iot [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.
====== Źródła Danych: Integracja BMS i IoT ======

Fundamentem każdego projektu Machine Learning są dane. W inżynierii budynkowej (Facility Management) pozyskanie wysokiej jakości danych jest wyzwaniem, ponieważ wymaga integracji dwóch światów: tradycyjnej automatyki przemysłowej (OT - Operational Technology) oraz nowoczesnego świata IT.



===== 1. Systemy BMS (Building Management Systems) =====
BMS to "centralny układ nerwowy" budynku. W większości obiektów komercyjnych to właśnie stąd pobieramy główne parametry pracy.

  * **Charakterystyka:** Systemy przewodowe, stabilne, ale trudne w modyfikacji.
  * **Typowe dane:**
    * Temperatury zasilania i powrotu (węzeł cieplny).
    * Statusy pracy central wentylacyjnych (Włączona/Wyłączona/Awaria).
    * Zużycie energii z liczników głównych.
  * **Problem:** Dane w BMS często są "uwięzione" w zamkniętym oprogramowaniu producenta i rzadko są zapisywane na dłużej niż 3 miesiące.

===== 2. Internet Rzeczy (IoT - Internet of Things) =====
Aby uzupełnić luki w danych z BMS, stosuje się nakładkowe systemy IoT. 

  * **Zastosowanie:**
    * **Monitoring środowiska:** Bezprzewodowe czujniki temperatury i CO2 w każdym pokoju (BMS mierzy zazwyczaj tylko na wyciągu z całego piętra).
    * **Retrofitting:** Opomiarowanie starych liczników wody nakładkami radiowymi.
    * **Occupancy:** Czujniki obecności pod biurkami (niezależne od systemu oświetlenia).

===== 3. Protokoły Komunikacyjne =====
Dane muszą zostać sprowadzone do wspólnego standardu. Przykładowe protokoły:

  * **BACnet/IP:** Światowy standard w budownictwie. Pozwala na komunikację urządzeń różnych producentów (np. sterownik Siemens rozmawia z pompą Grundfos).
  * **Modbus RTU/TCP:** Starszy, ale wciąż popularny protokół przemysłowy. Używany głównie do odczytu liczników energii i falowników.
  * **MQTT:** Protokół typowy dla IoT. Bardzo lekki, idealny do wysyłania danych do chmury lub serwera (np. DigitalOcean) przy słabym łączu internetowym.

===== 4. Architektura Przepływu Danych =====
Przykładowy model przetwarzania danych:

  - **Warstwa 1 (Edge):** Czujniki i sterowniki zbierają dane surowe (np. napięcie 0-10V).
  - **Warstwa 2 (Gateway):** Bramka sieciowa tłumaczy sygnały na język IP i wysyła je do bazy danych.
  - **Warstwa 3 (Storage):** Baza danych (np. InfluxDB lub SQL) przechowująca historię z podziałem na szeregi czasowe (Time-Series Data).
  - **Warstwa 4 (Analytics):** Skrypty Python (Jupyter Notebook) pobierają dane z bazy, czyszczą je i trenują modele ML.

===== Wyzwanie: Jakość Danych =====
W ML obowiązuje zasada //"Garbage In, Garbage Out"//. Jeśli dane wejściowe są błędne, model będzie bezużyteczny.

Typowe problemy napotkane podczas analizy danych budynkowych:
  * **Brakujące próbki :** Awaria Wi-Fi spowodowała dziurę w danych z 3 godzin.
  * **Szum:** Czujnik temperatury przy oknie nagrzewa się od słońca, fałszując odczyt dla całego pokoju.
  * **Wartości odstające:** Błąd transmisji zapisał zużycie energii jako "999999 kWh".