигнала.
С течение на времето един или няколко от тези компонента
неминуемо ще се повредят или динамиката на системата ще
излезе извън зададените граници поради външни причини, което
ще наложи използването на механизмите за откриване на
неизправности/аварии и за изолирането им[3,7].

Като откриват неизправности в системата и и диагностицират
причините им, посочените механизми помагат за пестене на
енерия, намаляване на разходите и/или избягване на сериозни
последствия от каскадния ефект, породен от взаимовръзките с
другите системи.
През последните две десетилетия бяха разработени и
предложени разнообразни методологии за откриване,
идентифициране, изолиране и отстраняване на
неизправностите[3, 4, 7].

Като цяло методите за откриване на неизправности могат да се разделят
на два типа – без модел (въз основа на данните) и базирани на модел[1].
• Методите без модел са най-често използваните, тъй като могат да се
разработят без да се познава детайлно динамиката на съответната
система[7]. Примери за такива методи са количествените (невронни
мрежи, статистически класификатори) и качествените (експертни
системи, размита логика, разпознаване на модела, анализ на
тенденциите)[14].

• Базираните на модел методи, от друга страна, изискват
допълнително моделиране и калиброване, тъй като въз основа на
априорните знания за системата трябва да се разработи модел с
физическо значение. И въпреки това има повече примери за
количествени (базирани на наблюдение/филтър на Калман за
оценка на състоянието и параметрите, съответствия) и качествени
методи (дървовидна схема на неизправностите и други
причинно-следствени модели) [14].

През последните години бяха предложени и методологии за
диагностика на неизправности с възможности за самообучение,
при които се комбинират базираната на модел аналитична
редундантност и инструментите на изчислителния интелект,
каквито са невронните мрежи, за да се откриват неизправности и
да се изучава динамиката на непознати неизправности[4, 9].
Чрез изучаването на динамиката на неизвестната дотогава
неизправност, определянето на типа й и идентифицирането на
нейния магнитуд е възможно да се промени входящият контрол и
да се овладее неизправността, докато системата работи[11].

В зависимост от системата, която се нуждае от откриване на
неизправност, както и от предпочитания метод за откриване
на неизправности, могат да се разработят различни схеми,
съставени от по-малки компоненти.
На практика е много рядко, ако не и невъзможно да се
открие и наеме експерт с такава широта на познанията,
каквато се изисква от схемата за откриване на неизправности
в определена система.

Откриването на неизправности се определя като проблем как да се определи дали системата
работи при нормални или ненормални условия (например поради възникнала повреда в
системата, в актуатор или сензор).
Обикновено алгоритъмът за откриване на неизправности е специално разработен за определена
система, като са вземи предвид променливите, които могат да бъдат измерени, знанията за
нейната динамика и друга достъпна информация. Резултатът от алгоритъма за откриване на
неизправности за определено време k се представя така:
където f (.) е съставната функция за откриване на неизправности, y(k) и u(k) са векторът на
измерените данни и съответно векторът на подаденото към системата, а ζ е наборът от параметри,
свързани със системата и изисквани от приложения метод за откриване на неизправности. Като
цяло сигналът за откриване d(k) може да бъде вектор, съответстващ на набор от различни типове
неизправности.

В зависимост от спецификациите, сигналът за откриване d(k)
може да бъде:
• бинарен, например във вид на {0,1} или {True, False}, като по
този начин информира дали има или няма открита
неизправност
• реално число, което представя вероятността или риска от
съществуването на неизправност
• по-общ клас от стойности, например тип на повредата, цветна
схема на риска, лингвистична променлива, размита стойност и
т.н.

Безмоделните методи за откриване на неизправности обработват
сигналите от измерванията, както и други сигнали, известни като
изчислени, които могат да се изискват, за да се генерират определени
характеристики (например работен статус). Тези характеристики се
прекарват през компонента “логика на откриване” и се сравняват със
стойността им при изправно работно състояние.
Типични примери са проверката на границите, откриването на промени
(например CUSUM) [2] и други статистически методи. Освен това се
използват и методологии за самообучение в безмоделния контекст на
откриване на неизправности[1].

