Dati, analytics e AI: come sta cambiando la gestione degli impianti HVAC

L’efficienza di un impianto di climatizzazione non si valuta solo in fase di progetto e collaudo, ma va controllata e gestita nelle reali condizioni di esercizio attraverso una lettura integrata dei dati disponibili.

I Building Management System, sistemi di supervisione e piattaforme di automazione mettono a disposizio­ne una quantità enorme di informazioni sul funzio­namento degli impianti HVAC. Nella maggior parte degli edifici complessi, come ospedali, grandi edifici direzionali, centri commerciali, aeroporti o poli logistici, questi dati vengono utilizzati soprattutto per gestire allarmi, verificare lo stato delle apparecchiature e modificare parametri di regolazione. Lo stes­so patrimonio informativo può però dire molto di più, aiutando a capire come l’impianto utilizza realmente l’energia, quali regola­zioni risultano più efficaci e dove intervenire per ridurre consumi e sprechi senza compromettere comfort e continuità di servizio.

Centrali termiche e frigorifere, unità di trattamento aria, pom­pe, gruppi frigoriferi, terminali ambiente, contatori energetici e sonde distribuite nell’edificio producono migliaia di informazioni ogni giorno. Ma queste acquistano valore solo quando vengono correlate tra loro e analizzate nel tempo, mettendo in relazione consumi, condizioni climatiche, occupazione degli spazi, richie­ste degli ambienti e comportamento dei diversi sottosistemi, spostando così l’attenzione dal controllo dei singoli componenti all’analisi dell’intero sistema edificio.

Una UTA può garantire temperatura e qualità dell’aria, pur sen­za avvisare che sta trattando una portata superiore a quella veramente necessaria. Una pompa a giri variabili può adattare regolarmente la propria velocità alle richieste dell’impianto, na­scondendo però di non lavorare al massimo del suo rendimento. Un gruppo frigorifero può continuare a seguire sequenze di av­viamento corrette quando l’impianto è stato messo in servizio, ma meno adatte dopo che sono state fatte modifiche agli spazi, ai carichi interni o agli orari di utilizzo.

Osservando ogni parametro separatamente è difficile accorger­sene, mentre la correlazione tra queste informazioni e dati come consumi elettrici, energia termica prodotta, condizioni climati­che esterne, livelli di occupazione e storico di funzionamento permette invece di capire se l’energia impiegata sia realmente proporzionata al servizio erogato oppure se l’impianto stia man­tenendo il comfort con un impiego di risorse (e costi) superiore al necessario.

È su questo principio che si basano gli strumenti di analytics applicati al building management, i quali trasformano migliaia di misure in indicatori utili a descrivere il comportamen­to dell’impianto e a orientare regolazioni, verifiche e interventi. Rapporti tra consumi e gradi giorno, coefficienti di prestazione stagionali, ore equivalenti di funzionamento dei generatori, con­temporaneità tra richieste di caldo e freddo, andamento storico dei consumi o rendimento della centrale frigorifera rappresenta­no alcuni dei KPI utilizzati per verificare se l’edificio stia funzio­nando secondo le prestazioni attese.

Dall’analisi all’ottimizzazione degli impianti

L’analisi dei dati produce risultati tangibili quando entra all’inter­no di piattaforme progettate per trasformare misure disperse in informazioni utilizzabili. Energy Management System, Building Analytics Platform e BMS evoluti raccolgono infatti dati prove­nienti da supervisione, contatori, sonde, inverter e dispositivi di campo, li organizzano per edificio, impianto, zona funzionale e vettore energetico e li restituiscono attraverso dashboard, in­dicatori prestazionali e strumenti di confronto.

Piattaforme di Building Management e Building Analytics (figure 1 e 2) permettono di monitora­re l’andamento energeti­co di uno o più edifici, in­dividuando velocemente gli impianti che richie­dono verifiche o inter­venti di ottimizzazione.

Questi ultimi possono inoltre essere gestiti da queste piattaforme con un approccio più analiti­co: invece di verificare esclusivamente se un componente stia funzionando correttamente, si possono confrontare edifici simili, normalizzare i consumi rispetto alle condizioni climatiche, veri­ficare l’effetto prodotto da una modifica ai set point oppure os­servare come cambia il comportamento dell’impianto dopo una diversa gestione degli orari di funzionamento. Un edificio sco­lastico, ad esempio, può essere confrontato con altri edifici con caratteristiche analoghe.

