挑战
传统的 HVAC 控制依赖于固定设置，无法适应不断变化的运行条件。对于aHU来说，这可能意味着过早或过于频繁地除霜，从而在整个冬天浪费取暖能量。
解决方案
Climatix控制器中嵌入的机器学习可以学习AHU的正常无霜行为。它使用现有操作信号检测霜冻迹象，仅在需要时触发除霜。
现实世界中的应用程序
自主设备优化
将机器学习直接嵌入到 HVAC 设备控制器中，使设备能够学习、调整和优化实际运行条件下的性能。
好处
帮助 HVAC OEM 提供更具适应性和更高效的设备，同时减少不必要的能源消耗、增加的硬件和设置的复杂性。
- 减少冬季取暖能源的使用
- 仅在需要时解冻
- 避免使用额外的霜冻传感器硬件
- 无需额外的调试工作
迈出第一步
从静态除霜规则到自优化的 AHU，无需额外的传感器。西门子将机器学习直接嵌入到Climatix控制器平台中。
1。学习
控制器学习AHU的无霜风扇功率模式作为虚拟参考，无需专用的霜冻传感器。
2。监视器
它会持续将预测的无霜风扇功率与实际测得的风扇功率进行实时比较。
3.检测
偏差增大表明霜冻形成，经过模拟、实验室和现场验证。
4。解冻和适应
只有在需要时才会触发解冻。该模型在每个周期中都在不断学习和完善。
5。成果
持续适应实际运行条件的设备，通过直接在控制器上进行自适应优化，仅在需要时触发除霜，可靠地防止结冰，同时最大限度地降低能源成本。
适应实际条件
从本地运行信号中学习正常的设备行为，并在工程师定义的限度内进行调整。工程师定义目标、约束条件、备用行为、调试意图和发布验证。
增量学习
随着运行条件的变化，不断完善嵌入式模型，无需云连接或大型历史数据集。
减少冬季取暖能量
与预防性除霜相比，在没有霜冻传感器的特定AHU场景中，估计可减少20-30％。*
* 结果取决于气候、冰冻时间、运行时间表、气流、AHU 尺寸、热回收效率和其他运行条件。结果各不相同，不能保证。
使用此解决方案包开启您的旅程
Climatix 为大规模开发基于学习的功能提供生态系统：
- Condition monitoring：学习正常行为并检测异常情况
- 虚拟传感器：学习数据模型以替换或备份物理传感器
- 预测建模：学习过去的模式，预测未来
案例分析
将除霜演变为自动节能
从仿真到现场测试均经过验证
每当室外气温降至冰点以下时，AHU 换热器上就不可避免地会结霜。智能除霜可学习 AHU 的正常无霜行为，无需额外传感器即可检测霜冻。该解决方案已在瑞士楚格的西门子性能实验室使用AHU数据、模拟、现场测试和测试进行了验证。