algorytmy [Machine Learning in Facility Management]

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
====== Przegląd Algorytmów Machine Learning w FM ======

Machine Learning nie jest jedną metodą, lecz zbiorem różnorodnych algorytmów matematycznych. W inżynierii budynkowej dobór odpowiedniego algorytmu zależy od rodzaju dostępnych danych oraz problemu, jaki chcemy rozwiązać (prognoza liczbowaa vs. wykrycie awarii).



Poniżej przedstawiono przegląd metod wykorzystywanych w ramach niniejszego projektu.

===== 1. Algorytmy Regresji =====
**Typ uczenia:** Nadzorowane 
**Cel:** Przewidywanie wartości ciągłej (liczby).

Jest to najczęściej stosowana grupa algorytmów w Facility Management, służąca do prognozowania zużycia mediów.
  * **Regresja Liniowa :** Modeluje prostą zależność, np. "im zimniej na zewnątrz, tym wyższy koszt ogrzewania".
  * **Regresja Wielomianowa :** Bardziej zaawansowana, potrafi modelować krzywe (np. nieliniową charakterystykę pracy wentylatora).

> **Zastosowanie:** Prognozowanie zużycia energii elektrycznej [kWh] w zależności od temperatury zewnętrznej.

===== 2. Algorytmy Klasyfikacji =====
**Typ uczenia:** Nadzorowane
**Cel:** Przypisanie danych do konkretnej kategorii (klasy).

Algorytm odpowiada na pytania typu "TAK/NIE" lub "A/B/C".
  * **Support Vector Machines (SVM):** Bardzo skuteczny w znajdowaniu granicy między stanem "normy" a "awarią" w danych o wysokim zaszumieniu (np. wibracje).
  * **Drzewa Decyzyjne  i Random Forest:** Budują strukturę warunkową ("jeśli temp > X i ciśnienie < Y, to awaria"). Są łatwe do interpretacji przez inżynierów.

> **Zastosowanie:** Predictive Maintenance – klasyfikacja stanu urządzenia jako "Sprawne" lub "Wymaga serwisu".

===== 3. Algorytmy Klasteryzacji =====
**Typ uczenia:** Nienadzorowane
**Cel:** Wykrywanie grup i wzorców w danych nieetykietowanych.

Tu algorytm sam szuka podobieństw, nie wiedząc, czego szuka.
  * **K-Means Clustering:** Grupuje punkty danych w 'k' skupisk.
  * **DBSCAN:** Wykrywa skupiska o nieregularnych kształtach i odrzuca punkty odstające (szum).

> **Zastosowanie:** Segmentacja typów dni w biurowcu (Dni robocze / Weekendy / Święta) na podstawie profili zużycia wody.

===== 4. Sieci Neuronowe (Neural Networks) =====
**Typ uczenia:** Uczenie Głębokie 
**Cel:** Modelowanie bardzo złożonych, nieliniowych zależności.

  * **LSTM (Long Short-Term Memory):** Specjalny rodzaj sieci rekurencyjnej (RNN), idealny do analizy **szeregów czasowych**. Pamięta, co działo się wczoraj, co jest kluczowe przy bezwładności cieplnej budynku.

> **Zastosowanie:** Zaawansowana predykcja temperatury wewnętrznej z uwzględnieniem historii pogody z ostatnich 24h.

===== Podsumowanie doboru metod =====

^ Problem Inżynierski ^ Rodzaj Danych ^ Wybrany Algorytm ^
| **Ile prądu zużyje budynek?** | Ciągłe (kWh, Temp) | **Regresja Liniowa** |
| **Czy silnik zaraz ulegnie awarii?** | Wibracje (Hz) | **SVM (Klasyfikacja)** |
| **Jakie są typy użytkowników biura?** | Wejścia (Logs) | **K-Means (Klasteryzacja)** |
| **Jaka będzie temperatura za 4h?** | Szereg czasowy | **LSTM / Regresja** |