Las unidades centrales de HVAC han dominado los espacios del hogar y del trabajo durante décadas. Y si bien demuestran ser muy eficaces para mantener la temperatura, la naturaleza subjetiva del confort tiende a ser un problema en espacios de trabajo grandes con varias personas. Para ello, puedes optar por un Sistema de Confort Personal o PCS, como asientos con calefacción y ventiladores que pueden ayudar a satisfacer las necesidades de cada individuo.
Sin embargo, la eficacia del PCS es limitada debido a una brecha de comunicación entre el HVAC central y las unidades PCS individuales. La temperatura constante que proporcionan estos sistemas tampoco tiene en cuenta los cambios en el entorno externo y requiere un ajuste manual. Esta falta de integración se puede superar con la IA y el Internet de las cosas. En este artículo, analizaremos los modelos propuestos para integrar PCS con un HVAC central.
1. Algoritmos de búsqueda
Un algoritmo de búsqueda encuentra el camino más corto hacia un problema buscando posibles soluciones. Para HVAC, encontrará el mejor tiempo de funcionamiento para obtener el máximo confort enfriando o calentando intuitivamente el espacio antes de que comiencen las horas de trabajo. Para ello se tienen en cuenta las preferencias de las personas, determinando un conjunto de parámetros que proporcionen el mayor confort para todos; por ejemplo, aprender cómo se ajusta manualmente el HVAC a lo largo del día e incorporar esos cambios en un sistema automatizado.
2. Inferencias lógicas
Si bien el algoritmo de búsqueda podría encontrar múltiples formas de ajustar automáticamente el sistema HVAC central, solo algunas de estas respuestas tendrían sentido intuitivo para la comodidad humana. Las computadoras funcionan según la lógica binaria VERDADERA y FALSA, pero el razonamiento humano es mucho más avanzado.
La IA tiene que tomar decisiones basadas en inferencias lógicas más complejas. Por ejemplo, si la temperatura exterior baja durante la noche, ¿qué nueva temperatura debería alcanzar el HVAC y bajo qué circunstancias esta respuesta debería ser diferente? Esto dará como resultado una automatización que elimina la necesidad de intervención humana.
3. Aprendizaje automático
El aprendizaje automático es una subrama de la Inteligencia Artificial que interpreta datos y crea modelos que simulan mejor el cerebro humano.
La interpretación precisa de los datos es esencial para garantizar que la IA que controla la calefacción o la refrigeración HVAC no sobreestime ni subestime la temperatura deseada de un espacio de trabajo. Un sistema HVAC debe poder tomar decisiones informadas basadas en las inferencias lógicas mencionadas anteriormente. Utilizando el aprendizaje automático, es posible entrenar un modelo que cambiaría los parámetros de HVAC como si fuera un ser humano real.
4. Sistemas conectados
Debido a la variación en las preferencias humanas, los PCS se utilizan para crear un entorno local creado específicamente para un individuo. Por ejemplo, si descubre que el aire acondicionado de su espacio está demasiado frío, puede utilizar un calentador inteligente para pies o asientos para lograr una temperatura más deseable. Cuando agrega IA a la mezcla, la configuración manual contribuye a entrenar la IA y se enciende y apaga automáticamente a medida que aprende sus preferencias con el tiempo.
Estos PCS deben estar conectados al sistema central de HVAC para tener en cuenta el entorno externo dinámico. Para que un enfoque algorítmico tenga pleno éxito, todos estos dispositivos deben estar interconectados y controlados por una única IA para un control más preciso. Tener PCS conectados a un HVAC a través de Internet o una LAN local puede ser una forma de lograrlo.
Desafíos y desventajas
Se pueden observar varias dificultades en la implementación de un sistema de este tipo. Un sistema tan avanzado requiere mucho tiempo y memoria. En segundo lugar, los PCS por sí solos pretenden ser dispositivos económicos que utilicen una fracción de la energía de un HVAC y proporcionen comodidad individual. Agregar la funcionalidad de IA frustraría este propósito debido al aumento de los costos operativos y de fabricación.
En segundo lugar, los algoritmos requieren datos de sensores más precisos para funcionar según lo previsto debido al control preciso que deseamos. Estos sensores aumentan el costo de un sistema PCS o HVAC. Comprar piezas de repuesto baratas para bombas y sensores para un sistema HVAC tradicional es mucho más rentable. Por otro lado, una solución basada en IA requeriría más dinero para reparaciones.
Nota final
Aunque las investigaciones actuales sobre el control automático son prometedoras, aún no se sabe si se podrá implementar a gran escala. Aún así, la disminución de los costos de las piezas de computadora y las técnicas de fabricación más económicas podrían convertir estos sistemas en una norma en el futuro cercano.
