Controllo predittivo, building automation e manutenzione: vantaggi e limiti dell’AI nella gestione degli impianti, in un’intervista doppia a Danilo e Stefano Sofia.
Algoritmi che anticipano il fabbisogno di caldo e di freddo, sensori che segnalano un guasto prima che si verifichi, sistemi di supervisione che imparano dal comportamento di un edificio e ne correggono il funzionamento ora per ora. L’intelligenza artificiale sta entrando anche nella gestione di stabilimenti, uffici e infrastrutture, con promesse importanti su consumi, comfort e affidabilità degli impianti.
Quanto c’è di concreto, però, e dove si fermano le sue possibilità? Lo abbiamo chiesto agli ingegneri Danilo e Stefano Sofia, alla guida di Sofia Engineering, in un’intervista che mette a confronto le opportunità e le criticità di una tecnologia di cui si parla molto, ma che negli impianti va valutata con i numeri alla mano.
Quando si parla di intelligenza artificiale applicata agli edifici, di cosa parliamo concretamente? Cosa la distingue da una normale building automation?
La building automation tradizionale lavora prevalentemente sulla base di logiche, soglie e sequenze definite in fase di progettazione: al verificarsi di determinate condizioni, il sistema esegue le azioni previste.
L’intelligenza artificiale introduce un livello ulteriore: utilizza i dati raccolti dall’edificio, sia storici sia in tempo reale, per riconoscere comportamenti ricorrenti, individuare anomalie, fare previsioni e adattare il funzionamento degli impianti alle condizioni effettive.
Non vediamo quindi l’AI come un’alternativa alla building automation, ma come una sua possibile evoluzione. La base rimane un impianto ben progettato, dotato di una sensoristica adeguata, di sistemi di supervisione efficaci e, soprattutto, di dati affidabili. Su questa infrastruttura l’AI può consentire di passare da una gestione prevalentemente reattiva a una gestione sempre più predittiva e adattiva.
Controllo predittivo: in cosa consiste e quali risultati si possono ottenere su consumi energetici e comfort?
Un buon sistema di building automation è già in grado di regolare efficacemente un impianto nel breve periodo, utilizzando sensori, set-point, programmazioni orarie, compensazioni climatiche e logiche di controllo definite in fase di progettazione.
Il valore aggiunto dell’intelligenza artificiale emerge soprattutto nel tempo. La possibilità di elaborare grandi quantità di dati storici consente di individuare correlazioni, ricorrenze e abitudini d’uso dell’edificio e di affinare progressivamente le strategie di funzionamento. Il sistema può quindi utilizzare l’esperienza accumulata per anticipare meglio i fabbisogni e adattare la gestione al comportamento reale dell’edificio, anziché basarsi esclusivamente su logiche e parametri predefiniti.
È in questa capacità di ottimizzazione progressiva che vediamo uno dei possibili benefici energetici più interessanti: non semplicemente accendere, spegnere o modulare un impianto, cosa che un buon BMS sa già fare, ma utilizzare lo storico dei dati per migliorare nel tempo il modo in cui viene gestito.
L’obiettivo rimane trovare il miglior equilibrio tra consumi, prestazioni dell’impianto e comfort degli occupanti. L’entità del risparmio dipende però dalle condizioni di partenza e deve essere verificata attraverso risultati misurabili, senza attribuire all’AI percentuali di risparmio valide indistintamente per qualsiasi edificio.
Manutenzione predittiva: un impianto può davvero “avvisare” prima di guastarsi? Su quali impianti funziona meglio?
Più che prevedere con certezza quando avverrà un guasto, oggi è più corretto parlare della capacità di individuare in anticipo comportamenti anomali o derive rispetto al normale funzionamento di una macchina.
Analizzando nel tempo parametri come assorbimenti elettrici, temperature, pressioni, vibrazioni, portate o tempi di funzionamento, un sistema può riconoscere variazioni che, prese singolarmente, potrebbero non essere sufficienti a generare un normale allarme, ma che nel loro insieme possono indicare un progressivo deterioramento delle condizioni di funzionamento.
