4月7日，《2020新基建分类排行榜》尘埃落定，达实智能成功入榜，位列2020人工智能典型企业23名。

本次评选结果，由中国科学院《互联网周刊》和eNet研究院联合发布。达实智能在人工智能领域的成绩再获认可。

(图片来源：达实智能家居公众号，侵删)

(图片来源：达实智能家居公众号，侵删)

要说2020年哪些行业最火，人工智能必有一席之地——因为国家亲自按下了快进键：前不久，中央表示，要加快5G网络、人工智能、工业互联网、数据中心等新型基础设施建设进度。创新产业获得了巨大的政策红利。

“新基建”的浪潮袭来，对于专业领域的企业说，正好乘上了政策的春风。达实智能作为一家专注物联网方案，聚焦智能化技术的企业，也同样在人工智能领域有所突破。

以其中一块Ai算法为例！

技术一

基于负荷预测的空调系统全局优化的控制技术

技术概况：在城市物联网的空调、通风、照明系统设计中，各系统大部分时间处于部分负荷下运营，出现大量能源浪费。而最理想的做法是对未来时刻建筑所需要的冷量、通风量进行预测，确定各系统在预测条件下的最优参数。传统的方法已经无法满足要求，需要新的计算框架和方法来实现。

1、基于新型的云边端框架实现

达实采用“云+边+端”协同计算体系，该体系将复杂的、计算量大的模型训练等放入云端，优化后的最佳模型部署于边缘侧，并与端侧进行实时交互，进行推理计算，解决了计算量不足，传输能力不足，端侧设备与云侧的频繁通讯等问题。

(图片来源：达实智能家居公众号，侵删)

2、基于数据驱动的空调负荷预测技术

该方法伴随机器学习算法的快速发展而生，是一种新兴的数据分析方法，不需要建构复杂的物理模型，而是基于历史监测数据和统计参数进行数据特征的解构和提取。且这种数据分析的方法对专业知识的要求并不高，一般的技术人员就可以完成。这一技术给数据驱动方法在建筑能耗数据分析中的应用带来了很多的可能性。

3、基于人工智能算法的能耗全局寻优技术

该方案涉及三项创新技术：

• 采用了基于神经网络和支持向量机的模型训练技术，用于训练空调系统部件模型。

• 采用了带遗忘因子的模糊自整定系统辨识技术, 用于在线自适应辩识空调系统部件模型参数。

• 采用了改进的遗传算法、模拟退火算法和粒子群算法等全局优化技术，用于确定空调系统各设备的最优运行参数。

技术二

基于自学习的设备预测性维护技术

技术概况：采用该技术可以对设备故障进行预测，提前感知设备故障，远程或调度人工排查故障隐患，从而避免过度维修，节约设备的维护成本。

该技术采用了混合式学习的方法，在初期设备运行故障数据不足时，利用创建的物理模型进行仿真分析，搜集特征数据，实施预测性维护。在后期，积累了一定故障数据后，采用支持向量机方法对历史数据进行聚类，训练，获得特征数据，实施预测性维护。

相关案例

1、苏州地铁三号线系统

(图片来源：达实智能家居公众号，侵删)

2、达实大厦

(图片来源：达实智能家居公众号，侵删)

(图片来源：达实智能家居公众号，侵删)

注：本文所提及的技术和图例仅供参考

达实已取得的专利

1.云边端协同的中央空调全局优化节能控制方法和系统（技术一）

2.中央空调实际需求供冷负荷的确定方法、系统和电子设备（技术一）

3.基于多源信息融合的地铁站空调系统节能控制方法和系统（技术一）

4.基于人工智能的大型医疗设备能耗预测方法和终端设备（技术一）

5.云边端协同的地铁站空调预测性运维管理方法和系统（技术二）

从汽车制造到家务机器人，从工业加工到建筑设备应用，人工智能的应用已经渗透我们生活的各个角落。我们坚信，技术的进步，可以创造更多美好。

(文章来源：达实智能家居公众号，侵删)