От друга страна, “базираните на модел” методи за откриване на неизправности
обработват сигналите от измерванията, като използват и модел на системата, за да
генерират определени характеристики (например оценка на състоянието). Също като при
безмоделните методи, тези характеристики после се прекарват през модула “логика на
откриване” и се сравняват със стойността им при изправно работно състояние.
Типични примери са схемите за откриване на неизправности с аналитична
редундантност, използването на инструменти за оценка на състоянието чрез съпоставка,
филтрирането, изучаването на неустойчивостта на параметрите и адаптивната
приблизителност [5, 8, 9, 10–12].
В общия случай алгоритъмът за откриване на неизправности f(.) може да се разглежда
като съставен от подкомпоненти, някои от които са базови (задължителни) за всички
видове откриване на неизправности, докато други се изискват единствено в определени
случаи. Всички тези компоненти са разгледани тук.

Базови компоненти
Първият базов компонент на схемата за откриване на
неизправности е “логиката на откриване”, представена във
функцията:
където d(k) е сигналът за откриване, fd(.) е приложената логика за
откриване, r(k) е сигналът на характеристиката, който е изчислен
от отделна функция, за да бъде сравнен с определен прагов сигнал
t(k), а ζd e наборът от други параметри, изисквани от възприетия
метод.

Вторият базов компонент в схемата за откриване на
неизправности е “характеристиката”, зададена от функцията:
където r(k) предварително определеният сигнал на
характеристиката, fr(k) е прилагането на метод за получаване на
сигнала, y(k) и u(k) са измерените данни за системата и
съответно очакваното й състояние, ако е приложимо , x̂(k) е
оценката за състоянието на системата (незадължително), а ζr е
наборът от параметри, изискван от възприетия метод.

Например в безмоделната схема за откриване на неизправности функцията за
логика на откриване fd(k) може да е проверка на граничните стойности, т.е.
сравнение между отчетеното състояние
при определена горна и/или долна граница t(k), така че r(k) ≤ t(k).
Друг пример е CUSUM-тестът за откриване на промени, където кумулативната
сума от разликите между отчетените стойности на предварително зададен
параметър (т.е. средностатистическата стойност на сигнала за състояние) се
сравняват с определен праг.
При базираната на модел схема за откриване на неизправности логическата
функция fd(k) може да сравнява грешката при оценка на състоянието със зададен
или изчислен прагов сигнал.

Третият базов компонент от схемата за откриване на неизправности е “прагът”, чиято
задача е да генерира прагов сигнал, с който да се сравняват стойностите от логиката на
откриване и който се представя със следната функция:
където t(k) е праговият сигнал, определен в (5.7), ft(k) е използването на метод за
определяне на прага, g(.) е функцията, която представя новата (допълнителна) динамика
на системата, y(k) и u(k) са измерените стойности и съответно данните за контрола,
подаден към системата (незадължително), а ζt е наборът от параметри, изисквани от
избраната функция.
Например праговите параметри могат да се отнасят до границите на параметрите или до
части от динамиката на системата, извлечени от експертното знание за това как работи
системата или от онлайн обработката на натрупаните данни и т.н.; може да е резултатът
от стохастичен процес от логиката на откриване или да бъде изчислен въз основа на
знанията за модела на системата с параметър неопределеност или функция
неопределеност. При всички случаи прагът може да е константа или променящ се във
времето адаптивен сигнал.

И така, схемата за откриване на неизправности като минимум се
състои от описаните по-горе функции и има следния вид:
Тоест компонентът за логика на откриване сравнява отчетените или
изчислени стойности на параметрите на системата с
предварително избран или изчислен прагов сигнал.

Допълнителни компоненти
В допълнение към трите базови компонента, описани в предишния раздел, от някои
базирани на модел схеми за откриване на неизправности може да се изискват и други
компоненти.
Например в някои случаи се изисква сигнал за оценка на състоянието на системата x̂(k), за
целта се въвежда компонент “оценка на състоянието”, който има следния вид:
където x̂(k+1) е сигналът за оценка на състоянието на системата на следващ етап, fe(.) е
приетото приложение на оценката на състоянието, y(k) и u(k) са измерените стойности и
съответно данните за контрола, подаден към системата, ζe е наборът от параметри,
изисквани от съответното използване, а g(.) е функцията, която представя новата
допълнителна част от динамиката на системата.

