Towards generalisable fault detection in smart buildings: hybrid modelling, calibration, and transfer learning strategies

Abstract

(English) The building sector represents a significant portion of global energy consumption, accounting for over one-third of the total energy used worldwide. Within this sector, Heating, Ventilation, and Air Conditioning (HVAC) systems are the most substantial energy consumers, responsible for 40-60% of a building's energy demand. Consequently, enhancing the energy efficiency of HVAC systems is crucial for reducing global energy demand and mitigating associated environmental impacts. International initiatives, such as the revised Energy Performance of Buildings Directive (EPDB), underscore the importance of digitalisation and advanced monitoring techniques as key enablers for improving building energy performance. This thesis addresses the need for improved supervision and monitoring of building energy assets, concentrating specifically on the development and application of Fault Detection and Diagnosis (FDD) methodologies for HVAC systems. The main objective is to advance the state-of-the-art by systematically exploring a range of data-driven and model-based strategies. The research first evaluated the performance of an Adaptive Neuro-Fuzzy Inference System (ANFIS) when modelling energy consumption, confirming its utility for detecting deviations from predicted HVAC behaviour. Building on this, the research advanced to classification-based FDD, addressing the need for robustness against previously unseen fault types. A two-stage approach using One-Class Support Vector Machines (OC-SVM) for novelty detection and multi-class Support Vector Machine (SVM) for diagnosis, enhanced by dimensionality reduction techniques, demonstrated improved robustness and reliability compared to standard classification methods. The inherent challenge of data scarcity in practical FDD applications led to the exploration of transfer learning. Recognising the significant operational dissimilarities between different HVAC installations, a tailored semi-supervised transfer learning methodology was developed, introducing a novel dissimilarity filter based on source model confidence. This approach significantly outperformed standard transfer learning techniques when applied to dissimilar Air Handling Units (AHU) datasets and highlighted the necessity of addressing domain shift in HVAC applications. To further mitigate data scarcity, the focus turned to hybrid modelling, aiming to create accurate digital twins of HVAC systems useful for developing advanced FDD strategies. An automated calibration methodology using Bayesian optimisation was successfully applied to a complex, coupled AHU-building model in Modelica. This yielded a high-fidelity model from limited historical data, demonstrating a scalable approach to developing accurate digital representations without extensive system knowledge. Finally, this hybrid model framework was extended for synthetic fault data generation. This provides a valuable tool for generating comprehensive datasets needed to train and test advanced FDD algorithms, especially useful for new or replicated buildings. In summary, this thesis presents a comprehensive investigation into enhancing HVAC system efficiency through advanced monitoring and FDD. It validates the effectiveness of diverse strategies, ranging from foundational regression and classification techniques enhanced with novelty detection, to sophisticated solutions like tailored transfer learning and hybrid model-based synthetic data generation. The research highlights the critical importance of addressing data scarcity and domain dissimilarity, offering practical methodologies to overcome these prevalent challenges. The findings contribute significantly to the development of more robust, reliable, and widely applicable FDD systems, paving the way for substantial energy savings and improved sustainability in the building sector.

(Català) El sector de l'edificació representa una part significativa del consum energètic mundial, suposant més d'un terç de l'energia total utilitzada arreu del món. Dins d'aquest sector, els sistemes de Calefacció, Ventilació i Aire Condicionat (HVAC) són els majors consumidors d'energia, responsables del 40-60% de la demanda energètica d'un edifici. En conseqüència, millorar l'eficiència energètica d'aquests sistemes és crucial per reduir la demanda energètica global i mitigar els impactes ambientals associats. Iniciatives internacionals, com la Directiva relativa a l'eficiència energètica dels edificis (EPBD), subratllen la importància de la digitalització i el monitoratge com a elements clau per millorar el rendiment energètic dels edificis. Aquesta tesi aborda la necessitat de millorar la supervisió i el monitoratge dels actius energètics dels edificis, centrant-se específicament en el desenvolupament i l'aplicació de metodologies de Detecció i Diagnòstic de Fallades (FDD) per a sistemes HVAC. L'objectiu principal és avançar en l'estat de l'art explorant sistemàticament un ventall d'estratègies basades en dades i models. La recerca va començar avaluant el rendiment d'un Sistema d'Inferència Neuro-Difús Adaptatiu (ANFIS) en la modelització del consum energètic, confirmant la seva utilitat per detectar desviacions respecte al comportament predit dels sistemes HVAC. Partint d'això, la recerca va avançar cap a la FDD basada en classificació, abordant la necessitat de robustesa enfront de tipus de fallades no vistes prèviament. Un enfocament en dues etapes que utilitza One-Class Support Vector Machines (OC-SVM) per a la detecció de novetats i SVM multiclasse per al diagnòstic, millorat mitjançant tècniques de reducció de dimensionalitat, va demostrar una major robustesa i fiabilitat en comparació amb els mètodes de classificació estàndard. El desafiament inherent de l'escassetat de dades en aplicacions pràctiques de FDD va portar a l'exploració de l'aprenentatge per transferència. Reconeixent les significatives diferències operatives entre diferents instal·lacions de climatització, es va desenvolupar una metodologia d'aprenentatge per transferència semisupervisat, introduint un nou filtre de dissimilitud basat en la confiança del model base. Aquest enfocament va superar les tècniques estàndard d'aprenentatge per transferència en aplicar-se a conjunts de dades dissimilars i va destacar la necessitat d'abordar el domain shift en aplicacions HVAC. Per mitigar encara més l'escassetat de dades, la recerca es va centrar més tard en el modelatge híbrid, amb l'objectiu de crear bessons digitals de sistemes HVAC útils per desenvolupar estratègies FDD avançades. Es va aplicar amb èxit una metodologia de calibratge automàtic mitjançant optimització bayesiana a un model AHU-edifici en Modelica. Això va produir com a resultat un model d'alta fidelitat a partir de dades històriques limitades, demostrant un enfocament escalable per desenvolupar representacions digitals precises sense un coneixement exhaustiu del sistema. Finalment, aquest marc de modelatge híbrid es va estendre per a la generació de dades sintètiques de fallades, proporcionant una eina valuosa per generar els conjunts de dades complets necessaris per entrenar i provar algorismes FDD avançats, especialment útil per a edificis nous o replicats. En resum, aquesta tesi presenta una recerca exhaustiva sobre la millora de l'eficiència dels sistemes de climatització mitjançant monitoratge avançat i FDD. Valida l'efectivitat de diverses estratègies, des de tècniques fonamentals de regressió i classificació, fins a solucions sofisticades com l'aprenentatge per transferència i la generació de dades sintètiques amb models híbrids. La recerca subratlla la importància crítica d'abordar l'escassetat de dades i la dissimilitud de dominis, i les seves troballes contribueixen significativament al desenvolupament de sistemes FDD més robustos, fiables i d'aplicació més amplia.

