Utilizing Signal Temporal Logic for Fault Detection in Heating, Ventilation, and Air Conditioning Systems

Abstract

This thesis reviews implementations related to STL (Signal Temporal Logic) and parameter mining for pSTL (parameter Signal Temporal Logic). A benchmark was constructed to compare various pSTL implementations. The main objective was to compare implementations of parameter mining on pSTL rules in the heating, ventilation and air conditioning (HVAC) domain. The criteria compared were the detection of correct labels for positive and negative sequences, and the time needed to find the parameters. Additionally, a laboratory-scale HVAC system was employed to ascertain whether positive and negative traces could be identified in HVAC systems using this rule-based error detection method. The pSTL implementation was used to mine parameters from the sensor data of a laboratory HVAC system, for which both error-free and faulty operating states were recorded. Errors were simulated by inducing abnormal behavior, for example by switching off heating components. The results show that the TeLEx [58] implementation (with adjustments) was able to correctly identify the majority of positive and negative signals.However, several limitations arose. Simulated errors do not capture the full complexity and dynamics of real-world disturbances, sensor placement greatly influences data quality, and implementations occasionally fail to generate rules for certain scenarios.Furthermore, some rules were derived from only a few positive examples, which limits their generalizability. The controlled laboratory environment also restricts the scope of the learned rules. In industrial-scale HVAC systems, where environmental variables such as weather and occupancy fluctuate significantly, the results may be less applicable.Despite these limitations, this thesis demonstrates the potential of using pSTL for HVAC fault detection and provides recommendations for future research into extending the benchmark design and applying pSTL rules to fault detection in real-world systems.

Diese Arbeit untersucht bestehende Implementierungen, die sich mit STL (Signal Tem-poral Logic) und Parameter-Mining bezüglich pSTL (parameter Signal Temporal Logic) befassen. Es wurde ein Benchmark konstruiert, der verschiedene pSTL-Implementierungen vergleicht. Das Hauptziel bestand darin, unterschiedliche Implementierungen zum Parameter-Mining zu pSTL-Regeln im Kontext von Heizungs-, Lüftungs- und Klimaanlagen (HLK)Systemen zu vergleichen. Die Merkmale, welche verglichen wurden, waren einerseits die Erkennung korrekter Labels von positiven und negativen Verläufen und andererseits die Laufzeit, also die Zeit die benötigt wird, um ein Parameterset zu bestimmen. Zusätzlich wurde in einem Laborsystem getestet, ob mit der Hilfe dieser regelbasierten Fehlererkennung in HLK-Systemen positive und negative Verläufe erkannt werden können. Die pSTL Implementierung wurde dabei verwendet, um die Parameter aus Sensordaten eines Labor-HLK-Systems zu minen, in dem sowohl fehlerfreie als auch fehlerhafte Betriebszustände aufgezeichnet wurden. Fehler wurden simuliert, indem gezielt Fehlerzustände induziert wurden, etwa durch Abschalten von Heizungskomponenten. Die Ergebnisse zeigen, dass die Implementierung TeLEx (mit Anpassungen) in der Lage war, die Mehrheit der positiven und negativen Signale korrekt zu identifizieren.Es traten jedoch mehrere Einschränkungen auf. Simulierte Fehler erfassen nicht die gesamte Komplexität und Dynamik realer Störungen, die Sensorplatzierung beeinflusst die Datenqualität stark, und die Implementierungen scheitern gelegentlich daran, für bestimmte Szenarien Regeln zu generieren. Darüber hinaus wurden einige Regeln nur aus wenigen positiven Beispielen abgeleitet, was ihre Generalisierbarkeit einschränkt.Die kontrollierte Laborumgebung begrenzt zudem die Übertragbarkeit der gelernten Regeln. In HLK-Systemen im industriellen Maßstab, in denen Umweltvariablen wie Wetterveränderungen und Lastschwankungen deutlich stärker variieren, könnten die Ergebnisse nur teilweise übertragbar sein. Trotz dieser Einschränkungen zeigt diese Arbeit das Potenzial der Nutzung von pSTL für die HLK-Fehlererkennung und liefert Anhaltspunkte für zukünftige Arbeiten, etwa zur Erweiterung des Benchmarks und der Nutzung von pSTL Regeln zur Fehlererkennung in realen Systemen.