Допълнителни компоненти
Например компонентът за оценка на състоянието може да съответства на “филтъра на
Калман”, който дава оценки въз основа на предварителни знания за състоянията, вектора
на измерването и неопределеността на системата; може да бъде също така и it can also
be a “наблюдателят на Луенбергер”, който дава оценки на състоянието въз основа на
известен модел на динамиката на системата и отчетените данни.
Оценката на състоянието може да се приложи и като черна кутия при симулация на
системата, например с помощта на софтуера EPANET за симулиране на системи за
разпределение на вода (http://www.epa.gov/water-research/epanet) или CONTAM
(http://www.nist.gov/el/building_environment/contam_software.cfm) за симулиране на
разпространението на замърсители в сградите.

Освен това ако разполагаме с модел на система с неизвестна динамика g(k), може да използваме
“компонент за самообучение”, за да проучим непознатата функция с помощта на подходяща
структура за предположение (например невронна мрежа, полиноминална функция, радиални
функции, уейвлети, размита система и др.), така че
Този модул изпълнява задачата да изучи непозната част от общата функция за динамика на
състоянието и най-общо може да се опише чрез
където ĝ(k) e пресметнатата стойност на непознатата функция, fθ(.) е възприетото онлайн
самообучение, , y(k) и u(k) са измерените стойности и съответно данните за контрола, подаден
към системата, ζθ е наборът от параметри, изисквани от съответното приложение на функцията
(например степен на конвергенция, знания за структурата на функцията и др.). Резултатите,
получени от този компонент, могат да се използват като входни данни за компонентите, чрез
които се ъпдейтва системният модел, на който са базирани (например някои компоненти за
оценка на състоянието и прагови модели).

Блок-схема за общата
архитектура за откриване на
неизправности, на която е
представена системата, за
която се предлага откриване на
неизправности и диагностика,
а така също и пълната схема за
откриване на неизправности,
като са използвани описаните
по-горе компоненти.

Автоматичен контрол на обратната връзка
Като цяло системата за контрол на обратната връзка решава какво
действие да предприеме спрямо определена инсталация през входните
й портове.
Приложена към отрязък от време, където K е поредица от дискретни
времеви отрязъци от непрекъснатия сигнал през определен интервал, а
k e индексът на тази последователност, входът на инсталацията v(k) е
векторът от сигнали, подадени от актуаторите за време
Използването на система за контрол на обратната връзка може да се
разглежда като съставена от подкомпоненти, някои от които са базови
(задължителни) за всички приложения на системата, докато други се
изискват само в определени случаи. Ще разгледаме тези компоненти по-
нататък.

Динамика на инсталацията
Преди всичко всяка система винаги се използва за обслужване на определена
инсталация. Динамиката на инсталацията, ако приемем формулировката за
дискретно време, най-общо се описва от:
където x(k) ϵ Rnx е векторът на променливите на състоянието в измерение nx,
който описва инсталацията, fp(.) е функцията, представяща динамиката на
инсталацията, x(k+1) е стойността на състоянието в следващия времеви
отрязък, v(k) ϵ Rnv е входният сигнал на измерението nv, подаден от
контролираните актуатори, w(k) ϵ Rnw е входният сигнал на измерението nw,
генериран от неконтролираните източници, ϕ(k) е сигналът, който моделира
неизправностите, представени в динамиката на инсталацията, h(k) е входният
сигнал, генериран от трети независими системи, а ζp(k) е векторът на другите
параметри, свързани с динамиката на инсталацията.

Актуатор
Следователно първият компонент от системата за контрол на
обратната връзка е “актуаторът”, представен чрез:
където v(k) е дефинираният по-рано входен сигнал на
инсталацията, fa(.) е изпълнението на функция, която създава
сигнала, докато действа в инсталацията, u(k) е изчисленият
сигнал, който стартира действието, а ζa(k) е векторът на другите
параметри, изисквани от изпълняваното действие.

