Heb je de video bekeken en wil je de uitleg nog eens rustig nalezen? Hieronder vind je het volledige script van de video. Handig om alles nog eens op je gemak door te nemen.

Automatische foutdetectie en -diagnose – theorie

Welkom bij deze learning over automatische foutdetectie en -diagnose, oftewel AFDD. Mijn naam is Rick Kramer, universitair docent Building Services aan de Technische Universiteit Eindhoven. Vandaag bespreken we hoe AFDD kan bijdragen aan slimmer gebouwbeheer en onderhoud, met voordelen zoals lagere energiekosten, lagere onderhoudskosten en een verbeterd welbevinden van gebouwgebruikers.

We verkennen dit onderwerp aan de hand van drie vragen: Waarom is AFDD belangrijk? Hoe werkt het? En wat levert het op?

Aanleiding

Gebouwinstallaties worden steeds complexer en daardoor ook gevoeliger voor fouten. Door deze hoge mate van complexiteit is het lastig om storingen van allerlei aard tijdig en nauwkeurig te identificeren.

Dit leidt in veel gebouwen tot energieverspilling: Hoe meer fouten ontstaan en hoe langer deze fouten onopgelost blijven, hoe meer energieverspilling optreedt in systemen voor verwarming, ventilatie en airconditioning.

Daarnaast uiten gebruikers vaak comfortklachten: Temperatuur, luchtvochtigheid en luchtkwaliteit hebben een directe invloed op het welzijn van gebouwgebruikers. Slecht functionerende systemen leiden tot klachten, zoals koude voeten en handen of juist een te warm hoofd. Deze klachten kunnen leiden tot verminderde motorieke en cognitieve prestaties.

Ten slotte leidt reactief onderhoud tot hoge onderhoudskosten: Er wordt pas ingegrepen wanneer iets defect is waardoor veel tijd verloren gaat met het opsporen van fouten. Dit leidt vaak tot onnodige kosten.

Automatische foutdetectie en -diagnose biedt een oplossing door deze uitdagingen aan te pakken met behulp van data en technologie om storingen te detecteren en te diagnosticeren. Dit maakt tevens de stap van reactief naar proactief onderhoud mogelijk.

In het onderzoeksprogramma Brains4Buildings wordt gewerkt aan slimme diagnosesystemen om de effecten van fouten in gebouwen te verminderen. Dit wordt gedaan met een geautomatiseerde continue identificatie van storingen in de operationele fase van het gebouw. Tevens kan deze identificatie worden gebruikt voor de planning van prestatiegericht onderhoud.

Wanneer is iets een fout?

Voordat we het gaan hebben over automatische foutdetectie en -diagnose moeten we kort stil staan bij de achtergrond van foutdetectie en -diagnose. Wat beschouwen we eigenlijk als een fout? Een fout kan een fysieke afwijking zijn, zoals een defect onderdeel, of ongewenst gedrag, zoals een installatie die niet goed reageert of regelt. Fouten worden vaak zichtbaar door afwijkingen in kwantificeerbare uitkomsten, bijvoorbeeld een hoger energiegebruik.

Niet alle fouten zijn even belangrijk. Om fouten te prioriteren gebruiken we de volgende relatie: impact is gelijk aan het effect op energiegebruik vermenigvuldigd met hoe váák de fout voorkomt.

Wat is foutdetectie en diagnose? Bij foutdetectie wordt er gecontroleerd of er symptomen zijn ontstaan door fouten. Symptomen kunnen bijvoorbeeld een te lage inblaastemperatuur of een te hoge ruimtetemperatuur zijn. Bij foutdiagnose wordt de onderliggende fout achterhaald, bijvoorbeeld een vastzittende koelklep.

Er zijn twee benaderingen: op kennis gebaseerde methoden, die gebruik maken van bestaande kennis en inzichten, en data-gedreven methoden, die patronen distilleren uit data.

Van data naar inzichten

De foutdetectie en diagnose begint met het verzamelen van ruwe data uit gebouwbeheersystemen. Deze gegevens worden voorbewerkt en gebruikt voor foutdetectie. Foutdetectie is het proces waarbij wordt gecontroleerd of er afwijkingen, ofwel symptomen, optreden. Om afwijkende patronen te herkennen wordt er gebruik gemaakt van verschillende soorten modellen: black box, grey box en white box.

