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”. Systemy ML działają inaczej – szukają wzorców w danych historycznych i na ich podstawie podejmują decyzje ¹⁾.

[Image of simple diagram explaining machine learning process: input data → model → prediction]

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

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

W zależności od tego, jaki problem chcemy rozwiązać, stosuje się różne podejścia, zgodne ze standardami zarządzania aktywami ³⁾.

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 ⁴⁾.
  • Szacowanie czasu potrzebnego na schłodzenie sali konferencyjnej przed spotkaniem.

Stosujemy, gdy system ma przypisać obecną sytuację do konkretnej kategorii (np. “OK” albo “AWARIA”) ⁵⁾.

• Zasada: Algorytm wyznacza granicę między bezpiecznym a niebezpiecznym stanem pracy.
• Przykłady w budynku:
  • Rozróżnianie fałszywego alarmu pożarowego od prawdziwego.
  • Decyzja, czy biuro jest zajęte (na podstawie poziomu CO2).

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

Największą zaletą ML jest przejście ze sterowania reaktywnego na predykcyjne.