挑戰
傳統的 HVAC 控制依賴固定設定，無法適應不變的操作條件。對於 AHU 來說，這可能意味著解凍過早或太頻繁，在整個冬天浪費加熱能。
解決方案
Climatix 控制器中嵌入的機器學習會學習 AHU 的正常、無霜狀態。它使用現有的操作信號檢測冰霜跡象，並僅在需要時觸發解凍。
真實世界應用
自動設備優化
將機器學習直接嵌入 HVAC 設備控制器中，使設備能夠在實際操作條件下學習、調整和最佳化性能。
好處
協助 HVAC OEM 提供更適應性和效率的設備，同時減少不必要的能源使用，增加硬體和設置複雜性。
- 減少冬季暖能耗
- 僅在需要時解凍
- 避免額外的霜凍感測器硬件
- 無需額外的調試工作
如何著手
從靜態解凍規則到自我最佳化 AHU，無需額外的感測器。西門子將機器學習直接嵌入 Climatix 控制器平台中。
1.學習
控制器學習 AHU 的無霜風扇功率模式作為虛擬參考，無需專用的霜凍傳感器。
二.監視器
它不斷地即時比較預測的無霜風扇功率與實際測量的風扇功率。
三.偵測
越來越多的偏差表示冰霜形成，並在模擬、實驗室和現場驗證。
4.解凍和調整
解凍僅在需要時觸發。該模型隨著每個週期都不斷學習和精進。
5.結果
設備可持續適應實際操作條件，僅根據需求觸發解凍，直接在控制器上進行自適應最佳化，可靠地防止冰塊，同時降低能源成本。
適應現實條件
從本地操作信號學習正常設備行為，並在工程師定義的限制內進行調整。工程師定義目標、限制、備用行為、調試意圖和發行驗證。
增量學習
隨著作業條件的變化，不需要雲端連線或大型歷史資料集，不需要進行雲端連線能力，不需要
降低冬季暖氣能量
與預防解凍相比，在沒有凍結感測器的定義 AHU 情況下，估計可減少 20-30%。*
* 結果取決於氣候，凍結時間，運行時間，氣流，AHU 尺寸，熱回收效率和其他操作條件。結果有所不同，並不保證。
使用此解決方案套件開始您的旅程
Climatix 提供生態系統，以大規模開發基於學習的功能：
- Condition monitoring：學習正常行為並檢測異常
- 虛擬感測器：學習資料模型以取代或備份物理感測器
- 預測建模：學習過去的模式，預測未來
案例研究
將解凍轉化為自動節能
從模擬到現場測試驗證
每當室外空氣溫度降至冰點以下時，AHU 熱交換器上的冰霜是不可避免的。智能解凍能學習 AHU 的正常、無霜狀態，並且無需額外的傳感器即可偵測霜凍。該解決方案在瑞士祖格的西門子性能實驗室使用 AHU 數據、模擬、現場測試和測試進行驗證。