Les opérations de chauffage nécessitent un contexte connecté
Les équipes de chauffage urbain prennent des décisions à partir de plusieurs sources à la fois : état de la source de chaleur, données du réseau primaire et secondaire, conditions des sous-stations, commentaires côté bâtiment, prévisions météorologiques, dossiers de plaintes, inspections sur le terrain, historique de maintenance et règles de répartition. Chaque système explique une partie du fonctionnement. Le travail acharné consiste à relier ces signaux en une décision que les opérateurs peuvent examiner, approuver, exécuter et vérifier.
HeatOps est le module industriel de chauffage urbain de FactVerse AI Agent. Il utilise Data Fusion Services pour connecter les données d'exploitation, FactVerse pour conserver le contexte du réseau et des actifs, et Inspector ou les systèmes de bons de travail des clients pour assurer la traçabilité des actions sur le terrain.
L'objectif est pratique : aider les équipes de chauffage à prévoir la demande, à diagnostiquer le comportement du réseau, à examiner les options de répartition, à coordonner le travail sur le terrain et à préserver les preuves opérationnelles qui sous-tendent les décisions.
Ce que le modèle opérationnel relie
| Calque | Contexte opérationnel |
|---|---|
| Sources de chaleur | Chaudières, pompes à chaleur, CHP, chaleur résiduelle, stockage, combustible, électricité, capacité et disponibilité |
| Réseau | Réseau primaire, embranchements, pression, débit, température d'alimentation et de retour, vannes, fuites et contexte d'isolation |
| Sous-stations | Échangeurs de chaleur, pompes, vannes de régulation, compteurs, pression différentielle, efficacité, alarmes et historique d'entretien |
| Bâtiments | Zones de bâtiment, retour d'information intérieur, température côté utilisateur, problèmes de confort, inertie thermique et priorité de service |
| Contexte externe | Prévisions météorologiques, historique de charge, jours fériés, schémas d'occupation, contexte tarifaire et demandes de service |
| Exécution des travaux | Expédier les commandes, les inspections, les tâches de réparation, le nettoyage, le réglage des vannes, les travaux d'isolation, les photos et les dossiers d'acceptation |
| Gouvernance | Source de recommandation, chemin d'approbation, limites de commandes, règles de restauration, examen des résultats et piste d'audit |
La valeur vient de la liaison de ces couches. Une plainte relative à une basse température doit être traçable au contexte du bâtiment, au comportement de la sous-station, à l'état du réseau de succursales, aux travaux antérieurs et à la décision de l'opérateur qui en découle.
Flux de travail DataMesh pour HeatOps
- Connectez les sources d'exploitation - Rassemblez les balises SCADA, SIS, PVSS, PLC, les compteurs, la météo, GIS, les enregistrements de réclamations, le contexte de facturation, les systèmes de maintenance et les journaux de répartition.
- Construisez le jumeau du chauffage - Modélisez des sources de chaleur, des canalisations, des sous-stations, des vannes, des pompes, des compteurs, des bâtiments, des zones et des zones de service dans FactVerse.
- Lier les signaux aux actifs - Utilisez Data Fusion Services pour mapper les températures, les pressions, les débits, les alarmes, les relevés d'énergie et les enregistrements de travail aux actifs et segments de réseau appropriés.
- Examinez la demande et les risques - Utilisez FactVerse AI Agent pour préparer des prévisions de demande, des explications sur les changements de charge, des résumés de modèles anormaux et des options de répartition pour examen par l'opérateur.
- Coordonner l'action - Transformez les résultats approuvés en notes d'expédition, inspections sur le terrain, bons de travail, tâches d'ajustement ou étendues de réécriture contrôlées.
- Vérifiez le résultat - Comparez les lectures post-action, les commentaires de confort, les alarmes, les modèles de perte de chaleur et les preuves d'ordre de travail avec les résultats d'origine.
Ce workflow conserve les recommandations AI attachées au contexte opérationnel qui les a produites.
Prévision, diagnostic et revue des expéditions
HeatOps peut prendre en charge trois modes de travail connectés :
- Prévision de la demande : comparez la météo, la charge historique, l'état du réseau, la réponse du bâtiment et les contraintes d'exploitation avant l'arrivée des changements dans la demande.
- Diagnostic réseau : examinez le delta alimentation-retour, la pression différentielle, le débit, l'eau d'appoint, le comportement de l'échangeur de chaleur, l'état de la pompe, l'état de la vanne, les indicateurs de fuite, les signes d'encrassement et les problèmes répétés de l'utilisateur final.
- Examen de répartition : préparez les actions examinées par l'opérateur, telles que les changements de température d'alimentation, les changements de fréquence de pompe, le réglage des vannes, la stratégie de préchauffage, la préparation du personnel et la priorité des inspections sur le terrain.
La recommandation doit expliquer la portée, la raison, l'effet attendu, l'approbation requise et les preuves de suivi. Cela rend la sortie du AI consultable par le personnel de la salle de contrôle, les équipes d'ingénierie, les équipes de terrain et les responsables.
