Tulips Chen

建筑是通过多个系统运转的，比如加热，冷却，通风，照明，安全保障等等，其中每个系统都会影响建筑的舒适性和能耗量。一般来讲，每个系统都有自己的传感器，执行器等等，并且其中有些传感器可能会为某个具体的系统来收集和分析数据。因为用这种基于筒仓的方法来建设管理，所以对于一座建筑的经营效率，历来都没有一个整体的，或是像仪表盘一样的视图。这样就使精确地预测能源利用和浪费具有挑战性。

建在宾夕法尼亚州匹兹堡的卡内基梅隆大学（CMU）是一所领先的研究型大学，有超过12000名学生和5000名教职员工，并且自从1900年成立以来就是创新的发源地。在卡内基梅隆大学，建筑性能与诊断中心负责开发的硬件和软件解决方案，提高了校园建筑的效率，实现了更高的居住舒适度。

这个中心发现了一个契机来建立一个集成的，自动化的系统，该系统可以提高建筑物的节能性能并且通过预测能源的消费模式可以节省成本，进行故障检测并且及时采取行动。这样的系统能够预测加热或是冷却的需求然后以此为依据来调节，除此之外，它还能提醒建筑管理人员在部件完全磨损之前进行维修或更换。

在汇集了这样的预测性分析系统之后，卡内基梅隆大学的两个主要需求是：

1、该系统是易于实现的；

2、非技术人员也可以操纵该系统。

解决方案

与OSI soft公司合作工作，使这个中心创造了一个集成的系统，利用预测性分析的力量来治理所有过去和当前的传感器数据。Azure机器学习是卡内基梅隆大学的几个主要解决方案之一，它始于一个本地PI服务器™，收集整个校园的传感器数据，将其通过基于微软Azure的云服务PI™传送到一个运行在Azure的PI服务器，在那里一个OSIsoft研究工具进行清理，集合，形成和及时传送数据到一个Azure知识库，在知识库由Azure机器学习进行预测性分析。预测的结果通过商业智能增强版来访问，同存储在PI服务器的预测一起被建筑系统中的应用所使用。

这个解决方案快速，方便，并且设置和使用都比较廉价。“我们在没有准备本地软件的情况下立即开始使用Azure机器学习；一切都准备好了再使用云，”在该中心的一个研究员Bertrand Lasternas如是说，“它的使用比我们试过的其他工具更容易，它可以与我们已有的PI系统和微软云解决方案完全匹配。”

这里有几个涉及到卡内基梅隆大学解决方案的解说性的使用案例：

指定建筑的温度必须在上午9：00开始上班的时候达到72度。加热系统通常是在上午6：00开始工作，或者在较为暖和的时候会在上午6:30开始工作。但是这样一来极有可能浪费能源所以卡内基梅隆大学想利用预测性分析来确定建筑供暖开始的理想时间。研究的目标是使用一个包括最近的内部和外部的温度的模型，预先考虑到太阳辐射水平，以及其他几个因素来预测建筑物在早晨9：00的内部温度。由于预期的太阳辐射数据是不可用的，研究人员首先必须预测该变量。他们令一个太阳辐射模型在Azure机器学习使用了决策树算法，对模型进行测试以确认其准确性，然后将它用在内部温度模型来解决什么时候开始加热的问题，从而预测出可节约的能源。

卡内基梅隆大学还想解决的问题是隐藏在视觉检查下的组件故障检测与诊断，因为它们在墙后或是地下。通过对PI系统集合的历史数据使用Azure机器学习，他们能够预测这种故障，从而能够潜在的节约成本。

Azure机器学习解决方案还促进协作研究人员或研究生团队分享彼此的工作区。

获益

基于实验结果，卡内基梅隆大学的研究人员估计他们的解决方案系统可以减少20%的能源成本。对它进行跨校园的推广正在进行中，如果实现了，它就可以每年挽救成千上万美元。“节约不仅是减少能源的使用，也是减少一些能源使用的需求和花费。”Lasternas说。

　卡内基梅隆大学的研究人员预见PI数据库和微软的Azure支持的不只是研究人员，也是每日与建筑系统打交道的工程师和技术人员。例如，现场服务技术人员可以通过在他们笔记簿上的预测性分析来检查并更新远程设备。智能手机通知可以提醒工程师能源需求高峰因为该解决方案是可扩展的和具有成本效益的，所以它可以使用在那些无法用传统的解决方案来解决问题的建筑物和公用系统上。

你也可以从今天就开始，用微软Azure机器学习，在众多行业的客户当中部署企业级的预测性分析解决方案。

在卡内基梅隆大学，人们都在期待他们创造的解决方案的新的，更广泛的用途。“我们看到Azure机器学习和PI系统迎来了自主为大数据进行预测性分析的时代，”Lasternas说，“我们只能想到这个可能性。”