- Llopis-Mengual, Belén|||0000-0003-0238-4231
[ES] Los edificios consumen el 30% de la energía mundial, y los sistemas de calefacción, ventilación y aire acondicionado son grandes responsables de esta demanda. Las soluciones de alta eficiencia, como las bombas de calor y los aires acondicionados eficientes, ayudan a reducir este impacto, pero siguen siendo vulnerables a fallos no críticos, como fugas de refrigerante o restricciones en el flujo de aire. Estos fallos suelen pasar desapercibidos, lo que aumenta el consumo de energía o puede derivar en fallos graves que dejan el sistema inoperativo. Además, es común que varios fallos ocurran a la vez, lo que complica aún más el diagnóstico. Por ello, la detección y el diagnóstico de fallos (FDD) son fundamentales para mantener la eficiencia. Esta tesis investiga el FDD en sistemas residenciales (aires acondicionados y bombas de calor, tanto aire-aire como aire-agua) utilizando el menor número posible de sensores, ya que estos equipos suelen contar con una instrumentación limitada para reducir costes. Antes de desarrollar la metodología de FDD, esta tesis analiza datos de campo de unidades de aire acondicionado en hogares de EEUU, monitorizadas durante varios meses. Aplicando métodos de la literatura existente, el análisis identifica unidades con fallos no críticos y evalúa su impacto en el rendimiento. Los resultados muestran que estos fallos aumentan el consumo energético y reducen la eficiencia. Sin embargo, se detecta una importante limitación: la escasez de conjuntos de datos que incluyan fallos simultáneos, lo que dificulta el desarrollo y la validación de metodologías de FDD. Para abordar este problema, se emplea la modelización y la simulación del sistema para generar conjuntos de datos en condiciones tanto sin fallos como con fallos, incluyendo combinaciones de éstos. La consistencia de los datos simulados se valida con resultados experimentales obtenidos de sistemas reales con fallos impuestos. Además, se identifican las principales variables operacionales necesarias para la detección y el diagnóstico de fallos, determinando el número mínimo de sensores requeridos para una monitorización eficaz. Para la detección y el diagnóstico de fallos, esta tesis aplica una metodología de aprendizaje supervisado basada en support-vector machines (SVM), entrenadas para detectar fallos individuales y simultáneos. Este algoritmo se prueba en un sistema real con fallos impuestos en el laboratorio, demostrando que los modelos entrenados exclusivamente con datos simulados pueden diagnosticar fallos con éxito. La metodología también se extiende a las bombas de calor aire-agua, cada vez más utilizadas en Europa como sustitutas eficientes de las calderas. Estos sistemas presentan mayores complejidades, como la posibilidad de operar en modo reversible, el uso de compresores de velocidad variable, almacenamiento de refrigerante y estrategias de control avanzadas. En esta tesis, se llevan a cabo campañas experimentales en una bomba de calor aire-agua reversible con compresor de velocidad variable, imponiendo fallos de carga insuficiente, sobrecarga y flujo de aire inadecuado, tanto de forma individual como combinada. Se analizan las variables clave para la detección de fallos, destacando las diferencias con respecto a sistemas más simples. Esta tesis contribuye, por tanto, al desarrollo de FDD en aires acondicionados y bombas de calor residenciales al demostrar que una metodología basada exclusivamente en conjuntos de datos simulados puede abordar la falta de datos de fallos necesarios para su desarrollo. Dichos conjuntos de datos se utilizan para entrenar un algoritmo de aprendizaje supervisado que detecta y diagnostica fallos con éxito en un sistema real con fallos impuestos. Además, este trabajo mejora la comprensión del comportamiento de los fallos no críticos en bombas de calor más complejas, identificando los principales desafíos para ampliar la metodología y explorando posibles líneas de investigación futuras., [CA] Els edificis consumeixen el 30% de l'energia mundial, i els sistemes de calefacció, ventilació i aire condicionat són grans responsables d'esta demanda. Les solucions d'alta eficiència, com les bombes de calor i els aires condicionats eficients, ajuden a reduir este impacte, però continuen sent vulnerables a fallades no crítiques, com fugues de refrigerant o restriccions en el flux d'aire. Estes fallades solen passar desapercebudes, la qual cosa augmenta el consum d'energia o pot derivar en fallades greus que deixen el sistema inoperatiu. A més, és comú que diverses fallades es produïsquen alhora, complicant encara més el diagnòstic. Per això, la detecció i el diagnòstic de fallades (FDD) són fonamentals per a mantindre l'eficiència. Aquesta tesi investiga el FDD en sistemes residencials (aires condicionats i bombes de calor, tant aire-aire com aire-aigua) utilitzant el menor nombre possible de sensors, ja que estos equips solen comptar amb una instrumentació limitada per a reduir costos. Abans de desenvolupar la metodologia de FDD, aquesta tesi analitza dades de camp de unitats d'aire condicionat en llars dels EUA, monitoritzades durant diversos mesos. Aplicant mètodes de la literatura existent, l'anàlisi identifica unitats amb fallades no crítiques i avalua el seu impacte en el rendiment. Els resultats mostren que estes fallades augmenten el consum energètic i reduïxen l'eficiència. No obstant això, es detecta una limitació important: l'escassetat de conjunts de dades que incloguen fallades simultànies, fet que dificulta el desenvolupament i la validació de metodologies de FDD. Per a abordar este problema, s'empra la modelització i la simulació del sistema