Využití rozhodovacích stromů při návrhu pravidel pro detekci poruch technických zařízení budov

Abstract

Diplomová práce se zabývá využitím rozhodovacích stromů při návrhu pravidel pro detekci poruch technických zařízení budov. V první části této práce jsou představeny koncepty strojového učení a jsou popsány rozhodovací stromy. Na základě teoretických poznatků jsou vybrány vhodné metody rozhodovacích stromů a to CART, Random Forest a šikmé rozhodovací stromy (OC1). V dalších sekcích je představena implementace vybraných metod a jsou popsány doporučené postupy, jak dané metody používat a nastavit jejich parametry. V poslední části diplomové práce jsou vybrané metody porovnány na sadách reálných dat z technických zařízení budov. Jednodušší část testování proběhla na otopných okruzích a následně byly metody použity na diagnostiku vzduchotechnický jednotek.

This thesis seeks to analyze the usage of decision trees in diagnostics rule design in HVAC. At first, theoretical concepts of machine learning and decision trees are introduced. Viable methods are selected based on theoretical research. These methods are CART, Random Forest and oblique decision tree classifier (OC1). Implementation of selected methods is described as well as their limitations and guide to parameter tuning. Lastly, methods are compared using real-world datasets from HVAC systems. The comparison starts at more straightforward tasks from heating circuits and then follow up with problems from the air handling units domain.