Resumen
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.
