人工智能在制冷空调系统中应用发展方向与产业落地关键问题探讨.docxVIP

人工智能在制冷空调系统中应用发展方向与产业落地关键问题探讨

1、什么是AI

人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听(语音识别等)、会看(图像识别等)、会说(人机对话等)、会思考(定理证明等)、会学习(机器学习等)、会行动(自动驾驶汽车等)。

人工智能算法图谱（简略版）

制冷领域智能化场景

2、AI+制冷现状

针对问题定制的”狭义人工智能“是主流

在学术研究角度，人工智能方法尝试用来解决大部分需求，处于百花齐放状态

在调研的文献中，研究方向主要可以分为故障诊断；负荷、需求等预测；降低能耗，控制温度等控制优化；

统筹协调，需求响应等设计优化四大类。

制冷+AI论文数量

故障诊断论文数量

预测领域论文数量

控制优化领域论文数量

设计优化领域论文数量

数据来源

为什么制冷产业和学术领域之间存在鸿沟？

以中央空调系统为例：大部分只有”人工“没有”智能“

某市公共建筑自控系统现状调研

62%的公共建筑安装BA系统

52%的建筑提供监测或启停控制

真正实现BA智能控制的建筑较少，少于5%

建筑智能化现状调研

大多不能正常运行

智能化系统使用后，运行1年出现软件或硬件故障的系统占40%，能够稳定运行5年以上的系统不到10%

运行低效

智能化系统故障不能及时解决，全自动运行控制功能无法充分利用

3、关键挑战

如何大幅度降低应用AI的难度和成本？

开发制冷人工智能方案：长链条、长周期、难进化、难复用、经验难以继承

制冷领域需求场景具有碎片化特征，AI维护成本高、应用范围狭窄，成本高

当前仍然处于有多少人工就有多少智能的阶段，解决通用性问题是关键

如何让制冷领域人工智能算法“开箱即用”？

当下的学术研究更多专注于算法的可能性与可行性

当下的学术研究对通用性、可用性及可靠性考虑过少

制冷+AI的学术研究流程示意

工业软件：人工智能落地最难的”最后N公里“

人工智能技术在制冷领域的应用是一个多学科交叉融合的问题

随着问题复杂度增加，软件开发的难度指数级上升

数据的价值在哪里，该如何去用？

数据的价值可能远没有我们想象的那么大，从数据中学习通用模型的价值不高

制冷领域难以直接借鉴数据科学在其他领域的成功范式

如何打通人的理解和计算机的理解？

标准化定义制冷领域的知识，用知识工程方法，让计算机也能”理解数据“

构建制冷领域语义网络，让所有设备及系统能够语义化沟通

浙大团队所开发开源制冷供热领域知识图谱

如何实现AI方面行业发展范式转变？

现有发展范式速度缓慢，远满足不了行业的巨大加速需求

需要从根本上降低碎片化制冷场景开发维护个性化AI方案的代价

需要重新架构人、人工智能和制冷的关系

4、GPT：机遇在哪儿？

GPT代表的是GenerativePre-trainingTransformer，是一个使用Transformer架构的预训练概率预测生成模型，它被广泛用于各种NLP任务，包括文本生成、文本分类、情感分析等等。

GPT能做什么？

生成式AI可能彻底改变企业的运作和互动方式，甚至重新定义我们对“工作”的认知

GPT在工业领域内能做什么？

知识考验：导致冷水机组蒸发器趋近温度过大的原因？

类GPT大语言模型在制冷领域潜力的测验

GPT-4具有的强大编程、理解自然语言和推理能力，是否能够自动完成中央空调中的能源负荷预测，故障诊断和异常检测任务？

通过人工与GPT的交互,可以实现建筑负荷预测的任务的自动编程,涉及数据预处理、特征工程、模型训练、模型评估、结果可视化和模型解释等环节

利用ASHRAERP-1312从两个AHU中收集的故障数据和正常数据，对GPT-4的故障诊断能力进行评价

类GPT技术在各领域有着广泛的应用前景，而不断创新和进步的技术也为其未来的应用提供了更加广阔的发展空间，即使面临诸多挑战，依旧未来前景可期

5、总结与展望

人工智能方法在制冷领域的技术成熟度