De la recommandation à l’exécution auditable
Les opérations de chauffage impliquent la sécurité, le confort, les contrats, les limites des équipements et la responsabilité du service. Le chemin d’exécution doit donc être échelonné.
Commencez par l’aide à la décision. Les opérateurs examinent les prévisions, les diagnostics et les actions recommandées dans le contexte du jumeau numérique. L'étape suivante est l'exécution assistée : les recommandations approuvées deviennent des enregistrements d'expédition, des tâches sur le terrain, des ordres de travail et des contrôles de suivi. Une écriture contrôlée peut être ajoutée une fois que l'autorité, la plage de commandes, les verrouillages de sécurité, les règles d'annulation et les exigences d'audit sont définies.
Les systèmes de bons de commande Inspector, Checklist et clients peuvent préserver le côté terrain de la boucle : qui a inspecté la station, ce qui a été ajusté, quelles photos et relevés ont été capturés, quand le travail a été terminé et si l'état s'est amélioré.
Bilans énergie-carbone et revue de direction
Les opérateurs de chauffage ont besoin de preuves saisonnières, et pas seulement d'écrans en temps réel. HeatOps peut structurer la quantité de chaleur, le combustible, l'électricité, l'énergie de pompage, les pertes de chaleur, les commentaires sur le confort, la réponse aux incidents, les activités de rénovation et les travaux sur le terrain dans les dossiers d'exploitation pour examen par la direction.
Ces enregistrements aident les équipes à comparer les stratégies de répartition, les résultats des mises à niveau, les performances des sous-stations et les segments du réseau au fil du temps. Ils facilitent également les discussions sur la performance énergie-carbone avec les propriétaires, les équipes municipales, les sociétés de services et les partenaires d'ingénierie en utilisant la même piste de données.
Les méthodes comptables, les limites de reporting et les facteurs carbone restent spécifiques au projet. HeatOps fournit le contexte opérationnel connecté et les preuves traçables nécessaires à l'examen.
Liste de contrôle de préparation des données
Avant le déploiement, vérifiez ces conditions :
- SCADA, SIS, PVSS, PLC et les balises de compteur ont des noms, des unités, des horodatages et une propriété stables.
- Les sources de chaleur, les sous-stations, les vannes, les pompes, les compteurs, les bâtiments, les zones et les segments de réseau peuvent être cartographiés dans le jumeau numérique.
- La météo, l'historique de chargement, les enregistrements de plaintes et les bons de travail peuvent être connectés par heure, zone, actif ou station.
- Les opérateurs et les ingénieurs s'accordent sur des règles d'approbation pour les recommandations d'expédition.
- Les équipes sur le terrain peuvent enregistrer les inspections, les ajustements, les photos, les relevés et les preuves d'acceptation de manière structurée.
- Les règles de réécriture contrôlée sont documentées avant l'introduction d'un chemin de commande.
- Les mesures pilotes sont basées sur des dossiers d’exploitation vérifiés.
Le premier déploiement doit utiliser une zone de service confinée ou un groupe de sous-stations où l'équipe dispose de suffisamment de données, d'une propriété claire et de questions d'exploitation fréquentes.
Points de départ pratiques
| Point de départ | Pourquoi ça marche |
|---|---|
| Aperçu de la sous-station | Les équipes peuvent connecter la température, la pression, le débit, l'état de la pompe, l'état des vannes, la quantité de chaleur, les alarmes et l'historique d'entretien autour d'un groupe d'actifs connu. |
| Préparation aux changements climatiques | La prévision de la demande peut aider les opérateurs à se préparer avant que les fronts froids, les périodes chaudes ou les modèles d'occupation inhabituels n'affectent le service. |
| Plaintes à basse température | Les enregistrements de plaintes peuvent être examinés en fonction du contexte du bâtiment, de l'état de la sous-station, de la pression des branches et de la maintenance antérieure. |
| Alarmes de station répétées | L'examen assisté par AI peut résumer les modèles et déplacer les problèmes confirmés vers des tâches d'inspection ou de maintenance. |
| Examen de l'énergie et des pertes de chaleur | Les enregistrements saisonniers peuvent relier la sortie source, le comportement du réseau, les conditions du bâtiment et le travail sur le terrain. |
Ces points de départ créent une boucle révisable avant que les équipes ne se développent dans des scénarios d’optimisation ou de contrôle plus larges.
Références publiques
Le HeatOps solution page décrit la portée du module de chauffage urbain à l'intérieur du FactVerse AI Agent.
Les modèles Data Center Operations guide et Predictive Maintenance guide décrivent les modèles adjacents pour connecter les signaux des installations, le contexte du jumeau numérique, les ordres de travail et l'action sur le terrain vérifiée.
Le Singtel FutureNow reference affiche le contexte du jumeau numérique DataMesh dans un environnement d'installation connectée. Le Yokogawa and DataMesh predictive maintenance reference montre le modèle plus large de transformation des signaux industriels en examen de maintenance assisté par AI.