Krypa, gå, springa: AI-drivna byggnader

Processen att maximera byggnadens effektivitet är en inkrementell process. Precis som människor måste lära sig att krypa och sedan gå innan de kan springa, måste byggnadschefer först samla in relevanta basdata om energiförbrukning i samband med system som HVAC och belysning. Som vi alla vet, om du inte kan mäta det, kan du inte fixa det.

Därefter kan byggnadschefer använda de data de har samlat in för att göra stegvisa förbättringar inom områden som energieffektivitet, drift och komfort.

”Löpning”, i samband med fastighetsförvaltning, sker när data från olika källor inom en byggnad och till och med över flera byggnader integreras, analyseras och hanteras i realtid, autonomt baserat på AI.

Enligt min åsikt är byggnadernas framtid följande: hållbara, autonoma byggnader med lägre underhållskostnader.

På något sätt har framtiden kommit

Implementera och ansluta sensorer

Det största hindret för mer hållbara och lönsamma byggnader kommer från brist på data om byggnadssystem och drift. Vi måste lösa datainsamlingen, både i fas ett och fas två, och det görs genom att installera sensorer och ansluta till det befintliga lokala fastighetshanteringssystemet.

VVS-system förbrukar upp till 70% av den årliga energin som används i byggnader, och variation i faktorer som luftflöde, luftfuktighet, tryck och temperatur påverkar systemets prestanda. Sensorer som spårar variabler som dessa skapar en mängd information som kan utnyttjas av AI-algoritmer för att uppnå en effektivitetsnivå som annars inte skulle vara möjlig. På samma sätt kan beläggnings- och rörelsesensorer generera realtidsdata om en byggnads användning som kan utnyttjas för att öka effektiviteten.

Att samla in data är avgörande, och aggregering av data från flera källor — till exempel fastighetsautomation och fastighetshanteringssystem — multiplicerar din förmåga att öka lönsamheten och effektiviteten inom en enda byggnad och även mellan flera byggnader i en portfölj. Eftersom byggnader står för 40% av den totala energianvändningen världen överAtt minska energiförbrukningen i denna sektor har globala klimatkonsekvenser.
AI-aktiverad analys kan också bidra till att minska systemets stillestånd och förbättra effektiviteten genom att upptäcka avvikande beteende i systemkomponenter som ventiler och utlösa en underhållsvarning.

Eftersom underhåll och omskolning av Building X-algoritmer sker automatiskt fortsätter modellerna att bibehålla sin noggrannhet när förhållandena och tillhörande data ändras. Vi tror att den bästa AI är den som fungerar i bakgrunden och låter kunderna fokusera på sin verksamhet.

Vi har algoritmer inbyggda i Building X som gör att du kan göra en viss nivå av optimering på ett dussin olika aspekter av hållbarhet, på olika aspekter av energiförbrukning, och på olika aspekter av säkerhet och drift. Det är en resa, och vi har precis börjat den resan.

Framtida möjligheter med autonomt beteende

Med tanke på behovet av att skala upp smarta infrastruktur- och automationslösningar till byggnader som fortfarande saknar dem, har vi lanserat Siemens Xcelerator. Building X är en del av denna öppna digitala affärsplattform som gör det möjligt för kunder att påskynda sin digitala transformation enklare, snabbare och i stor skala. Siemens Xcelerator är vår inbjudan till partners, kunder och utvecklare att samarbeta — och göra AI industriell kvalitet. Och i takt med att fler sensorer används och AI blir kraftfullare ser vi för oss ytterligare möjligheter att göra fastighetshantering mer hållbar, produktiv och lönsam.

Idag kan AI proaktivt upptäcka fel innan de uppstår, men i framtiden kan det konfigureras för att vidta åtgärder såsom att utlösa en arbetsorder baserat på de data som den samlar in. Det kan också optimera utrymmesutnyttjandet för att främja energieffektivitet genom att föreslå arbetsplatser för anställda i en byggnad så att de koncentreras till ett centralt område som värms upp eller kyls beroende på säsong.

Men när AI blir mer autonom kommer det fortfarande att styras av de parametrar som byggnadschefer definierar för det. Algoritmerna kan justera hastigheten på luftutbyten för att skydda passagerarnas hälsa under kalla och influensasäsonger, till exempel, eller en byggnadsägare kan styra systemet för att optimera HVAC-komponenter för att förlänga systemets livslängd.

Fas tre är autonomt beteende, där allt detta händer på egen hand löpande. Vi har fortfarande en lång resa att gå för att lägga till fler funktioner och optimera varje enskild byggnadstillgång. De potentiella fördelarna - för företagens slutlinjer och för miljön vi alla delar - är enorma.

Rahul Chillar är Senior Vice President och Head of Building X på Siemens Smart Infrastructure