Nesnelerin İnternetten Nesnelerin Zekasına

İzleme sistemleri aracılığıyla tesislere uzaktan erişim sağlayan, bağlı cihazlara sahip olma eğiliminin artması, çok miktarda verinin sistematik olarak toplanmasının önünü açmaktadır. Özellikle HVAC / R sektöründe, ünite değişkenleri, vana konumu, ayar noktası, kompresör durumu, su / hava sıcaklıkları vb. gibi kontrol ve çalışma parametreleri, uygun şekilde kaydedilmişse, birimi belirlemek için çok faydalı bir bilgi kaynağı olabilir. 
 
Bu önemli sonuç IoT sistemlerinin yayılması sayesinde elde edildi. HVAC / R uygulamalarında, bu ağlar, doğal olarak bağlı olan, yani ana bilgileri açık standart protokoller aracılığıyla aktarabilen sensörler veya kontrolörler içerir. Yerel kenar hesaplama sistemleri genellikle verileri merkezileştirmek, saha içi mantığı yürütmek ve kurumsal sistemlere bağlantıyı garanti etmek için kullanılır. Bu kenar sistemleri basit ağ geçitleri veya akıllı gözetim sistemleri olabilir. Nihai olarak, toplanan veriler, yerel sunucularda veya bulutta bulunan tesislerde kurulu olan, neredeyse sınırsız bilgi işlem yetenekleri sayesinde karmaşık işlemlerini gerçekleştirebilen kurumsal sistemlerde bir araya getirilir.
 
Yeni zorluk, daha sonra yeni değer yaratmak için bu büyük miktarda veriyi kullanmaktır. Bugüne kadar, çeşitli veri işleme teknikleri mevcut olup, süreçleri düzene sokma ve uygun bilgiler olmadan, çok karmaşık olanları basitleştirerek yeni işleri mümkün kılan nihai hedeftir.
 
Bu yeni zekâ alanında kullanılan en yaygın terimler şunlardır:
 
Yapay zekâ
Mantık, algı ve önceki deneyim dahil olmak üzere insan beyninin bilişsel işlevlerinin simülasyonu yoluyla problem çözme teknikleri;
 
Makine öğrenme
Bilgisayarların, algoritmaların uygulanmasıyla, toplanan verilerin tarihsel dizilerinde tekrarlayan kalıpları belirleme becerisi;
 
Tahmin modelleri
 
Giriş verileri ile geçmiş verilerin analizi yoluyla belirlenen hedef veriler arasındaki ilişkiler sayesinde, bu modeller hedef değişkenlerin yalnızca yeni girdi verilerine dayanarak beklenen davranışlarını tahmin edebilirler;
 
Derin öğrenme
Çok karmaşık tahmin modelleri oluşturmak için genellikle çok sayıda katmanı olan sinir ağlarının kullanımı. Bugün bu en gelişmiş AI tekniğidir.
 
HVAC / R uygulamalarında, bugün bu teknolojilerin uygulamasının ana odağı, site bakım ve optimizasyonudur. Bu sektörde kullanılanlar gibi karmaşık ekipmanlarda, sistem çalışmasının çevreyle ilgili koşullardan (dış mekân / iç mekân nemliliği, mevsimsel konfigürasyon ...), mekanik performansın ve çalışma davranışının derinlemesine anlaşılmasını sağlamak için önemli ölçüde etkilenir. / Enerji sistemi, geniş bir değişkenler kümesini ilişkilendiren doğrusal olmayan bir modele ihtiyaç vardır.
 
Böyle bir analiz, çok sayıda önemli bilgi sunarak, çeşitli karar vericilerin daha kesin sonuçlarla bilinçli kararlar almalarına izin verir. Özellikle, bazı önemli kullanımlar olabilir:
 
 
Öngörücü bakım
Öngörü modelinden sapan ünite davranışı (örn., Enerji tüketimi) durumunda oluşan dinamik uyarılar sayesinde, sahada arızaları önlemek için koruyucu bakım yapılabilir. Bu tür hizmetler, endüstriyel uygulamalarda vazgeçilmez olan kritik görev sistemlerinin sürekli çalışmasını sağlar. Ek olarak, daha önce bir acil duruma yanıt olarak alınan eylemler önceden planlanabildiği için bakım maliyetleri azalır, böylece acil servis çağrılarını rutin bakımlara dönüştürür.
 
Performans optimizasyonu ve ne olursa olsun analizi
Model, verimliliği en üst düzeye çıkaran ve enerji tasarrufları açısından faydaları kesin olarak belirleyen konfigürasyonu tanımlar. Gerçekte ölçülen tüketim ile beklenen optimizasyon arasındaki farktan tasarruf edilen toplam enerjinin hesaplanması, optimizasyonların uygulanmamasını sağladı ve elde edilen faydaların vurgulanmasını mümkün kıldı. Bu, uzaktan kumanda veya denetleme sistemi satmak için genellikle temeldir.
 
Farklı birimler arasındaki karşılaştırmalar 
En iyi yapılandırmayı veya en iyi bakım sürecini tanımlamak için, birimin performansı, model tarafından tahmin edilenle karşılaştırılır. Bu tür bilgiler elde etmek için çok karmaşıktır ve bireysel birimlerden alınan verilerin analizine dayanmaktadır. Çevresel koşulların aslında birim performans ve enerji tüketimi üzerinde önemli bir etkisi vardır. Sadece bir öngörü modelinin oluşturulmasıyla, dış değişkenler “normalleştirilebilir”, ünitenin aynı koşullarda çalışan diğerlerinden daha iyi veya daha kötü davranış gösterip göstermediğini belirleyebilir.
 
 
Bunlar, toplanan verilerin işlenmesiyle elde edilebilecek muazzam olanakların pratik uygulamalarından sadece birkaçıdır. Bu yeni teknikler gerçek durumlara göre daha fazla rafine edilir ve uygulanırsa, Nesnelerin Zekâsı birçok yeni iş fırsatlarının itici gücü haline gelir.
 
Kaynaklar:
Enerji ve Konfor Yönetimi için HVAC Sistemlerine Uygulanan Makine Öğrenimi; Enerji Yolu Srl
Makine öğrenme algoritmalarını ve önyargılarını kontrol etmek; McKinsey & Company
 
 
İlgili Mesajlar

Haberleri paylaşmak ister misiniz ?

Banner RAL CRC 2018-8