• Een black box model werkt uitsluitend met gegevens, op basis van input-outputrelaties, zonder enige kennis van het systeem.
• Een white box model is volledig gebaseerd op fysische principes en kennis van het systeem.
• Een grey box model combineert bekende fysische of theoretische kennis van een systeem met data-gedreven technieken. Dit is een hybride aanpak.

Vervolgens identificeert foutdiagnose de oorzaak van deze symptomen en kwantificeert de impact op de prestaties. Tot slot kunnen de inzichten worden gevisualiseerd. Die inzichten worden opgevolgd door herstellende acties.

Proces van foutdetectie en diagnose

Hier zie je twee manieren van symptoomdetectie. De onderste manier is op regels en kennis gebaseerd waarbij een waarde vergeleken wordt met een referentiewaarde. Deze manier is beperkt effectief, zeker in dynamische situaties. In de bovenste grafiek is een datagedreven manier te zien. De verzamelde data wordt geanalyseerd met machine learning om symptomen van fouten te detecteren aan de hand van afwijkende patronen, zoals bijvoorbeeld een onverwachte daling in druk of temperatuur. Deze symptomen vormen de basis voor verdere analyse.

Aan de rechterkant zie je een weergave van de foutdiagnose. Met een Bayesiaans netwerk is er een gestructureerde manier om oorzaken te identificeren. Deze netwerken leggen namelijk relaties tussen verschillende fouten en symptomen om de waarschijnlijke oorzaak van een storing vast te stellen. Deze relaties worden bepaald op basis van kennis van de systemen.

Bayesiaanse netwerken

Omdat Bayesiaanse netwerken een heel belangrijk onderdeel zijn van foutdiagnose gaan we hier nog wat dieper op in aan de hand van een vergelijking met een medische diagnose. We zien hier 4 mogelijke symptomen en 3 mogelijke diagnoses.

Wanneer een patiënt de symptomen koorts, hoesten, vermoeidheid en smaakverlies ervaart, is de kans het grootst volgens de arts, dat COVID de oorzaak is. Op dezelfde probabilistische manier worden storingen in gebouwen gediagnosticeerd met behulp van Bayesiaanse netwerken.

Praktisch voorbeeld – Luchtbehandelingskasten (LBK)

Laten we dit toepassen op een luchtbehandelingskast. In een luchtbehandelingskast kunnen verschillende symptomen wijzen op specifieke problemen.

Stel, de drukval over een filter is nul, de capaciteit van de luchtbehandelingskast is te laag, net als het warmteterugwinningsrendement. AFDD koppelt deze informatie automatisch met behulp van het netwerk en geeft een diagnose. In dit geval kunnen we diagnosticeren dat een gescheurd filter én een vastzittende koelklep het probleem is. AFDD automatiseert dit proces, waardoor storingen sneller en nauwkeuriger worden opgelost.

Voordelen van FDD

Er zijn veel voordelen verbonden aan AFDD. Door problemen vroegtijdig te signaleren, vermindert AFDD de behoefte aan reactief onderhoud. Proactieve maatregelen zijn doorgaans goedkoper en voorkomen grotere schade aan systemen doordat middelen effectiever en beter gepland ingezet kunnen worden. Dit vertaalt zich in lagere onderhoudskosten.

AFDD helpt energieverspilling te minimaliseren door problemen snel te detecteren en te verhelpen. Bijvoorbeeld: het tijdig oplossen van een vasthangende koelklep kan de efficiëntie van een luchtbehandelingskast herstellen, waardoor energieverlies wordt beperkt.

Een goed functionerend systeem zorgt voor een gezond en comfortabel binnenklimaat. Gebouwgebruikers ervaren minder klachten, wat leidt tot een hogere tevredenheid en productiviteit.

Vooruitzicht

De toekomst van gebouwbeheer ligt in technologie zoals AFDD. Met innovaties in machine learning en sensortechnologie kunnen we storingen sneller detecteren en herstellen. Dit maakt gebouwen niet alleen slimmer, maar ook duurzamer en comfortabeler voor hun gebruikers. Daarnaast wordt binnen Brains4Buildings gewerkt aan de integratie van meetdata, zoals temperatuur en fijnstof, met daadwerkelijke gebruikersfeedback, om niet alleen de technische gebouwprestaties te verbeteren, maar ook bij te dragen aan het welbevinden en prestaties van de gebruikers.

Samenvattend maakt automatische foutdetectie en -diagnose gebouwen niet alleen efficiënter en duurzamer, maar ook effectiever door het verhogen van het welbevinden van gebruikers.