Il vero vantaggio della manutenzione predittiva è quindi trasformare, per quanto possibile, un guasto improvviso in un’anomalia rilevata con anticipo. Questo permette al tecnico di verificare la macchina, programmare l’intervento, predisporre eventuali ricambi e scegliere il momento più opportuno per un fermo, riducendo il rischio di indisponibilità dell’impianto.
Queste applicazioni diventano particolarmente interessanti sulle apparecchiature critiche, utilizzate con continuità e per le quali sono disponibili dati sufficienti e una sensoristica adeguata: è proprio la qualità e la continuità del dato a rendere possibile un’analisi predittiva realmente utile.
Qual è, secondo voi, il vantaggio più concreto che l’AI porta oggi nella gestione di uno stabilimento o di un edificio complesso?
Negli edifici complessi e negli stabilimenti disponiamo già oggi di una quantità enorme di dati provenienti da BMS, sensori, contatori e dalle stesse apparecchiature. Il problema spesso non è raccogliere altri dati, ma riuscire a interpretarli e utilizzarli realmente.
È probabilmente questo il vantaggio più concreto che vediamo oggi nell’intelligenza artificiale: la capacità di elaborare contemporaneamente grandi quantità di informazioni, individuare correlazioni, anomalie e tendenze e portare all’attenzione del tecnico ciò che è realmente significativo.
In questo senso l’AI può diventare uno strumento molto potente di supporto alle decisioni. Non sostituisce il tecnico nella gestione dell’impianto, ma ne amplifica la capacità di analisi: riduce il tempo necessario per interpretare migliaia di variabili e permette di concentrare l’attenzione sui fenomeni che richiedono una verifica o una decisione.
Il passaggio più interessante, quindi, è da un edificio che produce molti dati a un edificio nel quale quei dati diventano informazioni realmente utilizzabili per gestire meglio gli impianti.
E il limite o il rischio principale? Qualità dei dati, dipendenza dai fornitori, sicurezza informatica, competenze interne: cosa preoccupa di più chi progetta?
I rischi sono diversi e vanno affrontati già in fase di progettazione. Il primo riguarda sicuramente la qualità dei dati: anche l’algoritmo più evoluto, se lavora su informazioni incomplete, sensori non correttamente calibrati o dati poco significativi, può produrre indicazioni sbagliate.
C’è poi il tema della trasparenza e della dipendenza tecnologica. In un impianto complesso non riteniamo opportuno affidare funzioni importanti a una “scatola nera” della quale il tecnico non possa comprendere il comportamento o sulla quale possa intervenire soltanto il fornitore della tecnologia.
A questo si aggiunge naturalmente la cybersecurity. L’integrazione tra BMS, sensori, reti, piattaforme e servizi esterni aumenta le potenzialità del sistema, ma anche la superficie da proteggere. Oggi, peraltro, alcune applicazioni e modelli di AI possono essere eseguiti anche su infrastrutture locali e proprietarie, mantenendo dati e capacità di elaborazione all’interno dell’organizzazione.
Per noi il principio dovrebbe quindi essere quello di mantenere l’uomo al centro. Un buon BMS, una sensoristica affidabile e un sistema di gestione progettato e calibrato correttamente devono costituire una base solida e controllabile. All’interno di questa architettura il tecnico può utilizzare le capacità avanzate dell’AI come ulteriore strumento di analisi e ottimizzazione, mantenendo però controllo, supervisione e possibilità di intervento sul sistema.
Un algoritmo può sbagliare. Chi resta responsabile delle decisioni sull’impianto, e quanto deve restare centrale la figura del tecnico?
La figura del tecnico deve rimanere centrale, ma probabilmente cambierà il modo in cui eserciterà il proprio ruolo. L’AI può assumere una crescente autonomia nelle attività di analisi e nelle regolazioni ordinarie, purché operi all’interno di limiti, parametri e condizioni definiti in fase di progettazione e gestione.
