Analisi di un'unità di trattamento dell'aria utilizzando dati e apprendimento automatico

Maintaining clean air filters is essential for keeping ventilation fans in commercial HVAC systems running efficiently, yet facilities teams often lack clear guidance on when and how to intervene. This thesis presents a practical, data-driven workflow that turns routine ten-minute snapshots from a building’s management system into easy-to-follow maintenance advice and short-term power forecasts. We started with two nearly identical air-handling units—one kept clean and the other left to get dirty over the year. By aligning timestamps, filling gaps, and filtering out anomalies, we create a dependable pool of sensor data which we rely on for our analysis. Rather than drowning in raw numbers, we use straightforward regression techniques to reveal how filter clogging gradually spikes fan load, then translate those findings into cleaning thresholds. In the final stage, we use a gradient-boosting model to predict fan power up to one hundred minutes in advance. demonstrating that even simple machine-learning tools can deliver surprisingly accurate forecasts when grounded in well-prepared data. Taken together, the methods in this open-source pipeline empower building operators to shift from reactive repairs to a proactive, condition-based maintenance strategy—cleaning filters at just the right moment and keeping energy bills under control.

Mantenere puliti i filtri dell'aria è essenziale per garantire l'efficienza dei ventilatori di ventilazione nei sistemi HVAC commerciali, ma spesso i team addetti agli impianti non dispongono di indicazioni chiare su quando e come intervenire. Questa tesi presenta un flusso di lavoro pratico e basato sui dati che trasforma istantanee di routine di dieci minuti provenienti dal sistema di gestione di un edificio in consigli di manutenzione facili da seguire e previsioni di consumo energetico a breve termine. Siamo partiti da due unità di trattamento aria quasi identiche: una mantenuta pulita e l'altra lasciata sporcare nel corso dell'anno. Allineando i timestamp, colmando le lacune e filtrando le anomalie, creiamo un pool affidabile di dati dei sensori su cui facciamo affidamento per le nostre analisi. Anziché immergerci in numeri grezzi, utilizziamo semplici tecniche di regressione per rivelare come l'intasamento dei filtri aumenti gradualmente il carico dei ventilatori, quindi traduciamo tali risultati in soglie di pulizia. Nella fase finale, utilizziamo un modello di gradient-boosting per prevedere il consumo energetico dei ventilatori fino a cento minuti in anticipo, dimostrando che anche semplici strumenti di apprendimento automatico possono fornire previsioni sorprendentemente accurate se basate su dati ben preparati. Nel complesso, i metodi di questa pipeline open source consentono ai gestori degli edifici di passare da riparazioni reattive a una strategia di manutenzione proattiva basata sulle condizioni, pulendo i filtri al momento giusto e tenendo sotto controllo le bollette energetiche.