Characterizing Tradeoffs in Sensor Availability and Fault Detection Efficacy

Abstract

En este trabajo se estudia el balance entre la disponibilidad de sensores y la eficacia de la detección de fallos en sistemas de climatización (HVAC), con el fin de reducir costes. Para ello se usan datos experimentales y simulados de un edificio comercial en Iowa, Estados Unidos. En primer lugar, se realiza el preprocesamiento y visualización de datos. A continuación, se desarrolla un análisis de componentes principales en ambas bases de datos para observar la variabilidad de datos, siendo observable cómo con cinco sensores se puede observar el 95% de la variabilidad de la información. Por otro lado, se realiza un SHAP ranking, para obtener las mejores variables en detección de fallos del sistema. Mediante diferentes herramientas de machine learning supervisado se evalúan los distintos escenarios utilizando las métricas de accuracy, precision, recall y F1 Score. Se obtiene que con los mejores cuatro sensores en el SHAP ranking, se obtiene un acierto del 99% en detección de fallos. Por otro lado, se realiza un estudio sobre la optimización de costes, obteniéndose una reducción del 62.61% del coste de instalación empleándose este conjunto reducido de sensores frente al conjunto original de sensores. En resumen, el estudio demuestra que una selección óptima de sensores permite diseñar sistemas HVAC eficientes y más rentables.This project examines the trade-offs between sensor availability and fault detection effectiveness in Heating, Ventilation, and Air Conditioning systems, with the aim of reducing costs. Experimental and simulated data from a commercial building in Iowa, U.S., are used. First, the data is preprocessed and visualized. Then a Principal Component Analysis (PCA) is performed on both datasets to assess data variability, observing that five sensors can capture 95% of the total variance. Next, a SHAP ranking is used to identify the most influential variables for fault detection. Using various supervised machine learning models, different sensors subset scenarios are evaluated with accuracy, precision, recall and F1 Score. It is observed how the optimal subset of four sensors identified by SHAP achieves a 99% fault detection rate. Moreover, an economic analysis is also developed, showing that using this reduced set yields a 62.61% reduction in installation cost compared to the original sensor configuration. To sum up, the results demonstrate that an optimal sensor selection allows the design of HVAC systems that are both highly reliable and more cost-effective.