Un ospedale può evidenziare reparti che assorbono più energia rispetto a strutture equivalenti. Un centro direzionale può mostrare come l’introduzione dello smart working abbia modificato il profilo dei consumi, suggerendo una revisione delle logiche di ventilazione, delle curve climatiche o delle sequenze di funzionamento dei gruppi frigoriferi. Le stesse piattaforme permettono di verificare rapidamente se una rego­lazione ha prodotto il risultato atteso, confrontando il comporta­mento dell’impianto prima e dopo l’intervento e tenendo conto di clima, occupazione e dati storici. In questo modo l’efficacia delle modifiche viene misurata su basi oggettive, senza affidarsi solo a impressioni o al confronto tra bollette.

Digital twin e Fault Detection & Diagnostics

Negli impianti più complessi, modelli energetici e digital twin (fi­gure 3 e 4) permettono di confrontare il comportamento reale dell’edificio con quello atteso e di simulare sul modello digitale diverse ipotesi di intervento prima di applicarle sull’impianto. Diventa così possibile valutare l’effetto di nuove regolazioni, di­verse sequenze di funzionamento o modifiche agli orari senza incorrere in rischi operativi, scegliendo le soluzioni più adatte a migliorare comfort, efficienza energetica e costi di gestione.

Un ruolo sempre più importante è svolto dai software di Fault De­tection & Diagnostics (FDD), che individuano automaticamente anomalie e perdite progressive di efficienza (figura 5). A differen­za della supervisione tradizionale, che interviene quando com­pare un allarme, queste piattaforme analizzano continuamente il comportamento dell’impianto, confrontano migliaia di dati con modelli di funzionamento attesi e segnalano situazioni che me­ritano un approfondimento anche quando il comfort rimane pie­namente garantito.

Una perdita progressiva di rendimento, una valvola che non chiude correttamente o una contemporaneità anomala tra riscaldamento e raffrescamento possono essere individuate prima che producano effetti evidenti su consumi e comfort. Gli strumenti FDD assegnano inoltre una priorità alle anomalie rilevate, aiutando i tecnici a concentrarsi sugli inter­venti con maggiore impatto energetico, manutentivo o operativo.

La manutenzione diventa predittiva

Tutta questa mole di informazioni alimenta anche la manuten­zione predittiva, consentendo di individuare i primi segnali di de­grado prima che si traducano in guasti o aumenti dei consumi. L’analisi dei dati permette di programmare gli interventi in funzio­ne delle reali condizioni operative dei componenti, riducendo ve­rifiche non necessarie, sostituzioni premature e rischi di fermo, con un impatto diretto sulla continuità del servizio e sulla qualità della gestione manutentiva.

Sempre più spesso queste piattafor­me dialogano direttamente con i sistemi di gestione della manu tenzione (CMMS). Un’anomalia individuata dagli algoritmi di analisi si trasforma così automaticamente in una richiesta di verifica o in un ordine di lavoro, già corredato delle informa­zioni raccolte dal sistema, della cronologia dell’anomalia, dei componenti coinvolti e del livello di priorità. Il manutentore arriva sull’impianto con tutte le informazioni già disponibili, riducendo i tempi di diagnosi e concentrandosi direttamente sull’intervento.

Il contributo dell’intelligenza artificiale

L’intelligenza artificiale porta l’analisi dei dati verso una ge­stione più automatizzata e predittiva degli impianti. Interpre­tando le informazioni raccolte da sensori, BMS, contatori e piattaforme di supervisione, l’AI può riconoscere correlazioni difficili da individuare manualmente, classificare anomalie ricorrenti e confrontare edifici con profili simili. Quando in­tegrata con piattaforme di digital twin, può inoltre rendere più accurato il confronto tra comportamento reale e modello atteso, indicando al tecnico le verifiche prioritarie.

Nelle ap­plicazioni più evolute, l’AI supporta anche l’ottimizzazione continua. Analizzando storico dell’edificio, previsioni mete­orologiche, occupazione degli spazi e comportamento degli impianti, può suggerire modifiche a orari di funzionamento, set point o sequenze di avviamento, aiutando a ridurre i con­sumi senza compromettere comfort e qualità dell’aria. La de­cisione finale resta comunque sempre ai tecnici responsabili dell’impianto, che valutano le indicazioni sulla base dell’espe­rienza e delle esigenze specifiche dell’edificio.

Ma per ottenere risultati affidabili è indispensabile che i dati siano di qualità. Anche gli strumenti di analytics e di AI più evoluti possono fornire indicazioni attendibili solo se alimen­tati da informazioni corrette, coerenti e aggiornate. Solo su questa base automazione e lettura predittiva pos­sono affiancare in modo efficace il lavoro e l’esperienza dei tecnici impiantisti.