Amélioration de la détection des défauts CVC grâce à l'apprentissage des transformateurs et des transferts
Les systèmes de chauffage, de ventilation et de climatisation (CVC), un élément essentiel de la consommation énergétique des bâtiments, sont sujets à des pannes qui peuvent réduire leur efficacité. Les modèles traditionnels de détection et de diagnostic des pannes (FDD) basés sur les données souffrent souvent d'une généralisabilité limitée, ce qui rend difficile leur application sur divers systèmes.
Une étude publiée dans Stockage et économie d'énergie par des chercheurs de l'Université Xi'an Jiaotong introduit une nouvelle approche du FDD dans les systèmes CVC. Cette recherche exploite un modèle de transformateur modifié et un apprentissage par transfert basé sur un adaptateur pour améliorer la généralisabilité des modèles FDD dans divers systèmes CVC.
L'équipe a développé un modèle de transformateur amélioré avec un encodeur et deux décodeurs, permettant l'identification simultanée de plusieurs types et gravités de défauts. Cette innovation est complétée par une stratégie d'apprentissage par transfert basée sur un adaptateur, permettant au modèle de s'adapter efficacement à divers systèmes CVC, même avec des données limitées.
Deux scénarios d'apprentissage par transfert conçus démontrent l'efficacité du cadre d'apprentissage par transfert HVAC FDD proposé, par rapport à la méthode de réglage fin populaire.
En intégrant une technique d'apprentissage par transfert efficace, le modèle peut être transféré de manière transparente d'un ensemble de données complet à un autre avec moins de données disponibles. Cette approche améliore considérablement la polyvalence du modèle, facilitant son application à différents systèmes sans nécessiter un recyclage approfondi ou une collecte de données.
Dong Li, chercheur contribuant à l'étude, déclare : « En tirant parti de la puissance de l'apprentissage par transfert basé sur les transformateurs et les adaptateurs, cette étude nous rapproche non seulement de la réalisation d'économies d'énergie dans les bâtiments, mais améliore également la sécurité et la fiabilité des opérations CVC. «
Cette recherche représente une étape importante dans la maintenance des systèmes CVC, en introduisant une méthode de détection des défauts hautement adaptable qui garantit que les systèmes fonctionnent avec une efficacité maximale avec une consommation d'énergie réduite.
En tirant parti de techniques avancées d'apprentissage par transfert, il offre une solution évolutive qui peut être appliquée à divers systèmes CVC, promettant des avantages étendus en termes d'économies d'énergie et de fiabilité du système.
