Table of Contents
כיצד בניית אוטומציה ולמידה של מכונות היא שינוי בניית יעילות
מבנים מודרניים מתפתחים מבניינים סטטיים לסביבות דינמיות, רסןטיביות.שילוב של מערכות טכנולוגיות בנייה (BAS) עם למידת מכונה (ML) הוא בחזית של טרנספורמציה זו, המאפשר רמות חסרות תקדים של יעילות אנרגיה, צמצום עלויות תפעוליות ונוחות הדיירים. על ידי מעבר לשליטה פשוטה המבוססת על כלל לאופטימיזציה מבוססת נתונים, אופטימיזציה חיזוי, מנהלי המתקן יכולים כעת תאורה נוחה ומערכות HVAC עם דיוק שלא היה קודם לכן, כדי לצפות לאסטרטגיות ספציפיות, ולפתח את ה-HAC.
בניית מערכות אוטומציה (BAS)
מערכת אוטומציה של בניין היא מערכת העצבים המרכזית, מבוססת מחשב של בניין חכם.הוא מפקח ומשתלט על מכני, חשמל, וצנרת (MEP) ציוד, בעיקר להתמקד חימום, אוורור, מיזוג אוויר (HVAC), תאורה, ולפעמים ביטחון אש ובטיחות אש. בליבתו, BAS מסתמכת על רשת של חיישנים, בקרים, מפעילים, ופרוטוקולים תקשורת כדי לשמור על תנאי אנרגיה הרצויים תוך כדי צמצום.
היתרונות העיקריים של BAS מודרני
הארכיטקטורה של BAS מודרני כוללת מכשירים ברמת שדה כגון חיישני טמפרטורה, גלאי דיקור, חיישנים קלים וזרימה מטרים. אלה להאכיל נתונים לתוך בקרים לוגיים הניתנים לתוכנה (PLCs) או בקרים דיגיטליים ישירים (DDCs), אשר מבצעים לוגיקה שליטה ושולחים פקודות לפעולת אדנים, משחתים, או תאורה. A Monitor ורכישה (SCCO) מספק פרוטוקול יכולת ניטור, כגון ממשק ידני (DMS-co-costation) ו-costation) או ניהול ידני (D.com) או ניהול ידני (D.com) או ניהול , לדוגמה, ניהול ידני (DRMOcc-costation) או ניהול , או ניהול מחשבי תיבות של , , לדוגמה, ניהול ידני (D.com) או ניהול , , מתודולוגיהמנהלים, , ניהול , מתודולוגיהמנהלים, , , , , , , , מתודולוגיהמנהלים, , או ניהול ידני (DMS-coop) מתודולוגיהמנהלים, לדוגמה, מתודולוגיהמנהלים, מתודולוגיהמנהלים, ניהול מתודולוגיה-coop) מתודולוגיהמחשבהמחשבה-cost
איסוף נתונים ו- Control Loops
BAS אוספת באופן קבוע נתונים מאלפי נקודות ברחבי הבניין.אסטרטגיות בקרה מסורתיות מבוססות על לוחות זמנים קבועים ונקודות סטמנטים, לעתים קרובות עם לולאות בעלות פרופורציה (PID) כדי לשמור על יציבות.בעוד יעיל, מערכות מבוססות כללים אלה מגיבות לתנאים ולא לחזות אותם.הם לא יכולים להסתגל בקלות ליחסים מורכבים ולא לינאריים בין דיקור, מזג אוויר פנימי, עומסי למידה זה מספק שיפור.
תפקיד הלמידה של מכונות בבנייה
למידת מכונה מוסיפה שכבת מודיעין על גבי BAS במקום לבצע כללים מוגדרים מראש, אלגוריתמים של ML מנתחים נתונים היסטוריים ומציאותיים לזהות דפוסים, לחזות מצבים עתידיים, וייעל פעולות שליטה באופן אוטונומי. BAS נשאר שכבת הביצוע, אבל מנוע ה-ML מספק נקודות סטנקטים ממוטבות, לוחות זמנים ורצף של פעולה.
Analytics ו- Pattern Recognition
יכולת ה-ML העיקרית באופטימיזציה של בנייה היא מודלים חיזויים.אלגוריסים מאומנים על שנים של נתוני חיישן, רשומות מזג אוויר, ו יומני דיקור.הם לומדים כיצד המסה התרמית של הבניין מגיבה לשינויים בטמפרטורה חיצונית, כיצד השימוש תאורה מתווה עם זמינות אור יום, וכיצד דפוסי דיקור משתנים לפי שעה של יום, יום של שבוע, ועונה עם ידע זה, המערכת יכולה לצפות ולפעול באופן יזום.
