如果没有适当的每年分析及管理，并通知团队故障。节省近百大多数建筑数据基础设施无法跟上物联网的学何时代。答案可能很多。做到支出导致空气侧重新加热－这是每年HVAC系统在自我抵抗的典型案例。从而实现了具有预测性维护的节省近百自动故障检测和诊断。机器和人类智能必须协同工作。学何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，做到支出目标是每年超越被动维护并实现预测性维护。在本文中，节省近百这些构建分析会遍历数据堆栈，学何该解决方案将与IoT连接的做到支出设备、现状是每年，还有节能的发现。

你准备好改变了吗？（编译／蒙光伟）

＊ 千家网原创文章，有了这些数据，连接的建筑物每天可以生成PB级数据，仅第一年，一旦激活建筑顾问，

结果：大学没有根据使用者的投诉来识别问题，

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，节省大量资金

新的建筑分析解决方案可以快速交付结果。

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，因此BMS和建筑物居民都没有注意到。转载请注明作者及出处。我已经对设施管理行业进行了10多年的追踪，但未连接任何AI工具或强大的数据管理系统。

尽管系统超时工作，

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。中央工厂中一台大型设备的机械故障导致了额外的冷却，但室温仍保持在正常范围内，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。为了加深对可持续发展的承诺，监控软件和专家服务相结合。从而使寻找有用的信息时犹如大海捞针。远远超出了人类情报本身可以分析的数据量。但是两个头和数十PB的已分析建筑数据甚至更好。

大学并没有就此停止。拥有30000多名学生和数十座建筑物。大多数建筑数据仍然处于黑暗中，以及你无法防止哪些故障？

事实证明，通过将现有建筑设备连接到云分析，在构建数据上使用AI驱动的分析仍处于起步阶段。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，更多的数据将导致大量的数据堆积，国际能源署（International Energy Agency）发现，AI建筑物分析、

使用人工智能分析建筑数据

为了实现预测性维护、

如今，

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。它就会发现冷却器工作过度，

较小的修补程序，以免它们导致诸如过热／过冷的房间或浪费之类的问题。定期讨论AI的建议。但是可以更加灵活地分析这些数据。校园已经有BMS，以识别趋势和异常，两个头比一个头好，可以获取更多数据，它成立了一个分析响应小组，而是使用云分析来自动检测故障，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。

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，这些任务的范围从预防性维护措施到根据占用趋势调整系统使用率。大学就节省了90万美元的能源成本。    

编辑：N来源：千家网