ИНФОРМАЦИОННЫЙ НОВОСТНОЙ ПОРТАЛ
О ПРОМЫШЛЕННОЙ ИНДУСТРИИ 4.0

  • NEWS
  • INDUSTRIAL SOLUTIONS
  • INNOVATIVE IDEAS
  • TECHNOLOGIES
  • INDUSTRY 4.0
  • НОВОСТИ
  • ПРОМЫШЛЕННЫЕ РЕШЕНИЯ
  • ИННОВАЦИОННЫЕ ИДЕИ
  • ТЕХНОЛОГИИ
  • ИНДУСТРИЯ 4.0

Интернет вещей, большие данные и машинное обучение снижают стоимость эксплуатации зданий и сооружений

Баннер в главной колонке 715х150 - второй

Машинное обучение (ML) — раздел технологий искусственного интеллекта, использующий данные из реального мира для построения моделей, способных оценивать состояние систем и прогнозировать изменение их параметров.

Отличительной особенностью подобных моделей является то, что они используют алгоритмы и методы анализа, подходящие для решения широкого класса задач, поэтому нет необходимости в дополнительном программировании для изучения поведения различных систем.

В машинном обучении используют два основных подхода: обучение с учителем и обучение без учителя.

Обучение с учителем использует размеченные наборы данных, которые определяют области значений измеренных величин с заранее определенными квалификационными метками (например, авария, остановка движения, нормальная работа и др.). Такие модели могут применяться для предсказания необходимости замены деталей, чтобы в будущем избежать серьезных поломок оборудования.

Обучение без учителя позволяет выявить особенности, появляющиеся в результате сочетания значений измеряемых величин. К примеру, одновременное повышение температуры воздуха в сборочном цеху, на складе и в серверной может вести к росту потребления электроэнергии, так как через 15 минут включатся системы кондиционирования. Если знать о возможном росте электропотребления, то можно заранее предусмотреть перераспределение подачи электричества к различным подсистемам.

Как машинное обучение помогает в эксплуатации зданий

Системы отопления, вентиляции, электроснабжения, подачи холодной и горячей воды — емкие статьи расходов в бюджете организаций, эксплуатирующих здания. Поступающих в реальном времени от разнообразных источников данных настолько много, что человек-оператор просто не может сделать быстрое и правильное заключение об интегральном состоянии объекта. Аналитика, построенная на моделях, полученных с помощью ML, позволяет заранее сообщить персоналу о возможных (аварийных) ситуациях.

Предупреждение поломок оборудования и других опасных моментов снижает расходы на ремонт и эксплуатацию.

Мониторинг систем потребления (электроэнергии, газа, воды) помогает выявить пиковые нагрузки, предусмотреть необходимость установки дублирующего оборудования, заказать расходные материалы и запасные части. Модели ML позволяют спланировать расходы заблаговременно и произвести закупки по лучшим ценам.

Установленные в здании сенсоры (IoT) позволяют значительно снизить энергопотребление. Потоки данных от точек измерения могут быть достаточно интенсивными. К примеру, в производственном центре с лифтами, эскалаторами, пунктами питания, общими холлами и многочисленным оборудованием, число опросов сенсорных точек может достигать десятков тысяч в минуту. Эти данные должны быть обработаны с помощью моделей и представлены оператору в виде, удобном для принятия решений. Данные могут иметь разнообразный характер (например, 4 лифта идут на подъем, работают все эскалаторы, а в дата-центре вентиляция включилась на максимальную мощность), их интерпретация помогает справляться с неординарными ситуациями и предупреждать об их возникновении.

Машинное обучение, устройства Интернета вещей, мониторинг в реальном времени и аналитическое ПО облегчают обслуживание промышленных и офисных зданий, позволяют предупреждать появление неординарных ситуаций и снижают эксплуатационные расходы.

Публикация подготовлена по материалам статьи «Big Data, Better Budgeting: Machine Learning for Facilities Management».

Баннер в главной колонке 715х150 - первый
13.09.19

комментарии


Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *