Applicatie uit de echte wereld

Optimalisatie van autonome apparatuur

Integreer machine learning rechtstreeks in de controllers van HVAC-apparatuur, zodat apparatuur de prestaties onder reële bedrijfsomstandigheden kan leren, aanpassen en optimaliseren.

Bekijk de oplossing Whitepaper downloaden

Uitdaging

Conventionele HVAC-regelaars zijn afhankelijk van vaste instellingen die zich niet kunnen aanpassen aan veranderende bedrijfsomstandigheden. Voor AHU's kan dit betekenen dat ze te vroeg of te vaak worden ontdooid, waardoor er gedurende de winter verwarmingsenergie wordt verspild.

Oplossing

Machine learning, geïntegreerd in de Climatix-controller, leert het normale, vorstvrije gedrag van de luchtbehandelingsapparatuur kennen. Het detecteert tekenen van vorst met behulp van bestaande bedieningssignalen en activeert de ontdooiing alleen wanneer dat nodig is.

Voordelen

Help OEM's van HVAC om adaptievere en efficiëntere apparatuur te leveren en tegelijkertijd onnodig energieverbruik, extra hardware en complexiteit van de installatie te verminderen.

Verminder het energieverbruik voor verwarming in de winter
Alleen ontdooien als dat nodig is
Vermijd extra hardware voor vorstsensoren
Geen extra inbedrijfstelling

Infographic met 5 pictogrammen die staan voor de optimalisatie van autonome apparatuur

Hoe gaat u aan de slag

Van statische ontdooiregels tot zelfoptimaliserende luchtbehandelingskasten, zonder extra sensoren. Siemens integreert machine learning rechtstreeks in het Climatix-controllerplatform.

Illustratie van leren voor de optimalisatie van autonome apparatuur

1. Leer

De controller leert het vorstvrije voedingspatroon van de ventilator kennen als virtuele referentie; er is geen speciale vorstsensor nodig.

Illustratie die de monitoring van de optimalisatie van autonome apparatuur weergeeft

2. monitor

Het vergelijkt voortdurend het voorspelde, vorstvrije ventilatorvermogen met het werkelijk gemeten ventilatorvermogen in realtime.

Illustratie die de detectie van de optimalisatie van autonome apparatuur weergeeft

3. Detecteren

Een groeiende afwijking duidt op vorstvorming, gevalideerd in simulatie, laboratorium en veld.

Illustratie die Defrost&Adapt voorstelt voor de optimalisatie van autonome apparatuur

4. Ontdooien en aanpassen

De ontdooiing wordt alleen geactiveerd wanneer dat nodig is. Het model blijft bij elke cyclus leren en zich verfijnen.

Illustratie die de resultaten weergeeft voor de optimalisatie van autonome apparatuur

5. Uitkomst

Apparatuur die zich voortdurend aanpast aan de werkelijke bedrijfsomstandigheden, waarbij de ontdooiing alleen op verzoek wordt geactiveerd door zelfadaptieve optimalisatie rechtstreeks op de controller, waardoor ijsblokkering op betrouwbare wijze wordt voorkomen en tegelijkertijd de energiekosten worden geminimaliseerd.

Aanpassen aan de reële omstandigheden

Leer het normale gedrag van apparatuur aan de hand van lokale bedrijfssignalen en pas deze aan binnen door de ingenieur gedefinieerde limieten. Ingenieurs definiëren doelstellingen, beperkingen, terugvalgedrag, de intentie van de inbedrijfstelling en de validatie van de release.

Incrementeel leren

Verfijn het geïntegreerde model voortdurend als de bedrijfsomstandigheden veranderen, zonder cloudconnectiviteit of grote historische datasets.

Verminder de energie voor verwarming in de winter

Naar schatting 20-30% reductie voor gedefinieerde AHU-scenario's zonder vorstsensoren, vergeleken met preventieve ontdooiing. *

* De resultaten zijn afhankelijk van het klimaat, het vriespunt, het bedrijfsschema, de luchtstroom, de grootte van de luchtbehandelingskamer, de efficiëntie van de warmteterugwinning en andere bedrijfsomstandigheden. De resultaten variëren en zijn niet gegarandeerd.

Geef uw reis een vliegende start met dit oplossingspakket

Climatix biedt het ecosysteem om op leren gebaseerde functies op grote schaal te ontwikkelen:

Conditiemonitoring: leer normaal gedrag aan en detecteer afwijkingen
Virtuele sensor: leer een gegevensmodel om fysieke sensoren te vervangen of er een back-up van te maken
Voorspellende modellen: patronen uit het verleden leren om de toekomst te voorspellen

Bekijk de oplossing

Casestudy

Ontdooien evolueert naar geautomatiseerde energiebesparingen

Vrouwelijke en mannelijke werknemer met notebooks die in een productieruimte staan

Gevalideerd, van simulatie tot veldtesten

Wanneer de buitentemperatuur onder het vriespunt daalt, is vorstvorming op AHU-warmtewisselaars onvermijdelijk. Intelligente ontdooiing leert het normale, vorstvrije gedrag van een luchtbehandelingsapparaat en detecteert vorst zonder extra sensoren. De oplossing is gevalideerd met behulp van AHU-gegevens, simulatie, veldtesten en tests in het Siemens Performance Lab in Zug, Zwitserland.