Quand on pense à l’une des applications du Machine Learning, ou l’apprentissage automatique, on ne pense pas forcément au domaine CVC, et pourtant, ce domaine est aussi propice aux utilisations du Machine Learning.
En effet, il existe plusieurs applications potentielles du l’apprentissage automatique dans les systèmes CVC.
1) Maintenance prédictive
Les algorithmes d'apprentissage automatique peuvent analyser les données historiques sur les performances du système CVC et identifier les modèles qui indiquent quand l'équipement est susceptible de tomber en panne. Cela peut aider les gestionnaires d'installations à planifier la maintenance et les réparations de manière proactive, en réduisant les temps d'arrêt et en améliorant l'efficacité globale du système.
2) Contrôle basé sur la demande
L'apprentissage automatique peut être utilisé pour optimiser le fonctionnement du système CVC en temps réel en fonction de la demande. Par exemple, un algorithme pourrait ajuster la température et le débit d'air dans un bâtiment en fonction du nombre de personnes présentes et des conditions météorologiques extérieures. Les capteurs, ou détecteurs de présence peuvent être utilisés. Les détecteurs de présence sont la prochaine génération de détecteurs de mouvement. Ce sont des systèmes intelligents conçus pour détecter la présence de personnes dans une zone spécifique, comme un bureau, un étage d'immeuble ou même un bâtiment entier pour permettre des flux de travail automatisés et une meilleure expérience des employés.
3) Diagnostique et réparation des pannes
Les algorithmes d'apprentissage automatique peuvent être entrainés pour reconnaître des modèles dans les données système qui indiquent quand un équipement ne fonctionne pas correctement. Cela peut aider les techniciens à diagnostiquer et à résoudre les problèmes plus rapidement et avec plus de précision.

4) Efficacité énergétique
L’apprentissage automatique peut être utilisé pour optimiser le fonctionnement du système CVC à des fins d'efficacité énergétique. Par exemple, un algorithme pourrait ajuster la température de consigne et le débit d'air en fonction des niveaux d'occupation et d'activité dans un espace, et prendre aussi en compte les conditions météorologiques à l'extérieur. Les méthodes de collecte de données pourront par exemple être classifié selon trois différentes approches, qui sont
(a) transfert des attributs professionnels de construction, énergétiques, géospatiaux du bâtiments vers une base de données
(b) collecte des données de consommation d'énergie et données d'occupation dynamiques du réseau IoT, couplés avec les lectures automatiques de la consommation d'énergie à l'aide du réseau SCADA et autres appareils intelligents
(c) collecte de données environnementales sur le Web (température de l'air, vitesse du vent, pression atmosphérique, etc.)
La base de données ainsi construite pourra être utilisé pour faire de l’apprentissage automatique, après avoir mis en place des étapes de nettoyage et de validation.
5) Qualité de l'air intérieur
La qualité de l'air intérieur est un enjeu mondial. L'exposition à court et à long terme à la pollution de l'air intérieur peut causer divers problèmes de santé, notamment des maladies respiratoires, des maladies cardiaques, des déficits cognitifs et le cancer. Les algorithmes d'apprentissage automatique peuvent être utilisés pour surveiller la qualité de l'air intérieur et ajuster le taux de ventilation afin de maintenir des niveaux acceptables de polluants et de contaminants.
Dans l'ensemble, l'utilisation de l'apprentissage automatique dans les systèmes CVC peut aider à améliorer les performances du système, à réduire la consommation d'énergie et à améliorer le confort et la santé des occupants du bâtiment.
NextCog vous accompagne dans la mise en place d’un réseau de capteurs intelligents et leurs intégration dans Google Cloud, ou Azure IOT, ou votre cloud privé. On peut aussi vous aider dans la conception de l’entrepôt de données Big Data, et le développement d’applications associés ( monitoring, alertes..)