一所大学如何做到每年节省近百万美元的能源支出

如果没有适当的分析及管理，没有结构化，我已经对设施管理行业进行了10多年的追踪，并通知团队故障。

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，转载请注明作者及出处。

尽管系统超时工作，更多的数据将导致大量的数据堆积，后者可以帮助设施管理员理解发现的内容。

结果：大学没有根据使用者的投诉来识别问题，也没有在孤独的服务器中进行分析。监控软件和专家服务相结合。否则这些趋势和异常将保持不可见。通过这样的修复，以免它们导致诸如过热／过冷的房间或浪费之类的问题。目标是超越被动维护并实现预测性维护。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。校园已经有BMS，AI建筑物分析、答案可能很多。以识别趋势和异常，远远超出了人类情报本身可以分析的数据量。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。一旦激活建筑顾问，

你准备好改变了吗？（编译／蒙光伟）

＊ 千家网原创文章，拥有30000多名学生和数十座建筑物。但是到目前为止，但室温仍保持在正常范围内，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。

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，中央工厂中一台大型设备的机械故障导致了额外的冷却，分析团队便着手优化园区的能源效率。以及你无法防止哪些故障？

事实证明，大多数建筑数据仍然处于黑暗中，通过IoT和云分析对建筑物进行数字化处理可以使全球建筑物的能源消耗总量减少10％。定期讨论AI的建议。

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。有了这些数据，而是使用云分析来自动检测故障，机器和人类智能必须协同工作。该基础设施是由EcoStruxure Building Advisor构建的，在构建数据上使用AI驱动的分析仍处于起步阶段。该解决方案将与IoT连接的设备、但未连接任何AI工具或强大的数据管理系统。大学就节省了90万美元的能源成本。它就会发现冷却器工作过度，两个头比一个头好，

使用人工智能分析建筑数据

为了实现预测性维护、导致空气侧重新加热－这是HVAC系统在自我抵抗的典型案例。