Контролер
Вторият компонент в системата за контрол на обратната връзка е
“контролерът”, представен чрез:
където u(k) е дефинираният по-рано сигнал за решение, fc(.) е контролният
алгоритъм, който извлича сигнала, y(k) е сигналът, представящ данните от
инсталацията като подадени към контролера, r(k) е референтната траектория
на на състоянието на инсталацията, x̂(k) е оценката за състоянието на
инсталацията (незадължително), f̂p(k) е пресметнатата стойност на непознатата
динамика на системата (незадължително), а ζc е векторът на параметрите,
изисквани от избраното изпълнение на контролера.

В практиката има контролери с различна сложност от най-простите за
включване и изключване през PID (триусловните) контролери до адаптивните
алгоритми за контрол и т.н.
Например контролната функция fc(.) може да е контролер за
включване/изключване, който сравнява отчетеното състояние y(k) с желаното
състояние r(k) и връща вектор от двоични сигнали, които показват дали
отчетените стойности са по-големи от желаните или не.
Друг пример е използването на размит контрол, където контролното решение
представлява изясняване на лингвистична стойност, например “бързо” е
резултатът от изпълнението на поредица от размити правила върху размитите
данни, получени от системата[15].

Сензор
Третият компонент от системата за автоматичен контрол на обратната връзка е
“сензорът”, който изпълнява задачата да измерва състоянието на системата и се
представя чрез:
където y(k) е сигналът генериран от инсталираните сензорни устройства, fs(.) е
моделът на сензорното устройство, x(k) е векторът на състоянието на
инсталацията, v(k), w(k), ϕ(k) и h(k) са различните типове входни вектори на
инсталацията, които дефинирахме по-рано, а ζs е векторът на параметрите,
изисквани от изпълнението на работата на сензорите.
Например сензорните параметри може да съответстват на точността на
измерването, зададени от производителя или от местоположението на
устройството, извлечени от експертните знания за работата на системата и т.н.

Най-общо казано, системата за контрол на обратната връзка
е съставена минимум от посочените по-горе компоненти,
като образува съставна функция:
Тоест подаваното към системата е функция от контролното
решение, което на свой ред е функция от отчетеното
състояние на системата.

Оценител на състоянието
Някои от системите за контрол на обратната връзка може да изискват и допълнителни компоненти
освен описаните по-горе. Например сигналът за оценка на състоянието на системата x(k) може да
се изчислява от отделен компонент. В такъв случай компонентът се нарича “оценка на
състоянието” и се представя чрез:
където x̂(k) е сигналът за оценка на състоянието на системата през определени дискретни
интервали от време, fe(.) е функцията за оценка на състоянието, y(k) и u(k) са векторите на
изходния сигнал от системата и съответно на контролния сигнал, ζе е векторът на другите
параметри, изисквани от използването на оценителя на състоянието, x̂(k-1) е векторът на
оценените предишни стойности на състоянието на инсталацията, а f̂p(k) е оценената стойност на
неизвестната динамика на системата (ако се изисква).
Например модулът за оценка на състоянието може да съответства на “филтъра на Калман”, който
създава оценки въз основа на някакво предишно знание за състоянието на системата, вектор на
измерването и определени параметри на измерването и неопределеността на системата; може да
бъде и “наблюдателят на Луенбергер”, който въз основа на известен модел на динамиката на
системата и отчетените стойности създава оценки за състоянието на инсталацията.

Самообучаващ се компонент – апроксиматор
Освен това ако имаме модел на инсталация с неизвестна динамика fp(.) (или
част от fp(.) ), може да се използва “самообучаващ се компонент”, който да
изучи непознатата функция с помощта на съответната структура за преценка
(например невронна мрежа, полиноминална функция, радиални функции,
уейвлети и др.), така че fp(.) да се доближи до fp(.).
Този компонент може да се опише най-общо чрез:
където fp(k) е приблизителната стойност на неизвестната функция, fθ(.) е
използваното онлайн изпълнение за самообучение, а ζθ са всички останали
компоненти, които се изискват от приетото изпълнение (например степен на
конвергентност, знания за структурата на функцията) [15].