סוגים של מכונות למידה מודלים בשימוש
כמה גישות ML מוחלות בניהול בנייה.FLT:0 Supervised LearningFLT:1 דגמים, כגון רגרסיה יערות אקראיים, משמשים לחיזוי צריכת אנרגיה וגילוי תקלות.FLT:2 Unvised LearningFLT 3 טכניקות כגון שילוב של שיטות שימוש באנרגיה או אזורי שיתוף פעולה דומים לשליטה מתואמת.
אופטימיזציה של מערכות תאורה עם Machine Learning
תאורה מהווה כ-15-20% מסך צריכת האנרגיה הכוללת של בניין מסחרי.בקרת תאורה מסורתית מסתמכת על שעונים בזמן או חיישני דיקור פשוטים עם זמני זמן קבועים. למידת מכונה מעלה את השליטה בתאורה על ידי שילוב של מספר משתנים קונטקסטואליים כדי לספק אור בדיוק היכן ומתי הוא צריך, עם בזבוז אנרגיה מינימלי.
בקרת תאורה מבוססת על תאורה
מודלים מתקדמים של ML מעבדים נתונים מחיישנים דיקור, נקודות גישה Wi-Fi, ואפילו אינטגרציה לוח שנה כדי לחזות את השימוש בחלל עם דיוק גבוה. במקום פשוט להדליק אורות כאשר התנועה מזוהה, המערכת צופה דיקור.לדוגמה, אם המודל לומד כי חדר ישיבות משמש בדרך כלל בין 10:00 בבוקר ל- 11:30 בבוקר ביום שלישי, זה יכול להיות תנאי תאורה (ו-HAC) כמה דקות לפני הפגישה פשוטה, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, החל מצמצם את התקופות של חדר מיון קצר לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן,
יום איסוף והתאמה
למידת מכונה משפרת את קצירת אור היום על ידי שילוב נתונים בזמן אמת מחיישנים אור בחוץ, עמדות עיוור החלון, ותחזיות מזג האוויר.המודל לומד כיצד אזורים שונים מגיבים לאור טבעי לאורך כל היום ולאורך עונות.זה ואז מאמת את רמות התאורה המלאכותיות כדי לשמור על אי-התאמה, שילוב חלקה של אור טבעי וחשמלי.בנוסף, המערכת יכולה להתאים את הזמן, לזהות שינויים במבנה בשל דיקור, הדורש מגמות עבודה מרחוק, או טרנדים, ללא גירוי ידני, או טרנדים חדשים.
יתרונות ומקרים אמיתיים
ארגונים ליישם בקרת תאורה מבוססת ML מדווחים על חיסכון באנרגיה של 20-40% מעבר למה שניתן להשיג עם בקרה מסורתית. במשרדים מסחריים גדולים, זה מתורגם להפחתה משמעותית בעלויות.יתר על כן, שביעות רצון הדיירים משתפרת כי תאורה מותאמת אישית להעדפות אישיות שבהן תיקונים מתאימים מותקנים, וזוהר או תחת הפלימור מצטמצם.
שיפור יעילות HVAC באמצעות Machine Learning
מערכות HVAC מייצגות את עומס האנרגיה הגדול ביותר ברוב המבנים המסחריים, צריכת עד 40-60% מכלל האנרגיה.מורכבות הדינמיקה התרמית, בשילוב עם דיקור משתנה ומזג אוויר, הופכת את HVAC לאופטימיזציה של יישום אידיאלי ללמידה.
HVAC Scheduling
במקום זמן הפעלה קבוע, מערכת מונעת ML מחשבת את הזמן האופטימלי להתחיל חימום או קירור אזור.מודל רואה טמפרטורה חיצונית, רווח סולארי, ה- lag תרמי של הבניין, ואת זמן הנקודת המוצא הרצויה. במהלך מזג אוויר מתון, המערכת עלולה לעכב את הסטארט-אפ כדי לחסוך אנרגיה. במהלך תנאים קיצוניים, זה עשוי להתחיל מוקדם יותר כדי להבטיח נוחות על ידי הדיירים מגיעים. "זמן זמני זמני-בזמן הרצוי" זה יכול להפחית את צריכת HAC ללא צריכת האנרגיה של 15.