per a generar conjunts de dades en condicions tant sense fallades com amb fallades, incloent-hi combinacions d'estes. La consistència de les dades simulades es valida amb resultats experimentals obtinguts de sistemes reals amb fallades imposades. A més, s'identifiquen les principals variables operacionals necessàries per a la detecció i el diagnòstic de fallades, determinant el nombre mínim de sensors requerits per a una monitorització eficaç. Per a la detecció i el diagnòstic de fallades, aquesta tesi aplica una metodologia d'aprenentatge supervisat basada en support vector machines (SVM), entrenades per a detectar fallades individuals i simultànies. Este algoritme es prova en un sistema real amb fallades imposades en laboratori, demostrant que els models entrenats exclusivament amb dades simulades poden diagnosticar fallades amb èxit. La metodologia també s'estén a les bombes de calor aire-aigua, cada vegada més utilitzades a Europa com a substitutes eficients de les calderes. Estos sistemes presenten majors complexitats, com la possibilitat d'operar en mode reversible, l'ús de compressors de velocitat variable, emmagatzematge de refrigerant i estratègies de control avançades. En aquesta tesi, es duen a terme campanyes experimentals en una bomba de calor aire-aigua reversible amb compressor de velocitat variable, imposant fallades de càrrega insuficient, sobrecàrrega i flux d'aire inadequat, tant de manera individual com combinada. S'analitzen les variables clau per a la detecció de fallades, destacant les diferències respecte a sistemes més senzills. Aquesta tesi contribuïx, per tant, al desenvolupament del FDD en aires condicionats i bombes de calor residencials en demostrar que una metodologia basada exclusivament en conjunts de dades simulats pot abordar la manca de dades de fallades necessàries per al seu desenvolupament. Estos conjunts de dades s'utilitzen per a entrenar un algoritme d'aprenentatge supervisat que detecta i diagnostica fallades amb èxit en un sistema real amb fallades imposades. A més, aquest treball millora la comprensió del comportament de les fallades no crítiques en bombes de calor més complexes, identificant els principals desafiaments per a ampliar la metodologia i explorant possibles línies d'investigació futures., [EN] Buildings consume 30% of global energy, with heating, ventilation, and air conditioning (HVAC) systems as major contributors. Energy-efficient solutions like heat pumps and efficient air conditioners help mitigate this impact, yet they remain susceptible to soft faults such as refrigerant leaks or airflow restrictions. These often go unnoticed, increasing energy consumption or escalating into hard faults. Multiple faults can also occur simultaneously, further complicating diagnosis. Therefore, fault detection and diagnosis (FDD) is essential to maintain efficiency. This thesis investigates FDD for residential systems (air conditioners and heat pumps, both air-to-air and air-to-water) using minimal sensors, as these units typically lack extensive instrumentation to reduce costs. Before developing the FDD methodology, this thesis analyzes field data from U.S. homes, where residential units were monitored for months, uploading operational data to the cloud. Using existing methods, the analysis identifies soft-faulted units and evaluates their impact on performance. Results show increased energy consumption and reduced efficiency due to faults. However, a key limitation emerges: the lack of datasets covering simultaneous faults, which restricts the development and validation of FDD methodologies. To address this, system modeling and simulation are used to generate datasets under fault-free and faulty conditions, including fault combinations. The consistency of simulated data is validated against experimental results from real systems with imposed faults. Additionally, key operational variables for fault detection and diagnosis are identified, determining the minimum sensor requirements for effective monitoring. For fault detection and diagnosis, this thesis applies a supervised learning methodology based on Support Vector Machines (SVM), trained to detect individual and simultaneous faults. This algorithm is tested in a laboratory setting on a real system with imposed faults, demonstrating that models trained exclusively with simulated data can successfully diagnose faults. The methodology is also extended to air-to-water heat pumps, increasingly used in Europe as energy-efficient boiler replacements. These systems introduce additional complexities, such as reversible operation, variable-speed compressors, refrigerant storage, and advanced controls. Experimental campaigns impose undercharge, overcharge, and inadequate airflow faults (individually and in combination) on a reversible air-to-water heat pump with a variable-speed compressor. Key fault detection variables are analyzed, highlighting differences from simpler systems. This thesis advances FDD for residential air conditioners and heat pumps by demonstrating that a methodology relying solely on simulation-based datasets can address the lack of fault data. The datasets train a supervised learning algorithm that successfully detects and diagnoses faults in a real system with imposed faults. Additionally, this work improves understanding of soft fault behavior in complex heat pumps, identifying challenges in extending the methodology and exploring potential research directions., This PhD thesis has been funded by the Ministerio de Ciencia, Innovación y Universidades of Spain through the “Formación de Profesorado Universitario” programme ref. FPU19/04012 and the funding to conduct a research stay EST23/00752