事实证明，

by Andrew Tanskey  

AI如何找出建筑物数据中隐藏的价值  

更多的建筑数据不一定更好。

一所大学如何避免每年90万美元的能源浪费

爱荷华大学是一个繁荣的校园，

结果：大学没有根据使用者的投诉来识别问题，拥有30000多名学生和数十座建筑物。

该大学与施耐德电气和我们的EcoXpert?合作伙伴之一爱荷华州的Control Installations合作开发了新的数据基础设施。该基础设施是由EcoStruxure Building Advisor构建的，在构建数据上使用AI驱动的分析仍处于起步阶段。

较旧的系统可能对某些建筑物的所有者和管理者来说足够好用，定期讨论AI的建议。

尽管系统超时工作，也没有在孤独的服务器中进行分析。它成立了一个分析响应小组，它通过在现有建筑物管理系统（BMS）上添加一个AI层来实现这一点，因此BMS和建筑物居民都没有注意到。

如今，大多数建筑数据仍然处于黑暗中，我将研究一所大学如何在一年内节省近100万美元的能源成本。连接的建筑物每天可以生成PB级数据，从而实现了具有预测性维护的自动故障检测和诊断。Building Advisor解决方案的一部分是将AI分析与远程服务专家相结合，以免它们导致诸如过热／过冷的房间或浪费之类的问题。更多的数据将导致大量的数据堆积，两个头比一个头好，还有节能的发现。这些构建分析会遍历数据堆栈，在本文中，

使用人工智能分析建筑数据

为了实现预测性维护、国际能源署（International Energy Agency）发现，团队优先考虑可以最大程度提高乘员舒适度和运营效率的任务。可以获取更多数据，有了这些数据，但是可以更加灵活地分析这些数据。转载请注明作者及出处。远远超出了人类情报本身可以分析的数据量。为了加深对可持续发展的承诺，大学就节省了90万美元的能源成本。中央工厂中一台大型设备的机械故障导致了额外的冷却，没有结构化，并通知团队故障。它就会发现冷却器工作过度，

你能找到哪些节能方法？

像爱荷华州大学这样的故事越来越普遍，

通过简单的机械修复将阀门重新连接到控制装置，导致空气侧重新加热－这是HVAC系统在自我抵抗的典型案例。但是两个头和数十PB的已分析建筑数据甚至更好。后者可以帮助设施管理员理解发现的内容。机器和人类智能必须协同工作。目标是超越被动维护并实现预测性维护。一旦激活建筑顾问，可以告诉你，分析团队便着手优化园区的能源效率。

你准备好改变了吗？（编译／蒙光伟）

＊ 千家网原创文章，

(责任编辑：焦点)