Функции за обработка преди и след контрола
В някои случаи има нужда отчетените данни за инсталацията да бъдат обработени от
отделен компонент преди да се подадат към контролера. Например ако състоянието на
инсталацията се измерва от повече от един сензор, може да искаме да смесим
отчетените данни и да използваме в контролера изчислен сигнал; алтернативно това
може да съответства на валидиране/реконструкция на данните.
Аналогично, може да има нужда резултатите от работата на контролера да се обработят
преди да се подадат към актуаторите. Да си представим ситуация, при която един
контролен сигнал трябва да се подаде до два актуатора. Това може да се изпълни от
функцията “след контрол”.

Функции за обработка преди и след контрола
Тези функции са:
където y’(k) е обработваният подаван сигнал от системата, u’(k) е
обработваното контролно решение, fy(.) е приетото изпълнение на
обработването на подаваните данни, fu(.) е приетото изпълнение на
контролния сигнал, y(k) е векторът на реално подаваните от сензора
данни, u(k) е реалният контролен сигнал, ζy са всички други параметри,
изисквани от приетото изпълнение на обработката (например знание за
близостта на устройствата до мястото на отчитане), а ζu са всички
останали параметри, изисквани от приетото изпълнение на функцията
“след контрол” (например знания за типа на актуаторните устройства).

Практическо приложение
на диагностиката и контрола в сградите
BMS се използват на първо място за мониторинг и контрол на
различни функции в сградите и по такъв начин са от полза при
мониторинга и контрола на потреблението на енергия и
емисиите на газове, като спомагат за постигане на националните,
европейските и международните цели.
Според официалната статистика 20-30% от всичката консумирана
в бизнес сградите енергия за отопление, вентилация и
климатизация (ОВК), осветление и затопляне на водата се губи
поради неизправности и неефективност[1,2].
[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/

Смята се, че средните загуби поради неизправности са в
диапазона между 125-190 евро на година при жилищните
сгради, което се преизчислява като загуби от 1.40-2.10 евро
на кв.м. Колкото до нежилищните сгради, средногодишните
загуби достигат до 1,550-2,325 евро годишно, или
преизчислено на квадратен метър 4.05-6.10 евро. Тоест
загубите поради неизправности са значително по-високи при
нежилищните сгради.
[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/

В отговор на високите разходи поради загуби през
последните пет години в сградите все по-широко се
използват технологиите за откриване на неизправности и
диагностика (FDD).
Тази тенденция има пряка връзка с развитието на IoT и
навлизането на отворени стандарти и протоколи, които
позволяват локална или отдалечена обработка на данните.

Сградните оператори напоследък проявяват интерес към това да
откриват пропуснати възможности за намаляване на разходите,
за икономия на енергия, намаляване на повредите при машините
и спирането на работата им и т.н.
Конкуренцията става все по-сериозна, затова на фирмите, които
предлагат решения за FDD, им се налага да демонстрират с какво
са различни от конкурентите си, какви възможности предлагат за
интегриране със съществуващите системи, дали услугите им
работят на място или в облака, дали предлагат смислен комфорт
и измерване на свързаните с разходи показатели и т.н.

Автоматизираното откриване на неизправности и диагностика се изправя пред следните
предизвикателства:
• Да следи алармите и данните от автоматизацията в различни сгради, като открива модели и
потенциални аномалии в работата й. Добавената стойност идва от откриването на иначе
“скритите” бавно действащи процеси, които водят до сериозни повреди или грешно
конфигуриране. Пример за скрит проблем е например едновременното отопление и
охлаждане в устройствата за преработка на въздуха, контролът на вентилацията под
оптималното ниво, необичайните утечки на ток при вентилаторите, незабелязаните течове на
вода, бавно нарастващото замърсяване на въздуха и др. Тези неща трудно се откриват ръчно в
големите сгради.
• Да анализира едновременно данни от разнородни източници, като открива моделите на
взаимозависимост и вследствие на това може да “свърже точките” и да разбере какво и защо
работи не както се очаква.
• Да генерира от суровите данни полезни знания, като дава обяснение на корена на проблема,
предлага решение и препоръчва приоритети предвид критериите за качество на услугата,
формулирани от сградния оператор.

