Le “Machine Learning’’ – Partie 2
Notre résumé du balado de ASHRAE
Au début de cette année, nous avons partagé le balado d’ASHRAE sur le Machine Learning et ses implications en mécanique du bâtiment. Suite à cela, nous avons reçu plusieurs questions de nos clients. Aujourd’hui, étant donné que le podcast, disponible uniquement en anglais, dure plus de 43 minutes, nous avons pris soin de vous en proposer un résumé en français.
Le balado « Machine Learning in HVAC Applications », publié avec l’expertise de Michael Berger, met en lumière l’importance croissante du Machine Learning (ML), pour moderniser les systèmes HVAC, en maximisant leur efficacité énergétique et leur fiabilité, tout en ouvrant la voie à une gestion plus intelligente des bâtiments.
Voici notre résumé :
Les avantages potentiels du “Machine Learning”
- Optimiser les systèmes HVAC et réduire la consommation énergétique.
- Être plus efficace en automatisant les tâches : améliore l’efficacité du développement et du déploiement des solutions.
- Améliorer la maintenance prédictive en identifiant les défaillances potentielles des équipements avant qu’elles ne deviennent critiques.
- Ajuster les stratégies de contrôle en temps réel, en tenant compte des spécificités de chaque site.
Les défis du “Machine Learning’’ prédictif
- Analyse des compromis opérationnels :
Déterminer quel équipement doit être en fonctionnement en fonction des besoins :- Le refroidisseur (chiller) ou la tour de refroidissement ?
- Le refroidisseur ou les pompes de condensateur ?
- Prédire la température de sortie d’une tour de refroidissement en fonction de la température extérieure et de la charge.
- Principales préoccupations :
Le risque que le Machine Learning ne soit pas adapté à certaines applications spécifiques en HVAC.
L’apprentissage supervisé
- Apprendre les performances des équipements.
- Prédire les besoins en refroidissement en fonction de divers paramètres :
- Caractéristiques des matériaux (fabrication, épaisseur des murs, etc.).
- Nombre de pièces, conditions météorologiques et modèles de charge.
- Intégrer ces apprentissages dans un cadre d’optimisation.
Des exemples d’applications du “Machine Learning” en mécanique du bâtiment
- Stratégies de contrôle optimal :
- Comparer les opérations du refroidisseur, de la tour de refroidissement et des ventilateurs AHU pour optimiser leur fonctionnement.
- Déterminer le nombre optimal de refroidisseurs en activité dans une centrale de refroidissement (Chiller Plant).
- Maintenance prédictive :
- Collecter les données de la centrale de refroidissement pour prédire la consommation énergétique réelle par rapport à celle prévue.
- Développer un modèle générique, ajustable à des sites spécifiques.
- Apprentissage autonome :
- Nettoyer les données en éliminant celles issues de problèmes de capteurs ou de communication.
- Modélisation sémantique :
- Identifier les types de données pour détecter les équipements et les points de données.
- Tirer des enseignements des réponses humaines (expérience).
Les étapes pour développer une solution de “Machine Learning” ( ML)
- Recherche et validation des modèles avec des données réelles.
- Création de prototypes : tests hors ligne sur PC pour valider les hypothèses initiales.
- Tests sur le matériel cible pour évaluer la viabilité et le temps d’implémentation.
- Essais sur site et études de vérification menées par des tiers.
La clés du succès pour une solution ML en gestion de bâtiment
- Flexibilité : La solution doit être adaptable à plusieurs scénarios.
- Interface utilisateur :
- Simplifier le diagnostic des erreurs sans impacter d’autres fonctionnalités.
- Afficher les raisons des actions correctives de l’IA et permettre de désactiver une optimisation sans affecter les autres.
- Implication des gestionnaires de bâtiments : Ceux-ci doivent participer activement, notamment lors de la collecte des données.
Ce résumé met en lumière l’importance du “Machine Learning” pour le secteur HVAC, en offrant des solutions pour l’optimisation énergétique, la maintenance et la gestion efficace des systèmes.
Vous êtes resté sur votre faim? Voici le lien du balado ASHREA Journal Podcast (en anglais seulement) et voici la première partie de notre article sur le Machine Learning.
À propos de BAULNE
BAULNE est une entreprise québécoise spécialisée en mécanique du bâtiment et en solutions CVAC intégrées depuis plus de 20 ans. Chef de file du secteur, elle accompagne les gestionnaires de bâtiments et directeurs d’opérations grâce à son expertise en design-build, maintenance, efficacité énergétique et technologies intelligentes. Forte d’une équipe multidisciplinaire de plus de 70 professionnels, BAULNE vise l’excellence avec une mission claire : rendre les utilisateurs, administrateurs et propriétaires heureux dans leur environnement.
Pour découvrir nos expertises :
Nos services CVAC
Design-build sur mesure
Maintenance CVAC proactive
Optimisation énergétique et subventions
Le souci des gens et des bâtiments.
