Применение глубокого обучения в управлении и техническом обслуживании объектов в сфере отопления, вентиляции и кондиционирования воздуха
Application of deep learning in facility management and maintenance for heating, ventilation, and air conditioning
2022-06-23
SCID: 54.1/2f2nv8wa
Discuss with AI
системы HVACглубокое обучениеуправление объектами недвижимостипрогнозное техническое обслуживаниеобщедоступные наборы данных
Figures from the paper
Abstract (AI)
Несмотря на многообещающие результаты исследований в области глубокого обучения, его применение в строительной отрасли по-прежнему ограничено. Управление объектами (facility management, FM) в строительстве пока не использует в полной мере эффективность методов глубокого обучения в повседневной эксплуатации и техническом обслуживании. Отопление, вентиляция и кондиционирование воздуха (HVAC) являются важной составляющей операций по управлению объектами и их техническому обслуживанию (facility management and maintenance, FMM), а периодические неисправности HVAC могут приводить к значительным финансовым потерям. Применение методов глубокого обучения в FMM позволяет оптимизировать эксплуатационные характеристики зданий, особенно посредством предиктивного технического обслуживания, за счет снижения энергопотребления, планирования технического обслуживания и мониторинга оборудования. В настоящем обзоре рассмотрены 100 публикаций, демонстрирующих развитие нейронных сетей в этой области, и обобщены применения глубокого обучения в управлении объектами. Кроме того, обсуждаются текущие проблемы и оцениваются перспективы применения глубокого обучения для исследователей, разрабатывающих специализированные модели глубокого обучения для FMM. В статье также подчеркивается, что создание общедоступных наборов данных, релевантных для FM и предназначенных для предиктивного технического обслуживания, имеет решающее значение для эффективности методов глубокого обучения. Использование методов глубокого обучения для предиктивного технического обслуживания систем кондиционирования воздуха с тепловым аккумулированием (thermal-storage air conditioning, TS-AC) в составе HVAC необходимо для обеспечения экологической устойчивости, а также повышения экономической эффективности зданий.
Key Findings
1
Обзор 100 публикаций систематизирует развитие нейронных сетей и применения глубокого обучения в управлении объектами недвижимости.
2
Применение глубокого обучения для прогнозного обслуживания систем кондиционирования с тепловым аккумулированием важно для экологической устойчивости и экономической эффективности зданий.
3
Несмотря на многообещающие результаты исследований, применение глубокого обучения в управлении объектами недвижимости остается ограниченным, особенно в эксплуатации и обслуживании HVAC-систем.
4
Глубокое обучение может повысить эффективность HVAC-систем и зданий за счет прогнозного обслуживания, снижения энергопотребления, планирования технического обслуживания и мониторинга оборудования.
5
Общедоступные наборы данных, относящиеся к управлению объектами недвижимости, имеют решающее значение для разработки эффективных моделей глубокого обучения для прогнозного обслуживания.
Research Object
Системы отопления, вентиляции и кондиционирования воздуха (HVAC) в управлении и техническом обслуживании зданий, включая системы кондиционирования воздуха с тепловым аккумулированием (TS-AC)
Research Subject
Применение глубокого обучения для прогнозного технического обслуживания HVAC, включая оптимизацию энергопотребления, планирование обслуживания и мониторинг оборудования
Publication Details
Publication Date
2022-06-23
Journal
Publisher
ISSN
Cited by
126
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Снижение размерности данных с помощью нейронных сетей2006
Надёжное обнаружение аномалий в многомерных временных рядах с использованием стохастической рекуррентной нейронной сети2019