(Español) El sector de la edificación representa una parte significativa del consumo energético mundial, sumando más de un tercio de la energía total utilizada en todo el mundo. Dentro de este sector, los sistemas de Calefacción, Ventilación y Aire Acondicionado (HVAC) son los mayores consumidores de energía, responsables del 40-60% de la demanda energética de un edificio. En consecuencia, mejorar su eficiencia energética es crucial para reducir la demanda energética global y mitigar los impactos ambientales asociados. Iniciativas internacionales, como la Directiva relativa a la eficiencia energética de los edificios (EPBD), subrayan la importancia de la digitalización y monitorización como elementos clave para mejorar el rendimiento energético de los edificios. Esta tesis aborda la necesidad de mejorar la supervisión y monitorización de los activos energéticos de edificios, centrándose específicamente en el desarrollo y aplicación de metodologías de Detección y Diagnóstico de Fallos (FDD) para sistemas HVAC. El objetivo principal es avanzar en el estado del arte explorando sistemáticamente un abanico de estrategias basadas en datos y modelos. La investigación dio comienzo evaluando el rendimiento de un Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS) en la modelización del consumo energético, confirmando su utilidad para detectar desviaciones respecto al comportamiento predicho de los sistemas HVAC. Partiendo de esto, la investigación avanzó hacia la FDD basada en clasificación, abordando la necesidad de robustez frente a tipos de fallos no vistos previamente. Un enfoque en dos etapas que utiliza One-Class Support Vector Machines (OC-SVM) para la detección de novedades y SVM multiclase para el diagnóstico, mejorado mediante técnicas de reducción de dimensionalidad, demostró una mayor robustez y fiabilidad en comparación con los métodos de clasificación estándar. El desafío inherente de la escasez de datos en aplicaciones prácticas de FDD llevó a la exploración del aprendizaje por transferencia. Reconociendo las significativas diferencias operativas entre distintas instalaciones de climatización, se desarrolló una metodología de aprendizaje por transferencia semisupervisado, introduciendo un novedoso filtro de disimilitud basado en la confianza del modelo usado como base. Este enfoque superó a las técnicas estándar de aprendizaje por transferencia al aplicarse a conjuntos de datos disimilares y destacó la necesidad de abordar el domain shift en aplicaciones HVAC. Para mitigar aún más la escasez de datos, la investigación se centró más tarde en la modelización híbrida, con el objetivo de crear gemelos digitales de sistemas HVAC útiles para desarrollar estrategias FDD avanzadas. Se aplicó con éxito una metodología de calibración automática mediante optimización bayesiana a un modelo AHU-edificio en Modelica. Esto produjo como resultado un modelo de alta fidelidad a partir de datos históricos limitados, demostrando un enfoque escalable para desarrollar representaciones digitales precisas sin un conocimiento exhaustivo del sistema. Finalmente, este marco de modelo híbrido se extendió para la generación de datos sintéticos de fallos, proporcionando una herramienta valiosa para generar los conjuntos de datos completos necesarios para entrenar y probar algoritmos FDD avanzados, especialmente útil para edificios nuevos o replicados. En resumen, esta tesis presenta una investigación exhaustiva sobre la mejora de la eficiencia de los sistemas de climatización mediante monitorización avanzada y FDD. Valida la efectividad de diversas estrategias, desde técnicas fundamentales de regresión y clasificación, hasta soluciones sofisticadas como el aprendizaje por transferencia y la generación de datos sintéticos con modelos híbridos. La investigación subraya la importancia crítica de abordar la escasez de datos y la disimilitud de dominios y sus hallazgos contribuyen significativamente al desarrollo de sistemas FDD más robustos.