Application dans le monde réel

Optimisation de l'équipement autonome

Intégrez l'apprentissage automatique directement dans les contrôleurs d'équipement CVC, permettant à l'équipement d'apprendre, d'adapter et d'optimiser les performances dans des conditions de fonctionnement réelles.

Voir la solution Télécharger le livre blanc

Défi

Les commandes CVC conventionnelles reposent sur des paramètres fixes qui ne peuvent pas s'adapter aux conditions de fonctionnement changeantes. Pour les AHU, cela peut signifier décongeler trop tôt ou trop souvent, gaspiller de l'énergie de chauffage tout au long de l'hiver.

Solution

L'apprentissage automatique intégré au contrôleur Climatix apprend le comportement normal et sans gel de l'AHU. Il détecte les signes de givre à l'aide des signaux de fonctionnement existants et déclenche le dégivrage uniquement en cas de besoin.

Avantages

Aidez les équipementiers CVC à fournir des équipements plus adaptatifs et efficaces tout en réduisant la consommation d'énergie inutile, le matériel supplémentaire et la complexité de la configuration.

Réduire la consommation d'énergie pour le chauffage hivernal
Décongeler uniquement en cas de besoin
Évitez le matériel supplémentaire pour capteurs de gel
Aucun effort de mise en service supplémentaire

Inforgraphique avec 5 icônes représentant l'optimisation des équipements autonomes

Comment démarrer

Des règles de dégivrage statique aux AHU auto-optimisés, sans capteurs supplémentaires. Siemens intègre l'apprentissage automatique directement dans la plateforme de contrôleurs Climatix.

Illustration représentant l'apprentissage pour l'optimisation des équipements autonomes

1. Apprendre

Le contrôleur apprend le schéma d'alimentation du ventilateur sans gel de l'AHU comme référence virtuelle, aucun capteur de givre dédié n'est requis.

Illustration représentant la surveillance de l'optimisation des équipements autonomes

2. Moniteur

Il compare en permanence la puissance prédite du ventilateur sans gel avec la puissance réelle mesurée du ventilateur en temps réel.

Illustration représentant la détection de l'optimisation des équipements autonomes

3. Détecter

Un écart croissant signale la formation de givre, validé en simulation, en laboratoire et sur le terrain.

Illustration représentant Degivr&Adapt pour l'optimisation des équipements autonomes

4. Décongeler et adapter

Le dégivrage est déclenché uniquement en cas de besoin. Le modèle continue d'apprendre et de s'affiner à chaque cycle.

Illustration représentant le résultat pour l'optimisation des équipements autonomes

5. Résultat

Équipement qui s'adapte en permanence aux conditions réelles de fonctionnement, déclenchant le dégivrage uniquement sur demande grâce à une optimisation auto-adaptative directement sur le contrôleur, empêchant de manière fiable le blocage de la glace tout en minimisant les coûts énergétiques.

S'adapter aux conditions réelles

Apprenez le comportement normal de l'équipement à partir des signaux de fonctionnement locaux et adaptez-vous dans les limites définies par l'ingénieur. Les ingénieurs définissent les objectifs, les contraintes, le comportement de repli, l'intention de mise en service et la validation des mises en service.

Apprentissage incrémental

Affinez continuellement le modèle intégré à mesure que les conditions de fonctionnement changent, sans connectivité cloud ni grands ensembles de données historiques.

Réduire l'énergie de chauffage hivernale

Une réduction estimée de 20 à 30 % pour les scénarios AHU définis sans capteurs de gel, par rapport au dégivrage préventif. *

* Les résultats dépendent du climat, des heures de congélation, du programme d'exploitation, du débit d'air, de la taille de l'AHU, de l'efficacité de récupération de chaleur et d'autres conditions de fonctionnement. Les résultats varient et ne sont pas garantis.

Démarrez votre voyage avec ce package de solutions

Climatix fournit l'écosystème pour développer des fonctions basées sur l'apprentissage à grande échelle :

Condition monitoring : apprendre le comportement normal et détecter l'anormalie
Capteur virtuel : apprendre le modèle de données pour remplacer ou sauvegarder des capteurs physiques
Modélisation prédictive : apprendre les modèles du passé pour prédire l'avenir

Voir la solution

Étude de cas

Évoluer le dégivrage vers des économies d'énergie automatisées

Ouvrier féminin et masculin avec des cahiers debout à l'intérieur d'une zone de production

Validé de la simulation aux essais sur le terrain

Chaque fois que la température de l'air extérieur descend en dessous de zéro, la formation de givre sur les échangeurs de chaleur AHU est inévitable. Le dégivrage intelligent apprend le comportement normal et sans gel d'un AHU et détecte le givre sans capteurs supplémentaires. La solution a été validée à l'aide des données AHU, de la simulation, des essais sur le terrain et des tests au laboratoire de performance Siemens à Zug, en Suisse.