Manufactura industrial
Internet industrial de las cosas | Materiales industriales | Mantenimiento y reparación de equipos | Programación industrial |
home  MfgRobots >> Manufactura industrial >  >> Industrial Internet of Things >> Tecnología de Internet de las cosas

Por qué los macrodatos y la analítica de edificios no van a ninguna parte:Parte 1

En 2014, las empresas de todo el mundo produjeron colectivamente la friolera de 8,4 zettabytes (o 8,4 billones de gigabytes) de contenido digital, frente a los 2,7 zettabytes de 2012. Esa es una gran cantidad de información para analizar, de ahí el término "big data", que describe la tendencia de procesar información de gran volumen y muy variable para formar conocimientos modernos y optimizar los resultados. Interpretar esta montaña de macrodatos con el propósito de construir o renovar mejores edificios comerciales y residenciales requiere nuevos modos de pensar, como el análisis de edificios.

Los análisis de edificios son parte de la tendencia creciente hacia una automatización más completa de los sistemas de edificios, un mercado que se espera que alcance los 100.000 millones de dólares (87.500 millones de euros) en los próximos cuatro años. Estos sistemas se han integrado en esquemas más amplios para la construcción sostenible, el cumplimiento y la gestión de recursos. Las funciones de HVAC desempeñan un papel importante en la forma en que estos análisis abren un camino para un uso más eficiente de los sistemas y una gestión de procesos optimizada, dice Kevin Burns es el presidente de Bob Jenson Air Conditioning .

La ineficiencia cuesta mucho dinero

Los sistemas de calefacción y refrigeración consumen entre el 25% y el 30% del consumo energético total anual en los edificios residenciales y entre el 40% y el 60% en los edificios comerciales. Por ejemplo, una planta de enfriadoras consume alrededor de un tercio de todos los requisitos de energía relacionados con HVAC (o aproximadamente una quinta parte del total de requisitos de energía de un edificio).

El uso de datos de medidores para identificar deficiencias puede ser un desafío, ya que el desperdicio de energía a menudo es incremental (y / o no lineal) y se ocultará entre un telón de fondo más amplio de estadísticas de desperdicio. En cambio, esos números llamativos y costosos se pueden reducir casi a la mitad con un análisis de datos y un mantenimiento del sistema adecuados.

Los macrodatos pueden crear miles de gigabytes de información en sistemas de HVAC residenciales y comerciales para hacer registros a gran escala, que podrían encontrar tendencias históricas, analizar patrones de causa y efecto, comparar el desempeño de HVAC y calcular cualquier otro número de costo real. -métricas de eficiencia.

Este tipo de gestión podría reducir los costos de energía de operación normal cada año hasta en un 20% a medida que un edificio alcanza su eficiencia óptima, y ​​puede reducir los costos de tiempo de inactividad en un 35-45%. El retorno de la inversión promedio para las soluciones analíticas es de más de $ 13 (€ 11,3) por cada dólar gastado.

Visibilidad en la parte superior

El diseño de muchos edificios y sus sistemas HVAC son a menudo inherentemente ineficientes debido a diferentes componentes (por ejemplo, bobinas, ventiladores, válvulas) que no se modelan por separado debido a la dinámica acoplada. La gran cantidad de puntos de ajuste, niveles y retroalimentaciones en cualquier sistema de ventilación hace que la visibilidad desde arriba hacia abajo sea una prioridad.

Lo último en aprendizaje algorítmico

El análisis de edificios, a través de algoritmos de aprendizaje automático, tiene la capacidad de reducir las demandas de energía, tener en cuenta las condiciones climáticas cambiantes, detectar patrones de ocupación y comodidad y manejar la distribución de carga máxima de los sistemas HVAC.

Los últimos algoritmos de aprendizaje automático, conocidos como redes neuronales profundas (DNN), utilizan la inteligencia artificial para resolver problemas complejos al consumir datos sin procesar y procesarlos a través de muchas capas transformadoras. Las DNN se han implementado recientemente para resolver problemas de HVAC, pero los primeros resultados sugirieron un ahorro de energía potencial del 30%.

El autor de este blog es Kevin Burns es el presidente de Bob Jenson Air Conditioning

Sobre el autor

Kevin Burns es el presidente de Bob Jenson Air Conditioning en San Diego con más de 29 años de experiencia en el campo de HVAC. Ha trabajado en todos los aspectos de la industria y ha capacitado a decenas de personas. Le apasiona hacer lo correcto para cada hogar y cliente, y establece este estándar para todo su equipo


Tecnología de Internet de las cosas

  1. ¿Qué es la computación perimetral y por qué es importante?
  2. Los beneficios de adaptar IIoT y soluciones de análisis de datos para EHS
  3. Hiperconvergencia y almacenamiento secundario:Parte 2
  4. Hiperconvergencia e Internet de las cosas:Parte 1
  5. ¿Qué industrias serán las ganadoras en la revolución de IoT y por qué?
  6. Cómo puede ayudar IoT con el big data de HVAC:Parte 2
  7. Construyendo una IA responsable y confiable
  8. Cómo entender el big data:RTU y aplicaciones de control de procesos
  9. IoT y su comprensión de los datos
  10. Optimización de la fabricación con Big Data Analytics
  11. Cómo hacer que IOT sea real con Tech Data e IBM Part 2