Til hovedinnhold
Norsk English

Systematisk avviksdetektering og optimalisering av ventilasjonsanlegg

Lær å stille relevante og presise krav i prosjekter som omhandler datadrevet bygningsdrift. Fokus vil være på ventilasjonsanlegg.

Informasjon

Sted
Oslo
Start
Legg til i kalender
Slutt
Påmeldingsfrist
Meld deg på her
Tid Innhold
08.15-08.30 Oppmøte og registrering
08.30-09.15 Datadrevet bygningsdrift
I denne økten setter vi scenen for kurset: Hvorfor er datadrevet bygningsdrift viktig, og hva skiller det fra tradisjonell drift? Du får innsikt i hva som kreves av infrastruktur og teknologi for å komme i gang. Vi ser på hvordan EU-krav og grønne lån driver utviklingen mot smartere og mer bærekraftige bygg.
09.30-10.35 Strukturert dataanalyse
Vi ser nærmere på hvordan data kan samles inn, struktureres, lagres og analyseres i bygg og hvor utfordringene ofte oppstår. Du får en introduksjon til eksisterende relevante verktøy samt grunnleggende teknikker for å analysere bygningsdata. Vi viser hvordan kunstig intelligens (maskinlæring) kan brukes i drift, bl.a. til prediktiv vedlikehold og tilstandsbasert overvåkning av ventilasjonsanlegg.
10.30-12.30 Praktisk tilnærming
I denne økten går vi praktisk til verks med hvordan man faktisk implementerer datadrevne startegier for ventilasjonsanlegg. Du får en steg-for-steg-guide til prosessen og vi diskuterer vanlige utfordringer som manglende datatilggang eller motstand i organisasjonen. Vi ser på hvordan nye løsninger kan integreres med eksisterende systemer og jobber med konkrete datasett for å analysere, tolke og foreslå forbedringstiltak.
Praktiske eksempler fra ZEB-lab og Smart Campus på NMBU
12.30-13.15 Lunsj og takk for nå

 

Vi vil gå i detalj på følgende:

  • Hva innebærer datadrevet drift og hvorfor er det særlig viktig for ventilasjonsanlegg?
  • Oversikt over hvordan økt digitalisering, tilgjengelige sensorer og nye krav (f.eks. energi, inneklima, ESG) påvirker drift og vedlikehold.
  • Hvilke sensorer gir mest verdi for avviksdetektering?
  • Hvordan datakvalitet og dataintegritet påvirker analysene og beslutningsgrunnlaget
  • Tilgang til og bearbeiding av sanntidsdata fra InfluxDB (via MQTT), Smart Building Hub og Treasure-databasen ved hjelp av Python
  • Trening av maskinlæringsmodeller (klassifiseringsalgoritmer som Random Fores og XGBoost) for å klassifisere eller oppdage avvik i driften, tidlig varsling og prediktiv vedlikehold
  • Erfaringer fra Smart Campus NMBU - hvordan kombinere tekniske løsninger og organisatorisk forankring

Kursleder: Kari Thunshelle, SINTEF

Forelesere: Kamilla H. Johra, John Clauss, Bjørn Ludvigsen, SINTEF

Gjesteforelesere: Harald A. Nitavskis og Dag-Kjetil Buran, NMBU, Smart Campus

Kontaktpersoner

Adresse

Børrestuveien 3