Podstawy Uczenia Maszynowego w Inżynierii Budynkowej

Wdrożenie sztucznej inteligencji w zarządzaniu nieruchomościami to nie tylko instalacja nowych czujników, ale przede wszystkim zmiana sposobu przetwarzania danych.

Tradycyjne systemy automatyki (BMS) działają na sztywnych regułach “jeżeli-to” (np. “jeśli temperatura > 24°C, włącz chłodzenie”). Systemy ML działają inaczej – szukają wzorców w danych historycznych i na ich podstawie podejmują decyzje, adaptując się do zmian.

W inżynierii budynkowej proces ten składa się zazwyczaj z trzech etapów:

1. 1. Zbieranie danych (Input): System pobiera historię z ostatnich lat – zużycie prądu, temperatury, awarie.
2. 2. Trenowanie modelu: Algorytm “uczy się”, jakie warunki (np. mróz na zewnątrz + poniedziałek rano) prowadzą do wysokiego zużycia energii.
3. 3. Predykcja: System otrzymuje nowe dane (prognozę pogody na jutro) i przewiduje, co się stanie, zanim to nastąpi.

W zależności od tego, jaki problem chcemy rozwiązać (liczymy koszty czy szukamy awarii), stosuje się różne podejścia.

Stosujemy, gdy wynikiem ma być konkretna liczba.

• Zasada: Algorytm rysuje linię trendu przez dane historyczne, uwzględniając wiele zmiennych naraz.
• Przykłady w budynku:
  • Prognozowanie rachunku za prąd w przyszłym miesiącu.
  • Szacowanie czasu potrzebnego na schłodzenie sali konferencyjnej przed spotkaniem.
  • Określanie żywotności filtra w wentylatorze (ile dni zostało do wymiany).

Stosujemy, gdy system ma przypisać obecną sytuację do konkretnej kategorii (np. “OK” albo “AWARIA”).

• Zasada: Algorytm wyznacza granicę między bezpiecznym a niebezpiecznym stanem pracy.
• Przykłady w budynku:
  • Rozróżnianie fałszywego alarmu pożarowego od prawdziwego (na podstawie dymu i temperatury).
  • Decyzja, czy biuro jest zajęte (na podstawie poziomu CO2), aby wyłączyć światło.
  • Wykrywanie wycieków wody (typowe zużycie vs nagły skok).

Specyficzny rodzaj analizy, gdzie system uczy się “normalnego” zachowania budynku. Wszystko, co odbiega od normy, jest zgłaszane jako potencjalna usterka.

• Przykład: Wentylator pobiera o 10% więcej prądu niż zwykle przy tych samych obrotach – system zgłasza zużycie łożyska, zanim ono stanie.

Największą zaletą ML jest przejście ze sterowania reaktywnego na predykcyjne.