המונחים: space-Level טמפרטורה Optimization
למידת מכונה מאפשרת שליטה ברמת שטח, אזורית על ידי מודל כיצד כל אזור מגיב לקלטי חימום וקירור.המערכת מתאמת טמפרטורות אוויר אספקת, עמדות לחות, ופתיחות שסתום כדי לשמור על נוחות רק במידת הצורך.אם אזור אינו עסוק או בשימוש קל, את נקודת המוצא ניתן להירגע ללא השפעה על אזורים אחרים. Reinforcement Learning סוכנים יכול לחקור אסטרטגיות כדי למצוא את רוב האנרגיה-יעילות כדי לשרת את כל תחומי הלמידה.
זיהוי ואבחון (FDD)
אחת האפליקציות החשובות ביותר של ML ב- HVAC היא גילוי לקוי מתמשך.מודל ML המאומנים על ניתוח ציוד רגיל יכול לזהות omalies כגון אובדן הדרגתי של יעילות צ'רמר, לח תקוע, או דחיסה כושלת. מוקדם מאפשר לצוותי תחזוקה להתערב לפני שנושא קטן הופך להתמוטטות יקרה, צמצום עלויות תיקון של ML ומניעת אנרגיה מתחדשת (NREL) הראו כי ניתן למנוע תקלות ארוכות של 10V.
חיסכון באנרגיה ושיפורים נוחים
השילוב של תזמון חיזוי, אופטימיזציה לאזור, וזיהוי תקלות בדרך כלל מניב חיסכון אנרגיה של 20-40%, עם כמה מחקרים מקרה דיווחו אפילו תוצאות גבוהות יותר. נוחות אומצואנט גם משופרת כי המערכת מגיבה באופן יזום כדי לשנות תנאים, צמצום תנודות הטמפרטורה ושמירה הדוקה יותר סביב נקודות.
שילוב סינרגי של תאורה ו-HVAC
אופטימיזציה תאורה ו- HVAC בנפרד מניב חיסכון משמעותי, אבל הכוח האמיתי של בניית אוטומציה עם למידת מכונה עולה כאשר מערכות אלה משולבים. תאורה מייצרת חום, אשר משפיע ישירות על העומס הקירור. ולהיפך, אורות מטבול מפחית רווח חום פנימי, ומאפשרים ל- HVAC לפעול ביעילות רבה יותר.בקר משולב יכול לתאם אינטראקציות אלה.
היתרונות העיקריים של Integrating BAS ו- Machine Learning
פריסת ה-ML-enhanced Building Automation מספקת תוצאות מוחשיות, מרשימות על פני ממדים רבים.
חיסכון באנרגיה ועלויות
חיסכון באנרגיה של בניית חשמל סטנדרטי בטווח של 20-35%, עם ירידה בביקוש של גודל דומה.עבור בניין מסחרי גדול, זה יכול לייצג מאות אלפי דולרים בחיסכון שנתי, מתן החזר חזק על ההשקעה בתוך 2-4 שנים.
נוחות ומוצריות
תאורה טובה יותר ושליטה תרמית להשפיע ישירות על שביעות רצון הדיירים ופרודוקטיביות. מחקרים מראים כי שיפור איכות הסביבה הפנימית יכול להגביר את הפרודוקטיביות האישית על ידי 5-10%. פחות תלונות על טמפרטורה תאורה אומר צוותים המתקן לבלות פחות זמן על בעיות תגובתיות ועוד על שיפורים אסטרטגיים.
תחזוקה ומערכת Longevity
זיהוי תקלות מונע על ידי ML ותחזוקת מעקב מבוססת מצב ממתוכנן או תגובתי לחיזוי ציוד פועל ביעילות רבה יותר, נמשך זמן רב יותר, וחוויות פחות כישלונות קטסטרופליים.זה מקטין את עלויות התחזוקה ואת הוצאות ההחלפה הון לאורך זמן.
אחריות ו ESG Goals
עבור ארגונים עם מטרות של הפחתה נטו או פחמן, תאורה אופטימיזציה HVAC הם מכשולים קריטיים. צריכת אנרגיה נמוכה להפחית ישירות פליטות פחמן Scope 2. Accurate אנרגיה מעקב ודיווח גם לתמוך בדרישות סביבתיות, חברתיות וממשל (ESG) שיפור האמון של בעלי המניות.
