No abstract

Faults in Heating, Ventilation and Air Conditioning (HVAC) systems affect the energy efficiency of buildings. To date, there rarely exist methods to detect and diagnose faults during the operation of buildings that are both cost-effective and sufficient accurate. This study presents a method that uses artificial intelligence to automate the detection of faults in HVAC systems. The automated fault detection is based on a residual analysis of the predicted total heating power and the actual total heating power using an algorithm that aims to find an optimal decision rule for the determination of faults. The data for this study was provided by a detailed simulation of a residential case study house. A machine learning model and an ARX model predict the building operation. The model for fault detection is trained on a fault-free data set and then tested with a faulty operation. The algorithm for an optimal decision rule uses various statistical tests of residual properties such as the Sign Test, the Turning Point Test, the Box-Pierce Test and the Bartels-Rank Test. The results show that it is possible to predict faults for both known faults and unknown faults. The challenge is to find the optimal algorithm to determine the best decision rules. In the outlook of this study, further methods are presented that aim to solve this challenge.

No abstract

Zusammenfassung Zielsetzung In den letzten Jahren konnte eine Steigerung der Anzahl privater Krankenhäuser und Betten festgestellt werden. Die Probleme der Investitionsfinanzierung deutscher Krankenhäuser in Kombination mit verstärkenden Faktoren wie der Einführung der DRGs, aber auch die Erwartung einer höheren Effizienz nach der Privatisierung einer Klinik können als Hauptgründe bei Privatisierungsentscheidungen genannt werden. Es soll untersucht werden, wie ehemalige öffentliche Krankenhausträger den Erfolg der Privatisierung einschätzen. Methodik Alle 99 identifizierten ehemaligen öffentlichen Träger, die ihr Krankenhaus in den Jahren 2003–2013 an einen privaten Eigentümer verkauft hatten, wurden hinsichtlich ihrer Einschätzung von Zielen sowie Befürchtungen vor und nach der Privatisierung anonym und schriftlich befragt. Ergebnisse und Schlussfolgerung Zusammenfassend lässt sich feststellen, dass bei einer ausreichenden Finanzierung der Krankenhäuser aus Krankenkassenbeiträgen (Betriebsmittel) und Ländermittel (Investitionskosten) der Privatisierungsdruck rapide sinken würde. Wenn jedoch privatisiert wurde, hatte dies aus Sicht der ehemaligen Träger weder einen negativen Einfluss auf die medizinische Versorgung in der Region, noch auf die Qualität der medizinischen Behandlung und auf den Umgang mit den Mitarbeitern. Die Einschätzungen der ehemaligen Träger weisen eine statistisch überprüfte Übereinstimmung auf. Die mit einer Privatisierung verbundenen Erwartungen und Ziele werden prinzipiell als erfüllt wahrgenommen.

Knowing about the presence and number of people in a room can be of interest for precise control of heating, ventilation and air conditioning. To determine the number and presence of occupants cost-effectively, it is of interest to use already existing air condition sensors (temperature, humidity, CO2) of the building automation system. Different approaches and methods for determining presence have attracted attention in recent years. We propose an occupancy detection method based on a method of supervised machine learning. In an experiment, measurement data were recorded in a research apartment with controllable boundary conditions. The presence of people was simulated by artificial injection of water vapour, CO2 and heat dissipation. The variation of the number of artificial users, the duration of presence and the supply air volume flow of the ventilation resulted in a total of 720 combinations. By using artificial users, the boundary conditions were accurately defined, and different presence situations could be measured time-effectively. The data is evaluated with a method of supervised machine learning called random forest. The statistical model can determine precisely the number of people in over 93% of the cases in a disjoint test sample. The experiments took part in the Rosenheim Technical University of Applied Sciences laboratory.