Inteligência artificial ou Machine Learning, simplificadamente, é a prática de usar algoritmos que utilizam grandes quantidades de dados, fazendo previsões e aprendendo a executar tarefas. Como em quase todas as áreas de conhecimento humano, a IA pode e já está sendo usada para impactar positivamente o desempenho em aplicações de aquecimento, ventilação e ar-condicionado (HVAC).

Implementando o Machine Learning, os custos de construção de edifícios podem ser reduzidos em até US$ 30/m² e o custo operacional em até US$ 4/m².

Claro, o Machine Learning melhora também o conforto do ocupante.

O objetivo é alcançar 100% de conforto do usuário sem ativos ociosos, de modo que os investidores e proprietários de edifícios não precisem arcar com o custo de equipamentos extras que não são usados durante a maior parte de sua vida útil.

Desvio de Desempenho/Energia

 À medida que uma planta de resfriamento passa por seu ciclo de vida, seu desempenho e eficiência também são afetados. Os sistemas mecânicos envelhecem e eles não operam tão eficientemente como quando foram comissionados pela primeira vez. Essa mudança é chamada de desvio de desempenho ou desvio de energia. O desempenho do sistema diminui gradualmente devido às pequenas alterações no estado físico dos equipamentos.

A Figura 1 mostra como o consumo de energia aumenta com o tempo e que há picos quando ocorrem interrupções devido a pequenas falhas ou quando é necessário algum procedimento de manutenção. Uma vez a manutenção concluída, a eficiência do sistema é um pouco corrigida, mas o desempenho do sistema geralmente não retorna ao nível desejado. Observe que, na maioria dos edifícios, é somente quando ocorre uma interrupção que o mau desempenho é percebido e uma correção é feita.

Persistência

 A persistência é a medida de como a economia de energia dura após o comissionamento ou recomissionamento. Esta medida não considera os primeiros dias e semanas de operação, mas sim o ciclo de vida do edifício, e fornece um indicador de quão bem o sistema está mantendo a eficiência para a qual foi originalmente projetado.

A expectativa é que não apenas as metas de eficiência alcançadas no comissionamento sejam mantidas, mas que os operadores possam implementar as lições aprendidas em relação à operação da planta para obter melhores eficiências ao longo do tempo.

Superando o desvio e melhorando a eficiência do sistema

 O desempenho em uma planta de resfriamento tradicional sofrerá variações. Em média, seria de esperar algo ao redor de 25% de desvios.

Isso seria diferente se o sistema fosse otimizado? Em uma planta de chiller otimizada, inicialmente seriam notadas melhores eficiências, mas sem um método de identificação de desvios, este ainda estaria presente. Para manter o desempenho, o sistema deveria ser recomissionado toda vez que ocorresse um desvio.

A equipe de manutenção pode dispor de tempo para concluir com que frequência? Qual seria o efeito nos custos operacionais e nas horas de trabalho? Qual seria este custo se não fizermos o recomissionamento regular? Para realmente gerenciar o sistema e manter o desempenho correto, o recomissionamento deve ser realizado continuamente. É aqui que o Machine Learning pode ajudar.

Quando o Machine Learning é adicionado, a prática e a tecnologia não apenas mantêm a eficiência da planta, mas também podem melhorar a operação e a eficiência do sistema ao longo do tempo. Com isso, combinações e configurações podem ser aprendidas para operar uma planta de modo que o desempenho e a eficiência sejam melhores do que quando o sistema foi comissionado pela primeira vez.

 Como funciona o Machine Learning

 O Machine Learning, por definição, processa os dados de entrada, aplica o aprendizado por meio da avaliação e melhora a qualidade dos dados de saída.

Um gêmeo digital é uma réplica digital de algo no mundo físico. A criação de um gêmeo digital é possível graças a dispositivos de internet das coisas (IoT) que coletam dados do mundo físico para reconstruir a réplica em formato digital. Com um gêmeo digital, torna-se possível trazer insights sobre como melhorar as operações, aumentar a eficiência ou descobrir um problema antes que ele ocorra. As lições aprendidas com o gêmeo digital podem, então, ser aplicadas ao sistema físico com menor risco de falha.

Então, como o conceito de gêmeo digital está relacionado ao Machine Learning?

Um gêmeo digital captura dados novos constantemente e atualiza todas as variáveis de interesse ao longo do tempo para que as mudanças em um ambiente modelado possam ser vistas. Com base no que é aprendido, um modelo preditivo usando gêmeos digitais pode ser criado para entender quais seriam os resultados se operados de maneira diferente.

Machine Learning x Modelos tradicionais existentes

 O modelo de otimização tradicional é um modelo baseado em equações com apenas uma estratégia programada para operar o sistema. Este modelo possui equações estáticas com coeficientes fixos ajustados apenas no primeiro dia de comissionamento, quando todos os equipamentos estão no seu melhor. Quando o equipamento precisar de manutenção, a equação não mudará e o algoritmo continuará a usar a mesma forma de otimização. Isso é o que levará à perda de eficiência até que o equipamento com falha receba manutenção e seja recomissionado, levando a desvios ao longo do tempo.

Por outro lado, usando algoritmos de Machine Learning, a otimização pode ocorrer com dados em tempo real. É um modelo baseado em dados usando gêmeos digitais com um mapa de controle digital em evolução. Uma vez criado este mapa de controle, ele passará a operar com os novos pontos de operação do equipamento, evoluindo e explorando novas áreas operacionais. Isso permite que novas maneiras de operar a planta sejam descobertas.

O que mais o aprendizado de máquina traz para a mesa?

 O Machine Learning traz novas oportunidades para manutenção baseada em recursos de diagnóstico. Isso fornece notificações automáticas de qualquer falha de um equipamento, requisitos de serviço e desvios de desempenho muito antes do início de um desvio de fato. Cria uma oportunidade de melhorar os protocolos de atendimento; os operadores podem ir de abordagens de manutenção programada para manutenção preditiva baseada em condições reais.

Se várias plantas estiverem conectadas a um serviço de diagnóstico remoto na nuvem e todas as suas informações forem trazidas e analisadas, o aprendizado de uma planta é comparado a informações de outras plantas semelhantes, podendo:

• mostrar tendências que melhoraram o desempenho através do Machine Learning,
• ajudar a implementar o aprendizado logo após o comissionamento de um edifício, • reduzir o tempo de aprendizagem.

O Machine Learning é um modelo baseado em dados em evolução que identifica mais oportunidades de melhorias.

Edson Ishikawa, Service Sales Engineer and Control Systems da Armstrong Fluid Technology