Case Studies / Producent HVAC
ENERGIA I TECHNOLOGIA BUDYNKOWA · IOT
Przekształcanie surowych danych z czujników w inteligencję prewencyjnego utrzymania ruchu
Globalny producent HVAC posiadał ponad 100 urządzeń generujących ciągłe dane z czujników, lecz bez zautomatyzowanego sposobu wykrywania anomalii, klasyfikowania trybów pracy ani identyfikowania uszkodzonych czujników. Zbudowaliśmy serię potoków ML na AWS, które zastąpiły ręczne monitorowanie inteligentną, zautomatyzowaną analizą.
Klient: Globalny producent HVAC (pod NDA) – jeden z czołowych na świecie producentów systemów grzewczych i klimatyzacyjnych z flotami urządzeń obsługiwanymi przez IoT.
Kluczowe wyniki
100+
Monitorowanych urządzeń, z których każde posiada ponad 50 czujników
5
Odrębnych przypadków użycia AI zrealizowanych w ramach współpracy
AWS
Pełna architektura danych w chmurze zbudowana od podstaw
Auto
Automatyczne wykrywanie anomalii zastępujące ręczne monitorowanie czujników
BRANŻA
Energia i technologia budynkowa
PRZYPADEK UŻYCIA
Wykrywanie anomalii i analityka czujników
PODEJŚCIE AI
ML + głębokie sieci neuronowe
DANE
Szeregi czasowe, ponad 50 czujników na urządzenie
INFRASTRUKTURA
AWS, Azure IoT Hub
ZAKRES WSPÓŁPRACY
Seria wieloprojektowa
Wyzwanie
Nowoczesne systemy HVAC są wyposażone w czujniki IoT – temperatury, ciśnienia, wilgotności, przepływu powietrza i dziesiątki innych – generujące nieprzerwany strumień danych operacyjnych. Nasz klient posiadał ponad 100 urządzeń w terenie, z których każde było wyposażone w ponad 50 czujników. Dane istniały, lecz w większości pozostawały niewykorzystane.
Konserwacja była nadal reaktywna. Usterki czujników pozostawały niezauważone, dopóki nie powodowały widocznych problemów. Nie istniał zautomatyzowany sposób klasyfikowania trybów pracy urządzeń, porównywania niezawodności czujników między wariantami produktów ani optymalizacji wydajności na podstawie warunków środowiskowych. Surowe dane były dostępne – brakowało warstwy inteligencji.
Kluczowy problem: Zasadniczy problem: klient dysponował ogromnym wolumenem danych z czujników IoT, lecz brakowało mu architektury danych, potoków przetwarzania i modeli ML niezbędnych do wyciągnięcia z nich praktycznych wniosków. Wszystko odbywało się ręcznie – albo nie odbywało się w ogóle.
Co zbudowaliśmy
Nie był to pojedynczy projekt, lecz seria zleceń – każde ukierunkowane na konkretny przypadek użycia. Razem przekształciły dane z czujników klienta z biernego produktu ubocznego w aktywne narzędzie operacyjne.
Architektura danych w chmurze. Zbudowaliśmy fundamentalną infrastrukturę danych na AWS – potoki pozyskiwania danych, warstwy przetwarzania i przechowywania – z wykorzystaniem Apache Airflow do orkiestracji, AWS Glue do ETL, Athena do zapytań oraz Azure IoT Hub do łączności urządzeń. Dało to klientowi skalowalną platformę dla wszystkich kolejnych prac analitycznych.
Analiza niezawodności czujników. Analizowaliśmy dane z testów terenowych w celu identyfikacji czujników o najwyższej trwałości i niezawodności w poszczególnych wariantach produktów. Wymagało to pracy bez danych referencyjnych – z zastosowaniem zaawansowanych algorytmów grupowania do wykrywania nieprawidłowych wzorców zachowań poprzez badanie korelacji między grupami czujników.
Klasyfikacja trybów pracy. Korzystając z analizy wielowymiarowej, zbudowaliśmy modele automatycznie klasyfikujące tryby pracy urządzeń – ogrzewanie, chłodzenie, czuwanie, odmrażanie i inne – co pozwoliło klientowi zrozumieć, jak urządzenia były faktycznie użytkowane w terenie, zamiast opierać się na założeniach.
Wykrywanie anomalii. Opracowaliśmy algorytmy identyfikujące usterki czujników lub urządzeń poprzez wykrywanie odchyleń od normalnych wzorców danych. Zastąpiło to ręczne monitorowanie automatycznymi alertami, wychwytując problemy odpowiednio wcześnie – zanim przerodzą się w poważne awarie lub konieczność wezwania serwisu.
Szacowanie wpływu na środowisko. Zbudowaliśmy modele oceniające wpływ różnych trybów pracy na otoczenie – w tym automatyczną optymalizację jakości powietrza na podstawie warunków wewnętrznych i zewnętrznych.
Wyniki
PRZED
Dane z czujników były zbierane, lecz w większości niewykorzystywane. Konserwacja reaktywna. Brak automatycznej klasyfikacji zachowania urządzeń ani wczesnego wykrywania usterek.
PO
Pełna platforma analityki w chmurze wdrożona produkcyjnie. Automatyczne wykrywanie anomalii, klasyfikacja trybów pracy i wgląd w niezawodność czujników w całej flocie urządzeń.
Klient przeszedł od reaktywnej konserwacji do podejmowania decyzji opartych na danych. Usterki czujników, które wcześniej pozostawały niezauważone, były teraz wykrywane automatycznie. Zespoły produktowe zyskały konkretne dane dotyczące niezawodności czujników na potrzeby przyszłych decyzji sprzętowych. Klasyfikacja trybów pracy ujawniła, jak urządzenia były faktycznie używane – informacje, które bezpośrednio zasiliły prace nad rozwojem produktu.
Współpraca pokazała, że ustrukturyzowane podejście do danych IoT – zaczynając od solidnej architektury chmurowej i dokładając kolejne przypadki użycia ML – pozwala uwolnić znaczącą wartość operacyjną z danych, które były już generowane, lecz nigdy nie były w pełni wykorzystywane.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
MEDTECH · APOQLAR
Czas realizacji kwestionariuszy bezpieczeństwa skrócony z miesiąca do tygodnia
Każdy nowy klient szpitalny wymagał wypełnionego kwestionariusza, 8–10 osób, około miesiąca, zbierając odpowiedzi z polityk różnych działów. Teraz asystent AI automatycznie tworzy odpowiedzi, oszczędzając szacunkowo 90 000 $/rok.
-75%
Czas realizacji
$90K
Roczne oszczędności
MEDTECH · APOQLAR
Wirtualny asystent GenAI zastępujący ręczne wyszukiwanie dokumentów
Pracownicy wsparcia spędzali godziny na przeszukiwaniu setek dokumentów produktowych, aby odpowiedzieć na pytania klientów i compliance. Teraz zadają pytania w języku naturalnym i otrzymują odpowiedzi z odniesieniami do źródeł w ciągu sekund.
RAG
Zintegrowany
Zarządzanie kontekstem
Zoptymalizowane