Сайт научно-технического журнала «Инженерные системы. АВОК Северо-Запад»

Особенности AI-управляемой системы фильтрации воздуха в жилых и общественных зданиях

По оценкам Eurasian Research Group, в 2023 году мировой рынок HVAC-систем составит 250 млрд долларов. Главным драйвером роста индустрии станет внедрение интеллектуальных систем, которые отличаются энергоэффективностью, экологичностью и способствуют реализации общего тренда на повышение безопасности жилых и общественных зданий.

На этом фоне особое значение приобретают разработка и внедрение адаптивных фильтрационных систем нового поколения. В том числе с применением искусственного интеллекта.

Одно из передовых решений в отрасли реализовала компания Folter R&D Enterprise, она входит в число ведущих производителей фильтрационных систем в России. Силами компании была разработана и внедрена AI-управляемая система фильтрации воздуха для HVAC-применений. При реализации этого проекта лично я занимался оптимизацией традиционных фильтрационных процессов для новых решений, а также вел работу по переосмыслению самой архитектуры фильтров, которая меняется при применении алгоритмов искусственного интеллекта.

Планы по разработке адаптивной системы компания вынашивала давно, однако 2020-й год заставил всех участников рынка HVAC-систем по-новому посмотреть на решения для вентиляции и реализации инновационных проектов в этой области.

Если раньше вопросы безопасности в профессиональном сообществе поднимались в первую очередь в контексте нивелирования рисков пожаров и и недопущения того, чтобы в помещениях скапливались опасные газы, то в период пика пандемии COVID-19 одним из главных требований со стороны органов здравоохранения к владельцам и эксплуатантам общественных зданий наряду с санитарной обработкой стало осуществление качественной вентиляции помещений. Это показало ключевую общественную значимость систем вентиляции в профилактике опасных заболеваний, передающихся воздушно-капельным путем.

При разработке AI-управляемой системы фильтрации воздуха нами была поставлена цель создать технологию, решающую следующие задачи:

— Анализ состава воздуха. Наша система должна была выявлять  CO₂, летучие органические соединения, а также взвешенные частицы PM2.5/PM10 — мелкодисперсные фрагменты земли и пыли.

— Определять степень загрязненности фильтрующих элементов и предсказывать время для их замены. Это требовалось для того, чтобы снизить риски вывода из строя вентиляционной системы за счет планового ТО.

— Автоматически регулировать скорость вентиляции и степень фильтрации в зависимости от нагрузки и загрязненности воздуха.

Для реализации этого решения был создан программный модуль, в основу его работы положены принципы машинного обучения.

В частности, использовались следующие методы:

— Градиентный бустинг, когда на основе базовых прогнозов и средних значений формируются вначале слабые модели, а затем полученные данные ложатся в основу более сильных моделей, которые также используются для обучения. За счет этого поэтапно повышается точность прогнозов.

— Адаптивная нейросеть, применяется для распознавания образов, когда все необходимые категории анализируемых данных разбиваются на кластеры, для каждого из которых формируется определенные оптимальные решения.

Для обучения мы использовали большой массив данных, собранных с наших HVAC-систем в городских условиях.

Сам фильтрационный блок интегрирован с цифровым контроллером и Modbus-интерфейсом, протоколом, используемым в системе «интернета вещей». Это решение делает возможным внедрение AI-управляемой системы фильтрации воздуха в существующие здания без полной модернизации.

Созданная нами AI-управляемая система обеспечивает динамическую фильтрацию. Ее главными преимуществами перед системами с фиксированными циклами очистки являются:

— Адаптивность. Система оперативно реагирует на малейшие изменения состава воздуха, что позволяет не допустить духоты даже в переполненных помещениях. Это открывает большие возможности для применения системы в местах массового скопления людей.

— Энергоэффективность. В период, когда нагрузка снижена, система автоматически снижает скорость вентиляции воздуха, что позволяет сэкономить ресурсы, а это не только экономия финансов на обслуживание здания или сооружения, но и существенный вклад в снижение воздействия на окружающую среду.

— Прогнозирование. AI-управляемая система может составлять прогнозы целого ряда негативных факторов:

• загрязнения, например, ориентируясь на предупреждения Гидромедцентра и МЧС России о пыльных бурях или лесных пожарах в регионе
• уровня аллергенов — в период весеннего цветения аллергенных растений, а летом — тополиного пуха
• вирусных частиц — в период сезонной заболеваемости гриппом и другими вирусными инфекциями, источником информации служат сводки региональных управлений МЧС России и Роспотребнадзора.

Перспективы применения AI-управляемой системы фильтрации воздуха видятся довольно широкими, как для общественных зданий, включая объекты критической инфраструктуры, так и для многоквартирных жилых домов, а также для промышленных предприятий.

Важно отметить, что при внедрении систем для разного типа объектов и в разных климатических зонах потребуется адаптация разработки к специфике здания.

Например, на промышленных объектах необходимо учитывать в первую очередь объем и характер выбросов предприятия. Состав органических частиц в воздухе на металлургическом производстве будет существенно отличаться от тех, что оказываются в воздухе на предприятии по разделению попутного нефтяного газа. Соответственно, все данные о характере выбросов необходимо заложить в программы машинного обучения для формирования графиков замены фильтров и анализа рисков, чтобы система заранее сигнализировала о необходимости ТО.

В жилых домах в разных климатических зонах необходимо использовать дополнительные данные о погодных факторах риска. А, например, на бизнес-объектах, например, в ресторанных комплексах или торговых центрах важно заложить данные о пиковых периодах посещаемости.

Для объектов транспортной инфраструктуры — вокзалов, аэропортов и станций метрополитена необходимо интегрировать систему с расписанием и периодами повышенного пассажиропотока. А при внедрении AI-управляемой системы фильтрации воздуха  в социальных объектах, например, в школах или детских садах, важно заранее заложить сведения о каникулах и праздниках.

Автор: Марибжон Сабиров, ведущий инженер и руководитель технологических процессов ООО «НПП «Фолтер»