Fabrication industrielle
Internet des objets industriel | Matériaux industriels | Entretien et réparation d'équipement | Programmation industrielle |
home  MfgRobots >> Fabrication industrielle >  >> Industrial Internet of Things >> Technologie de l'Internet des objets

Pourquoi le big data et l'analyse des bâtiments ne vont nulle part :1ère partie

En 2014, les entreprises du monde entier ont collectivement produit 8,4 zettaoctets (ou 8,4 billions de gigaoctets) de contenu numérique, contre 2,7 zettaoctets en 2012. C'est beaucoup d'informations à analyser - d'où le terme « big data », qui décrit la tendance de traiter des informations volumineuses et très variables pour former des informations modernes et optimiser les résultats. Interpréter cette montagne de mégadonnées dans le but de construire ou de rénover de meilleurs bâtiments commerciaux et résidentiels nécessite de nouveaux modes de pensée, tels que l'analyse des bâtiments.

L'analyse du bâtiment fait partie de la tendance croissante vers une automatisation plus complète des systèmes du bâtiment, un marché qui devrait atteindre 100 milliards de dollars (87,5 milliards d'euros) au cours des quatre prochaines années. Ces systèmes ont été intégrés dans des programmes plus vastes de construction durable, de conformité et de gestion des ressources. Les fonctions CVC jouent un rôle important dans la façon dont ces analyses ouvrent la voie à une utilisation plus efficace des systèmes et à une gestion optimisée des processus, déclare Kevin Burns, président de Bob Jenson Air Conditioning .

L'inefficacité coûte très cher

Les systèmes de chauffage et de refroidissement consomment entre 25 et 30 % de la consommation annuelle totale d'énergie dans les bâtiments résidentiels et entre 40 et 60 % dans les bâtiments commerciaux. Par exemple, une installation de refroidissement consomme environ un tiers de tous les besoins énergétiques liés au CVC (ou environ un cinquième des besoins énergétiques totaux d'un bâtiment).

L'utilisation des données des compteurs pour identifier les défaillances peut être difficile, car le gaspillage d'énergie est souvent incrémentiel (et/ou non linéaire) et deviendra caché dans un contexte plus large de statistiques de gaspillage. Au lieu de cela, ces chiffres accrocheurs et coûteux peuvent être réduits de près de moitié avec une maintenance système et une analyse des données appropriées.

Les mégadonnées peuvent créer des milliers de gigaoctets d'informations sur les systèmes CVC résidentiels et commerciaux pour créer des enregistrements à grande échelle, qui pourraient trouver des tendances historiques, analyser des modèles de cause à effet, comparer les performances CVC et calculer tout autre nombre de coûts réels -mesures d'efficacité.

Ce type de gestion pourrait réduire les coûts énergétiques de fonctionnement normal chaque année jusqu'à 20 % lorsqu'un bâtiment atteint son efficacité optimale, et il peut réduire les coûts d'immobilisation de 35 à 45 %. Le retour sur investissement moyen des solutions analytiques est supérieur à 13 $ (11,3 €) pour chaque dollar dépensé.

Visibilité au top

La conception de nombreux bâtiments et de leurs systèmes CVC est souvent intrinsèquement inefficace en raison de différents composants (par exemple, des serpentins, des ventilateurs, des vannes) qui ne sont pas modélisés séparément en raison de la dynamique couplée. Le grand nombre de points de consigne, de niveaux et de retours dans tout système de ventilation fait de la visibilité de haut en bas une priorité absolue.

Le dernier cri de l'apprentissage algorithmique

L'analyse des bâtiments, grâce à des algorithmes d'apprentissage automatique, a la capacité de réduire les demandes d'énergie, de prendre en compte les conditions météorologiques changeantes, de détecter les modèles d'occupation et de confort et de gérer la répartition des charges de pointe des systèmes CVC.

Les tout derniers algorithmes d'apprentissage automatique, connus sous le nom de réseaux de neurones profonds (DNN), utilisent l'intelligence artificielle pour résoudre des problèmes complexes en consommant des données brutes et en les traitant à travers de nombreuses couches transformatrices. Les DNN n'ont été mis en œuvre que récemment pour résoudre les problèmes de CVC, mais les premiers retours ont suggéré une économie d'énergie potentielle de 30 %.

L'auteur de ce blog est Kevin Burns est le président de Bob Jenson Air Conditioning 

À propos de l'auteur

Kevin Burns est le président de Bob Jenson Air Conditioning à San Diego avec plus de 29 ans d'expérience dans le domaine HVAC. Il a travaillé dans tous les aspects de l'industrie et a formé des dizaines de personnes. Il a la passion de faire ce qui est juste pour chaque maison et client et définit cette norme pour toute son équipe


Technologie de l'Internet des objets

  1. Qu'est-ce que l'Edge Computing et pourquoi est-ce important ?
  2. Les avantages de l'adaptation des solutions IIoT et d'analyse de données pour l'EHS
  3. Hyperconvergence et stockage secondaire :2e partie
  4. Hyperconvergence et Internet des objets :1ère partie
  5. Quelles industries seront les gagnantes de la révolution IoT et pourquoi ?
  6. Comment l'IoT peut aider avec le Big Data HVAC :Partie 2
  7. Créer une IA responsable et digne de confiance
  8. Comment donner du sens au Big Data :RTU et applications de contrôle de processus
  9. L'IoT et votre compréhension des données