cleaning

This is an old revision of the document!


Inteligentne Sprzątanie (Data-Driven Cleaning)

Usługi sprzątania stanowią jeden z największych kosztów operacyjnych w budżecie Facility Management. Tradycyjne podejście opiera się na stałych harmonogramach (np. “toaleta sprzątana co godzinę”, “biurka sprzątane codziennie wieczorem”).

Podejście to jest nieefektywne:

  • Sprzątane są strefy, z których nikt nie korzystał (strata zasobów).
  • Strefy przeciążone są sprzątane zbyt rzadko (skargi użytkowników).

Machine Learning i IoT wprowadzają model Sprzątania na Żądanie (Demand-Based Cleaning).

System analizuje dane z czujników obecności i bramek wejściowych, aby w czasie rzeczywistym kierować personel sprzątający tam, gdzie jest potrzebny.

Przykład - Toalety: Zamiast wysyłać serwis co godzinę, system zlicza wejścia (People Counting).

  • Algorytm uczy się: “Średnio po 80 użyciach toaleta wymaga serwisu”.
  • Gdy licznik wybije 70 wejść, system wysyła powiadomienie na tablet pracownika: “Toaleta A, Piętro 3 - wymagany serwis za 15 min”.

Przykład - Biurka: W systemie Hot-Desking nie każde biurko jest używane codziennie. Czujniki podbiurkowe rejestrują zajętość.

  • Wieczorem ekipa sprzątająca otrzymuje na mapie cyfrowej tylko te biurka, które były faktycznie używane (czerwone punkty). Biurka nieużywane (zielone) są pomijane.
  • Efekt: Skrócenie czasu sprzątania piętra o 30-40%.

Algorytmy ML monitorują zużycie środków higienicznych (mydło, ręczniki papierowe) w oparciu o dane z inteligentnych dozowników.

System analizuje trendy (np. większe zużycie w sezonie grypowym) i przewiduje moment wyczerpania zapasów.

  • Eliminuje to sytuacje “pustego dozownika” (zadowolenie użytkowników).
  • Pozwala na optymalizację tras logistycznych (wymiana wkładów tylko tam, gdzie się kończą).

W dużych przestrzeniach (hol, korytarze, garaże) coraz częściej wykorzystuje się autonomiczne roboty sprzątające.

  • Wykorzystują one algorytmy SLAM (Simultaneous Localization and Mapping) do nawigacji.
  • ML pozwala robotowi omijać przeszkody (ludzi) i uczyć się najbardziej optymalnych ścieżek, aby pokryć 100% powierzchni przy minimalnym zużyciu baterii.
Wskaźnik Model Tradycyjny Model Oparty na Danych
Zużycie czasu Stałe (niezależne od ruchu) -20% (eliminacja pustych przebiegów)
Jakość higieny Zmienna (zależna od grafiku) Stała (interwencja w punkt)
Materiały Wymiana “na oko” Zużycie tylko wg potrzeb
Satysfakcja Średnia Wysoka
  • cleaning.1768915991.txt.gz
  • Last modified: 2026/01/20 13:33
  • by admin