Exploring Anomaly Detection in Building Automation Through Machine Learning Techniques
Lyttbacka, Robin (2024)
Lyttbacka, Robin
2024
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202403265185
https://urn.fi/URN:NBN:fi:amk-202403265185
Tiivistelmä
Tämän opinnäytetyön tarkoituksena oli analysoida ja parantaa ilmanvaihtoprosessien poikkeamien havaitsemista rakennusautomaatiossa. Opinnäytetyön lopullisena tavoitteena oli kehittää poikkeamien havaitsemismenetelmä, joka on tarkempi kuin aiemmin samaan tarkoitukseen käytetty menetelmä.
Anomalian havaitsemismenetelmä kehitettiin Fidelixissä. Fidelix on yritys, joka tarjoaa kiinteistöautomaatioratkaisuja. Fidelixillä on Flow_how-niminen palvelu, Fidelixin Flow_howpalvelusta kerättyjä tietoja analysoitiin poikkeamien havaitsemismenetelmän kehittämiseksi.
Teoriaosuudessa kuvataan, miten ilmanvaihtoprosessi rakentuu ja miten se toteutetaan rakennusautomaatiojärjestelmässä. Lisäksi käsitellään erityyppisiä poikkeamien havaitsemismenetelmiä ja erilaisia koneoppimismenetelmiä. Käytetyt ja analysoidut poikkeamien havaitsemismenetelmä ovat LSTM (Long Short Term Memory), Kmeans, Isolation forest ja Pythonkoneoppimiskirjasto Pycaret.
Opinnäytetyön tuloksena saatiin aikaisempaa tarkempi poikkeamien havaitsemismenetelmä. Menetelmä oli myös nopeampi kuin aiemmin käytetty menetelmä. Kirjoitushetkellä käytetään edelleen edellistä versiota. Tässä opinnäytetyössä käytetty ohjelma on käytettävissä myöhempää käyttöä varten.
Anomalian havaitsemismenetelmä kehitettiin Fidelixissä. Fidelix on yritys, joka tarjoaa kiinteistöautomaatioratkaisuja. Fidelixillä on Flow_how-niminen palvelu, Fidelixin Flow_howpalvelusta kerättyjä tietoja analysoitiin poikkeamien havaitsemismenetelmän kehittämiseksi.
Teoriaosuudessa kuvataan, miten ilmanvaihtoprosessi rakentuu ja miten se toteutetaan rakennusautomaatiojärjestelmässä. Lisäksi käsitellään erityyppisiä poikkeamien havaitsemismenetelmiä ja erilaisia koneoppimismenetelmiä. Käytetyt ja analysoidut poikkeamien havaitsemismenetelmä ovat LSTM (Long Short Term Memory), Kmeans, Isolation forest ja Pythonkoneoppimiskirjasto Pycaret.
Opinnäytetyön tuloksena saatiin aikaisempaa tarkempi poikkeamien havaitsemismenetelmä. Menetelmä oli myös nopeampi kuin aiemmin käytetty menetelmä. Kirjoitushetkellä käytetään edelleen edellistä versiota. Tässä opinnäytetyössä käytetty ohjelma on käytettävissä myöhempää käyttöä varten.