Waarom machine learning de toekomst is van HVAC en gebouwbeheer
In veel opzichten loopt de HVAC-industrie voorop met de acceptatie van de moderne technologie. Systemen voor gebouwautomatisering bestaan al tientallen jaren, maar omdat meer gebouwbeheerders de binnenluchtkwaliteit en ventilatie willen verbeteren, is er meer wisselwerking tussen verschillende systemen, waardoor het beheer van een gebouw complexer wordt.
Hoewel de beschikbaarheid van veel nieuwe technologieën is versneld, loopt de HVAC industrie nog steeds het risico achterop te raken. Een gebied waar dit duidelijk is, is de toepassing van Machine Learning (ML). Machine learning heeft namelijk de potentie om HVAC en gebouwbeheersystemen (GBS) te transformeren.
Wat is machine learning?
Machine learning is een ontwikkeling binnen kunstmatige intelligentie (AI). ML verwijst naar machines die in staat zijn "te leren" hoe taken moeten worden uitgevoerd door een groot aantal gegevens te verwerken. De technologie die we vandaag de dag kennen is geëvolueerd. Ontwikkelaars realiseerden zich dat het effectiever zou zijn om machines te leren hoe ze moeten leren in plaats van ze voor te programmeren met elke mogelijke actie die mogelijk is.
Maar waarom dan machine learning voor gebouwbeheersystemen?
In de meeste GBS-opstellingen wordt de planning voor servicebezoeken zoals verlichting en HVAC tijdens de installatie door een regeltechnicus of door een beheerder van het gebouw tijdens de hele levensduur van het gebouw uitgevoerd. Besturingstechnici en operators gebruiken de beschikbare gegevens om het bouwschema op te stellen of te wijzigen. Sommige gegevens die worden gebruikt om planningsbeslissingen te nemen, zijn onder meer:
• Bezetting
• Temperatuur
• Neerslag
• Vochtigheid
• Vakantiedagen / werkweekschema's
Een ervaren professional kan goed een schema opstellen dat rekening houdt met al deze elementen. Maar hoe goed de professional ook is, het vermogen van een mens wordt beperkt door de hoeveelheid gegevens die hij of zij kan verwerken.
Machines kunnen daarentegen duizenden datapunten verwerken uit honderden verschillende bronnen. Machines hebben daarom het potentieel om beslissingen te nemen op basis van complexe gegevens die voor de normale mens niet mogelijk is.
Machines kunnen de gegevens ook verzamelen en samenvoegen op een manier waarmee operators apparatuur kunnen plannen op basis van een robuustere gegevensset. Dit staat bekend als een onder toezicht staand machine leersysteem. De machine verzamelt gegevens en bewaakt activiteiten, maar de uiteindelijke beslissing wordt genomen door een mens. Een ander kenmerk van machine learning onder toezicht is dat alle gegevenselementen in het model zijn gelabeld, zodat de machine instructies heeft voor het omgaan met de gegevens.
In een niet-gecontroleerd machine learning-systeem zijn de gegevens niet-geëtiketteerd en niet geclassificeerd. De machine moet de relevantie van de gegevens afleiden. Omdat BMS en HVAC routinematig complexe gegevens gebruiken voor het vaststellen van systeeminstellingen, en omdat een gebouw een gesloten systeem is, zouden de gegevens allemaal worden gelabeld en geclassificeerd, dus voor GBS-toepassing zal de meeste ML onder toezicht staan.
Toepassing van machine learning
Voorspelling
Een goed machine-algoritme houdt rekening met de historische gegevens van een gebouw, samen met weersvoorspellingen en vakantiedetails voor een bepaalde periode. Machine learning betekent dat elke voorspellingsinstantie kan worden verbeterd, omdat het systeem de resultaten kan meten telkens wanneer het apparatuurbehoeften voorspelt. Als deze informatie van gebouw tot gebouw zou worden gedeeld, zouden we een enorme toename van energie-efficiëntie zien, omdat elk GBS van andere systemen kan 'leren' en de apparatuur dienovereenkomstig kan aanpassen.
Onregelmatigheidsdetectie
Machine learning kan de foutdetectie verbeteren. Huidige foutdetectie en diagnostische bewerkingen volgen het energieverbruik om te bepalen of er problemen zijn met de apparatuur. Het grote voordeel van machine learning is dat het niet beperkt is tot het detecteren van specifieke, vooraf bepaalde markers. In plaats daarvan kan het alle bouwactiviteiten en statistieken scannen en elke afwijking melden die het tegenkomt. Dit heeft voordelen voor gebouwbeheerders en fabrikanten omdat systeemproblemen kunnen worden gedetecteerd en gevolgd op een manier die nooit eerder mogelijk was.
Omgaan met systeemcomplexiteit
Gebouwbesturing wordt steeds complexer. Elk gebouw kan meerdere zones hebben, met ieder een eigen regeling HVAC en verlichtin. Machine learning kan nuttig zijn om een betere coördinatie van bouwsystemen tot stand te brengen. Het kan volgen hoe verschillende systemen op elkaar inwerken.
Machine learning kan bijvoorbeeld een gebouw monitoren met afzonderlijke verwarmings- / koelings- en ventilatiesystemen, waardoor de exploitant van het gebouw inzicht krijgt in de interactie tussen de verschillende systemen. Dit zal steeds belangrijker worden in gebouwen die achteraf oplossingen voor luchtkwaliteit binnenshuis installeren.
Naarmate machine learning-technologie verbetert, kunt u er meer van verwachten van uw GBS.
Wilt u weten hoe het staat met de status van machine learning in HVAC? Neem contact op met Tom van Hest.
