Application dans le monde réel

Optimisation de l'équipement autonome

Intégrez l'apprentissage automatique directement aux contrôleurs des équipements CVC, afin de permettre aux équipements d'apprendre, de s'adapter et d'optimiser leurs performances dans des conditions de fonctionnement réelles.

Voir la solution Télécharger le livre blanc

Défi

Les commandes CVC classiques reposent sur des réglages fixes qui ne peuvent pas s'adapter à l'évolution des conditions de fonctionnement. Pour les AHU, cela peut se traduire par un dégivrage trop tôt ou trop fréquent, ou par un gaspillage d'énergie pour le chauffage pendant l'hiver.

Solution

L'apprentissage automatique intégré au contrôleur Climatix détecte le comportement normal de l'AHU à l'abri du gel. 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 OEM de systèmes CVC à fournir des équipements plus adaptatifs et plus 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 en hiver
Décongeler uniquement en cas de besoin
Évitez les capteurs de givre supplémentaires
Aucun effort de mise en service supplémentaire

Infographie avec 5 icônes représentant l'optimisation des équipements autonomes

Comment commencer

Qu'il s'agisse de règles de dégivrage statiques ou d'autorégulateurs optimisés, sans capteurs supplémentaires. Siemens intègre l'apprentissage automatique directement à la plateforme de commande Climatix.

Illustration représentant Learning for Autonomous Equipment Optimization

1. Apprenez

La manette apprend le mode d'alimentation du ventilateur antigel de l'AHU à titre de 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 prévue, sans gel, des ventilateurs à la puissance réelle mesurée en temps réel.

Illustration représentant l'optimisation de la détection des équipements autonomes

3. Détecter

Un écart croissant indique la formation de givre, ce qui a été confirmé par simulation, en laboratoire et sur le terrain.

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

4. Décongeler et adapter

Le dégivrage n'est déclenché qu'en cas de besoin. Le modèle ne cesse d'apprendre et de s'affiner à chaque cycle.

Illustration représentant les résultats de l'optimisation des équipements autonomes

5. Résultat

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

Adaptez-vous aux conditions réelles

Apprenez le comportement normal de l'équipement à partir des signaux de fonctionnement locaux et adaptez-le 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 versions.

Apprentissage progressif

Affinez continuellement le modèle intégré en fonction de l'évolution des conditions de fonctionnement, sans connectivité au cloud ni grands ensembles de données historiques.

Réduire la consommation d'énergie pour le chauffage en hiver

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

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

Démarrez votre parcours avec ce package de solutions

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

Condition monitoring : apprenez les comportements normaux et détectez les anomalies
Capteur virtuel : découvrez le modèle de données pour remplacer ou sauvegarder les capteurs physiques
Modélisation prédictive : découvrez les tendances du passé pour prédire l'avenir

Voir la solution

Étude de cas

Faire évoluer le dégivrage vers des économies d'énergie automatisées

Travailleurs, hommes et femmes, tenant des carnets, debout dans 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 d'un AHU à l'abri du gel et détecte le givre sans capteurs supplémentaires. La solution a été validée à l'aide des données de l'AHU, de simulations, d'essais sur le terrain et de tests au laboratoire de performance Siemens à Zoug, en Suisse.