Например мениджърът на съоръженията в една болница може да държи на първо място на
комфорта и едва след това на икономиите на енергия.
Следователно инструментите за откриване на неизправности и диагностика (FDD) трябва да могат
да взаимодействат с оператора и обитателите на сградата и да извлекат знания за
конфигурацията, за да постигнат максимална възвръщаемост на инвестицията (ROI).
Инструментите за FDD:
• Откриват на приоритетни възможности за подобряване на енергийната ефективност и оправят
проблемите при контрола и механичната поддръжка преди те да станат сериозни и да доведат
до катастрофални повреди
• Подпомагат отстраняването на неизправности, като откриват чрез анализ корена на проблема
и дават напътствия за решаването му
• Целят въвеждане подобрения по отношение на персонала и ресурсите, които имат реален
ефект, защото се основават на гъвкави и релевантни приоритети

Диагностиката е много повече от “правила”.
Правилата обикновено задават предварително определени
и консервативни прагове, въз основа на които се
предприемат определени действия за смекчаване.
От друга страна, добрите инструменти за FDD могат да
изучат динамиката на работа дадена система в сградата, да
я съчетаят с поведението на обитателите и да определят
свои собствени правила.
Този тип правила обикновено не са така консервативни, тъй
като се основават на анализ на реални данни и няма нужда
от предварително определяне на някакви прагове.

Приложения на инструментите за FDD в сградите:
• Откриват лампи, които не са изгасени и/или работят не както се очаква/излишно.
Диагностицират проблема, като дават информация какво точно не е наред, къде и как
са определили това.
• Като използват данните за състоянието (температура, влажност или замърсители на
въздуха и др.) в определени зони в сградата и съчетават тази информация със
знанията за топологията и параметрите на сградата, изчисляват стойностите на
състоянието чрез аналитични методи.
• Откриват и диагностицират замърсяване на въздуха, като съчетават информацията от
физическите и виртуалните сензори (предположителни стойности), като използват
физическата и/или аналитичната редундантност, за да определят динамични прагове
за всяка стая и за всеки тип използване; включват аларми, ако нещо не е наред.
Методите за анализ на данните освен това дават представа какъв точно е проблемът и
къде точно се е случил.

Приложения на инструментите за FDD в сградите:
• Откриват и диагностицират проблеми с температурата, вентилацията и
климатизацията и впоследствие вземат решения относно работата на ОВК
системата. Например ако на дадено място в сградата се отчете температура,
която е извън очакваните граници, вместо да включи ОВК, това ще породи
съмнения и ще доведе до преконфигуриране на ОВК.
• Откриват и диагностицират (потенциално скрити) течове на вода. Това също
може да се направи, като се вземе предвид динамичният модел на
системата за водоподаване в сградата с всички негови характеристики и
чрез аналитични методи се изучи нормалната работа на системата и се
зададат нормални прагове, така че при нужда да се включи аларма.

Платформата Domognostics
www.domognostics.com
Демо версия: gmilis / higeorge

Платформата Domognostics

Отворена дискусия за приложенията на
диагностиката и контрола
Като използвате изученото дотук, проведете интерактивна
дискусия с инструктора и/или колегите си от курса, като
предложите възможни приложения на диагностиката и
контрола в умните сгради.

Източници
https://cdn2.hubspot.net/hubfs/612214/Case%20Studies%20an
d%20WPs/Defining_the_Growing_Market_for_AFDD_Whitepape
r.pdf

Библиография
[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.

Библиография
[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.

Отказ от отговорност
За още информация относно проекта VET4SBO посетете сайта на проекта https://smart-building-operator.eu
или нашата страница https://www.facebook.com/Vet4sbo.
Свалете мобилното ни приложение https://play.google.com/store/apps/details?id=com.vet4sbo.mobile.
Този проект (2018-1-RS01-KA202-000411) е финансиран с подкрепата на Европейската комисия (Програма
Еразъм+). Публикацията изразява единствено вижданията на автора и Комисията не носи отговорност за
начина, по който може да бъде употребена информацията, съдържаща се в нея.

VET4SBO Level 3 module 2 - unit 1 - v0.9 bg

Recommended

Recommended

More Related Content

More from Karel Van Isacker

More from Karel Van Isacker (20)

VET4SBO Level 3 module 2 - unit 1 - v0.9 bg