1. Введение

Современный этап развития интеллектуальных зданий (Smart Building) и рынка технологий недвижимости (PropTech) характеризуется переходом от реактивного управления к системам проактивного мониторинга инженерных сетей в режиме реального времени. Классические автоматизированные системы управления зданиями (Building Management System, BMS) опираются на детерминированные пороги срабатывания аварийных сигналов, что не позволяет выявлять скрытую деградацию узлов оборудования на ранних стадиях. Внедрение распределенных сетей датчиков интернета вещей (IoT) в сочетании с алгоритмами машинного обучения (Machine Learning, ML) обеспечивает возможность комплексного анализа функционального состояния инженерных систем (отопления, вентиляции и кондиционирования — HVAC, водоснабжения и электросетей) и оптимизации энергопотребления [2].

2. Архитектура сбора данных с инженерных сетей

Архитектурно система сбора и обработки данных включает три базовых уровня: физический уровень IoT-датчиков (снятие параметров вибрации, температуры, давления, тока), уровень краевых шлюзов и протоколов передачи (Modbus RTU/TCP, BACnet, MQTT, LoRaWAN) и аналитический серверный уровень временных баз данных (InfluxDB) с ML-модулем предиктивной аналитики. Сведем характеристики основных протоколов передачи данных в инженерных сетях зданий в таблицу 1.

Таблица 1

Сравнительный анализ протоколов передачи данных в умных зданиях

3. Алгоритмы предиктивного обслуживания оборудования

Для предиктивного обслуживания инженерного оборудования (Predictive Maintenance) применяется двухэтапный алгоритмический подход. На первом этапе используется алгоритм выявления аномалий Isolation Forest, который оценивает степень отклонения текущих телеметрических профилей от нормального режима работы без необходимости размеченной обучающей выборки. На втором этапе на основе градиентного бустинга (XGBoost) выполняется прогнозирование остаточного ресурса оборудования (Remaining Useful Life, RUL) и автоматическая корректировка уставок температуры HVAC-систем с целью снижения пикового энергопотребления.

Проиллюстрируем это на рис. 1.

Рис. 1. Архитектура интеграции IoT-датчиков и ML-модели для предиктивного мониторинга [2]

4. Результаты исследования и апробация

Экспериментальная апробация системы на объекте коммерческой недвижимости площадью 12 000 кв. м показала, что интеграция IoT-сенсоров и предиктивных ML-моделей позволяет обнаружить неисправности подшипников вентиляторов за 10–14 дней до аварийного останова, а также обеспечить экономию электроэнергии в климатических системах на 15–18 % в течение эксплуатационного сезона.

5. Заключение

Таким образом, синергия беспроводных IoT-сенсоров и интеллектуальных ML-алгоритмов обеспечивает трансформацию традиционных инженерных систем в адаптивную инфраструктуру Smart Building. Это снижает эксплуатационные расходы, предотвращает внеплановые простои инженерного оборудования и повышает итоговую энергоэффективность объектов недвижимости.

Литература:

1. ГОСТ Р 56875–2016. Информационные технологии. Системы квалификации в области информационных технологий. Интерфейсы систем автоматизации зданий. — Введ. 2017–01–01. — Москва: Стандартинформ, 2016. — 24 с.
2. ГОСТ Р 59853–2021. Информационные технологии. Интернет вещей. Протокол передачи данных MQTT. — Введ. 2022–03–01. — Москва: Российский институт стандартизации, 2021. — 36 с.