А. Дахе1, В.В. Стучилин2
1, 2 Национальный исследовательский технологический университет «МИСИС» (Москва, Россия)

1 m2112269@edu.misis.ru, 2 stuchilin.vv@misis.ru

Постановка проблемы. В последние годы машинное обучение стало перспективным инструментом для выявления и предсказания неисправностей в жилых зданиях. Однако одним из ключевых препятствий для дальнейшего развития этих технологий является нехватка качественных наборов данных, подходящих для обучения и тестирования моделей машинного обучения по задачам диагностики неисправностей.

Цель. Создать синтетический набор данных для моделей машинного обучения, который будет использоваться в качестве эталона для обнаружения и предсказания дефектов в системах жизнеобеспечения жилых зданий.

Результаты. Создан синтетический набор данных, включающий в себя ключевые параметры системы жизнеобеспечения. В набор данных внесен шум для имитации реальных ошибок измерений, что позволило повысить достоверность тестирования моделей машинного обучения. Генерация сценариев неисправностей произведена на основе вероятностного подхода, моделирующего взаимосвязь между различными параметрами системы. Проведен анализ и предобработка данных для обеспечения пригодности для обучения моделей. Показано, что предложенная методика позволяет эффективно моделировать рабочие и аварийные состояния системы, что делает ее пригодной для использования при разработке и тестировании моделей обнаружения и прогнозирования неисправностей жилых зданий.

Практическая значимость. Созданный массив данных может быть использован для разработки интеллектуальных систем мониторинга и диагностики в реальных условиях эксплуатации систем жизнеобеспечения зданий.

Дахе А., Стучилин В.В. Моделирование данных для машинного обучения по обнаружению и прогнозированию неисправностей в системах жизнеобеспечения зданий // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 3. С. 73–81. DOI: https://doi.org/ 10.18127/j19998554-202503-09

1. Schiendorfer A., Zimmermann G., Lu Y. et al. Fault diagnosis in HVAC systems based on the heat flow model. 2014. DOI: 10.13140/2.1.4189.0249.
2. Yan Y., Luh P.B., Pattipati K.R. Fault prognosis of key components in HVAC air-handling systems at component and system levels // IEEE Transactions on Automation Science and Engineering. 2020. V. 17. № 4. P. 2145–2153. DOI: 10.1109/TASE.2020.2979166.
3. Tun W., Wong K.W., Ling S.H. Advancing fault detection in HVAC systems: Unifying Gramian angular field and 2D deep convolutional neural networks for enhanced performance // Sensors. 2023. V. 23. № 18. DOI: 10.3390/s23187690.
4. Patent № 10592821 US. Self-learning fault detection for HVAC systems / D.E. Denton, C.L. Garrett. March 17, 2020.
5. Zhang B., Wang P., Liu G. et al. AHU sensor fault diagnosis in various operating conditions based on a hybrid data-driven model combined energy consumption // Journal of Building Engineering. 2024. V. 87. P. 109028. DOI: 10.1016/J.JOBE.2024.109028.
6. Kiamanesh B., Behravan A., Obermaisser R. Fault injection with multiple fault patterns for experimental evaluation of demand-controlled ventilation and heating systems // Sensors. 2022. V. 22. № 21. DOI: 10.3390/s22218180.
7. Fan S., Zhang X., Song Z. Imbalanced sample selection with deep reinforcement learning for fault diagnosis // IEEE Transactions on Industrial Informatics. 2022. V. 18. № 4. P. 2518–2527. DOI: 10.1109/TII.2021.3100284.
8. Liu J. Importance-SMOTE: a synthetic minority oversampling method for noisy imbalanced data // Soft Computing. 2021. V. 26. № 3. P. 1–23. DOI: 10.1007/S00500-021-06532-4.
9. Deng M., Guo Y., Wang C., Wu F. An oversampling method for multi-class imbalanced data based on composite weights // PLoS One. 2021. V. 16. № 11. DOI: 10.1371/JOURNAL.PONE.0259227.
10. Ding H., Xu J. Random gradient descent tree: A combinatorial approach for SVM with outliers // Proceedings of the AAAI Conference on Artificial Intelligence. 2015. V. 29. № 1. P. 2561–2567. DOI: 10.1609/AAAI.V29I1.9571.
11. Liang J., Du R. Model-based fault detection and diagnosis of HVAC systems using support vector machine method // International Journal of Refrigeration. 2007. V. 30. № 6. P. 1104–1114. DOI: 10.1016/j.ijrefrig.2006.12.012.
12. Liu J. Importance-SMOTE: a synthetic minority oversampling method for noisy imbalanced data // Soft Computing. 2022. V. 26. № 3. P. 1141–1163. DOI: 10.1007/S00500-021-06532-4/TABLES/9.
13. Weinberger K.Q., Saul L.K. Distance metric learning for large margin nearest neighbor classification // Journal of Machine Learning Research. 2009. V. 10. P. 207–244.
14. Shaw B., Huang B., Jebara T. Learning a distance metric from a network // Advances in Neural Information Processing Systems. 2011. V. 24. P. 1899–1907.