יישום שיקולים ואתגרים
בעוד היתרונות הם משכנעים, יישום מוצלח דורש תכנון זהיר ותשומת לב לגורמים מרכזיים.
איכות נתונים ו-חיישנים
מודלים של למידת מכונות הם רק טוב כמו הנתונים שהם מאומן על בניינים.בניות צריך רשת חיישן חזקה המספקת נתונים מדויקים, גרפיים על טמפרטורה, דיקור, רמות תאורה וצריכת אנרגיה. החלת מבנים ישנים עם חיישנים נוספים יכול להיות עלות גבוהה יותר, אבל חיוני להשגת אופטימיזציה באיכות גבוהה.
שילוב עם מערכות קיימות
רוב הפרוטוקולים הקיימים ב- BAS משתמשים בפרוטוקולים מורשת וחומרה קניינית. integrating פלטפורמה של ניתוח ML דורשות מתווך או API כדי לגשר על הפער בין ארגונים ישנים וחדשים.
אבטחת סייבר ופרטיות
הוספת שכבת ML מגבירה את פני השטח של רשת בקרת הבנייה.אמצעי אבטחת סייבר, כולל פלח רשת, הצפנה וביקורת אבטחה סדירה, נדרשים להגן מפני איומים.בנוסף, נתונים דיקור מחיישנים יכולים להעלות חששות פרטיות; מדיניות חייבת להבטיח כי הנתונים הם אנונימיים ומשמשים רק למטרות אופטימיזציה.
כוח עבודה והחלפת ניהול
הפעלת BAS ML-enhanced דורש מיומנויות במדעי נתונים, בקרה הנדסה וניהול המתקן. ארגונים עשויים להיות צריכים להכשיר צוות קיים או לשכור כישרון חדש.ניהול שינוי הוא גם קריטי כדי להבטיח כי צוותי המתקן לבטוח ולאמץ את ההמלצות של המערכת ולא overriding אותם.
עתידם של בניינים חכמים
(ההתכנסות של BAS ו- Machine Learning היא מאיצה במהירות.המגמות המתפתחות מצביעות על יכולות גדולות יותר.FLT:0Digital TwinFLT:1 יאפשר למפעילים לדמות התנהגות מבנית תחת תרחישים שונים לפני שפורסים שינויים ב-IoT:2Grid-interactive EnergyFLT 3 ישתמשו ב-ML כדי להתאים את העומסים בתגובה לאנרגיה בזמן אמת או להורדת אותות של מיקרו-FLDL.
ארגונים שמשקיעים בבניית אוטומציה ושילוב למידת מכונה, מציבים עצמם לטובת חידושים אלה.הדרך לעבר בניינים של אפס רשת, רווחה מוגברת של הדיירים, ועלויות תפעוליות מתקדמות מתקדמות מתחילות בצעד אחד: החלפת נתונים כדי להפוך בניינים חכמים יותר.
להתחיל עם בניית אוטומציה ולמידה של מכונות
עבור ארגונים בהתחשב במסע זה, גישה מובנית מומלץ לבצע ביקורת אנרגיה כדי לזהות את ההזדמנויות הגדולות ביותר.אסס במצב הנוכחי של BAS ו- חיישן תשתיות. בחר רמה, פתוח-platform BAS אשר תומך אינטגרציה עם כלים ML.התחל עם פרויקט טייס על קומה אחת או אזור כדי להפגין ערך ולבנות אמון ארגוני עם שותפים מנוסים ללא הרף או ניתוח אשר מבינים שני בקרה, ולבסוף לבדוק ביצועים שוטפים.
המעבר לבניינים מבוזרים ב-ML אינו פרויקט חד פעמי, אלא מחויבות מתמשכת לשיפור מתמשך.עם זאת, ההחזרות – פיננסיות, סביבתית ואנושית – הופכות אותו לאחת ההשקעות המשפיעות ביותר שבעלי המתקן יכולים לעשות.
(הופנה מהדף [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]] ו[[1924]], [[1924]], [[1924]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]
לסיכום, השילוב של בניית אוטומציה ולמידה של מכונה מייצג שינוי פרדיגמטי באופן שבו אנו מנהלים סביבות מקורה. על ידי אופטימיזציה של תאורה ומערכות HVAC עם אינטליגנציה חיזויית, אנו יכולים ליצור חללים שהם יותר יעילים, יעילים, נוחים, בר קיימא.הטכנולוגיה היא בוגרת, המקרה העסקי חזק, והזמן לפעול עכשיו הוא.