[论文解读] Whole-Building Fault Detection: A Scalable Approach Using Spectral Methods

Michael Georgescu, Sophie Loire+2 more|arXiv (Cornell University)|Mar 21, 2017

Probabilistic and Robust Engineering Design参考文献 12被引用 7

一句话总结

本文提出一种基于Koopman算子谱分析的可扩展整体建筑故障检测方法，通过将建筑管理系统（BMS）趋势数据分解为多时间尺度分量，实现对建筑运行状态的精细分析。借助Koopman算子的谱特性，该方法在不放弃现有规则框架的前提下，增强了基于规则诊断的时序与空间表征能力，提升了分类准确率，并实现了新的诊断功能。

ABSTRACT

In this paper, an extension to rules-based fault detection is demonstrated utilizing properties of the Koopman operator. The Koopman operator is an infinite-dimensional, linear operator that captures nonlinear, finite dimensional dynamics. The definition of the Koopman operator enables algorithms that can evaluate the magnitude and coincidence of time-series data. Using spectral properties of this operator, diagnostic rule signals generated from building management system (BMS) trend data can be decomposed into components that allow the capture of device behavior at varying time-scales and to a granular level. As it relates to the implementation of fault detection (FDD), this approach creates additional spatial and temporal characterizations of rule signals providing additional data structure and increasing effectiveness with which classification techniques can be applied to the analysis process. The approach permits a knowledge base to be applied in a similar manner to that of a rules-based approach, but the introduced extensions also facilitate the definition of new kinds of diagnostics and overall provide increased analysis potential.

研究动机与目标

• 通过Koopman算子引入动态系统分析，扩展建筑中传统基于规则的故障检测方法。
• 实现对BMS趋势数据的多时间尺度分解，以实现更精细的故障表征。
• 通过引入谱成分丰富诊断信号，提升故障分类性能。
• 在保持与现有基于规则系统兼容的同时，实现新的诊断能力。
• 提供一种基于无限维线性算子的可扩展、数据驱动的整体建筑故障检测框架。

提出的方法

• 将Koopman算子应用于建模非线性建筑动态为无限维线性系统。
• 对Koopman算子进行谱分解，提取代表不同时间尺度行为的主导模态。
• 将BMS数据中的诊断规则信号投影到Koopman特征函数空间，以揭示隐藏的时间模式。
• 该方法将规则信号分解为捕捉慢速、中速和快速动态的分量，提升诊断的粒度。
• 通过基于特征函数的表示，增强故障信号的时序与空间特性，提升分类算法的输入质量。
• 该方法在保持与现有基于规则系统后向兼容的同时，增加了谱分析以获得更深层次洞察。

实验结果

研究问题

• RQ1 Koopman算子能否用于从BMS趋势数据中提取多时间尺度动态，以提升故障检测性能？
• RQ2 规则信号的谱分解在多大程度上提升了基于分类的故障检测性能？
• RQ3 基于Koopman的分析在多大程度上能保持与现有基于规则的故障检测框架的兼容性？
• RQ4 在Koopman特征函数空间中分析故障信号会催生哪些新的诊断能力？
• RQ5 所提出的方法在大规模整体建筑监控应用中的可扩展性如何？

主要发现

• Koopman谱方法成功地将BMS规则信号分解为不同的时间尺度，实现了更细致的故障表征。
• 该方法增强了诊断信号的结构，从而在后续分类任务中表现出更优的性能。
• 通过特征函数分解，有效捕捉了不同时间尺度的故障模式，如日周期、周周期及非周期性波动。
• 该框架在保持与现有基于规则系统兼容的同时，引入了新的分析能力。
• 通过在非线性动态上应用线性谱方法，该方法在整体建筑应用中展现出良好的可扩展性。
• 将Koopman分析与传统规则相结合，形成一种混合诊断框架，显著提升了鲁棒性与可解释性。