Predictive Maintenance in Building Automation & HVAC Systems

Abstract

Masteroppgaven fokuserer på implementering av prediktive vedlikeholdsteknikker i bygningsautomasjon og HVAC-systemer (oppvarming, ventilasjon og luftkondisjonering). Forskningen tar sikte på å utvikle en modell som kan forutsi potensielle feil og funksjonsfeil i systemene ved å analysere sensordata og oppdage anomalier. Studien undersøker også ulike tilnærminger til dataanalyse, som statistiske metoder og maskinlæringsalgoritmer (som PCA, DBSCAN, K-means, Logistic Regression og DecisionTreeRegressor). Resultatene demonstrerer effektiviteten av prediktivt vedlikehold for å redusere vedlikeholdskostnader og forbedre systemets pålitelighet og gir innsikt i den praktiske implementeringen av slike teknikker i virkelige scenarier.

The master thesis focuses on the implementation of predictive maintenance techniques in building automation and HVAC (Heating, Ventilation, and Air Conditioning) systems. The research aims to develop a model that can predict potential failures and malfunctions in the systems by analysing sensor data and detecting anomalies. The study also examines different approaches to data analysis, such as statistical methods and machine learning algorithms (such as PCA, DBSCAN, K-means, Logistic Regression and the DecisionTreeRegressor). The results demonstrate the effectiveness of predictive maintenance in reducing maintenance costs and improving system reliability and offer insights into the practical implementation of such techniques in real-world scenarios.