A commissioning-oriented fault detection framework for building heating systems using SARIMAX models
Lade...
Autor:innen
Autor:in (Körperschaft)
Publikationsdatum
29.10.2024
Typ der Arbeit
Studiengang
Typ
04B - Beitrag Konferenzschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Proceedings of the 2024 Upper-Rhine Artificial Intelligence Symposium
Themenheft
DOI der Originalpublikation
Reihe / Serie
Reihennummer
Jahrgang / Band
Ausgabe / Nummer
Seiten / Dauer
Patentnummer
Verlag / Herausgebende Institution
Verlagsort / Veranstaltungsort
Offenburg
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
A scalable and rapidly deployable fault detection framework for building heating systems is presented. Unlike existing data-intensive machine learning approaches, a SARIMAX-based concept was implemented to address challenges with limited data availability after commissioning of the plant. The effectiveness of this framework is demonstrated on real-world data from multiple solar thermal systems, indicating potential for extensive field tests and applications for broader systems, including heat pumps and district heating.
Schlagwörter
Fachgebiet (DDC)
Veranstaltung
Upper-Rhine Artificial Intelligence Symposium 2024
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
13.11.2024
Enddatum der Konferenz
14.11.2024
Datum der letzten Prüfung
ISBN
ISSN
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Zero Emission
Publikationsstatus
Veröffentlicht
Begutachtung
Peer-Review der ganzen Publikation
Open Access-Status
Diamond
Lizenz
Zitation
Sawant, P., & Eismann, R. (2024). A commissioning-oriented fault detection framework for building heating systems using SARIMAX models. In Hochschule Offenburg (Ed.), Proceedings of the 2024 Upper-Rhine Artificial Intelligence Symposium. https://doi.org/10.26041/fhnw-10803