Non tutte le decisioni, però, hanno la stessa rilevanza. Un sistema può, ad esempio, ottimizzare autonomamente set-point o strategie di funzionamento entro un campo prestabilito; decisioni che coinvolgono la sicurezza, la continuità di servizio o modifiche sostanziali al funzionamento di impianti critici devono invece mantenere un livello superiore di supervisione e autorizzazione umana.
Il principio potrebbe essere semplice: maggiore è la criticità della decisione, maggiore deve essere il controllo del tecnico e minore l’autonomia lasciata all’algoritmo.
In questo scenario l’AI non riduce necessariamente l’importanza del tecnico, ma ne trasforma il lavoro. Una parte crescente dell’analisi dei dati potrà essere affidata alla macchina, mentre alle persone resteranno l’interpretazione dei risultati, la definizione delle strategie, la valutazione delle conseguenze e le decisioni più critiche. Questo richiederà probabilmente competenze tecniche ancora più trasversali rispetto a quelle attuali.
Si può introdurre l’AI in un edificio o in uno stabilimento esistente, o serve partire da impianti progettati per questo fin dall’inizio?
L’AI può certamente essere introdotta anche in un edificio o in uno stabilimento esistente. Prima, però, bisogna capire su quale infrastruttura dovrà lavorare.
Il punto di partenza dovrebbe essere una verifica dell’impianto e della sua infrastruttura di automazione: quali grandezze vengono già misurate, quali dati sono disponibili e con quale qualità, quali apparecchiature possono comunicare con il sistema di supervisione e quali informazioni vengono storicizzate. Molti edifici complessi dispongono già di una parte importante di questa infrastruttura e possono quindi essere progressivamente evoluti.
In altri casi, invece, il primo investimento non dovrebbe essere necessariamente nell’intelligenza artificiale. Se la sensoristica è insufficiente, il BMS non è adeguato o le apparecchiature non sono correttamente integrate, è più utile intervenire prima su questi aspetti. L’AI non può compensare la mancanza delle informazioni necessarie per comprendere come sta realmente funzionando l’impianto.
Vediamo quindi l’introduzione dell’AI sull’esistente come un percorso progressivo: prima rendere l’edificio correttamente misurabile, controllabile e capace di produrre dati affidabili; poi utilizzare strumenti più avanzati per interpretare quei dati e ottimizzarne la gestione.
Per un’azienda che vuole cominciare, da dove conviene partire e cosa aspettarsi in termini di investimento e di ritorni misurabili?
Il primo consiglio sarebbe di non partire dall’AI, ma dal problema che si vuole risolvere. Ridurre i consumi di una centrale termofrigorifera, limitare i picchi di potenza, migliorare il comfort, individuare prima le anomalie o ridurre i fermi impianto sono obiettivi concreti e, soprattutto, misurabili. Una volta individuato l’obiettivo, si può valutare se e come l’intelligenza artificiale rappresenti lo strumento più adatto per raggiungerlo.
In molti casi può essere conveniente iniziare con un progetto pilota circoscritto, scegliendo un impianto significativo e sufficientemente monitorato, anziché intervenire immediatamente sull’intero edificio o stabilimento. Questo consente di contenere l’investimento iniziale, verificare sul campo l’efficacia della soluzione e successivamente estenderla dove produce risultati.
È però fondamentale stabilire prima dell’intervento come verranno misurati questi risultati. Consumi energetici, picchi di potenza, ore di funzionamento, anomalie, fermi impianto o parametri di comfort possono diventare indicatori rispetto ai quali costruire una situazione di riferimento e valutare successivamente i benefici ottenuti.
Non esiste quindi un ritorno economico standard applicabile a qualsiasi edificio. Il ritorno deve essere valutato caso per caso e dimostrato attraverso dati confrontabili. L’AI dovrebbe essere considerata un investimento quando risolve un problema reale e produce un beneficio che siamo in grado di misurare.
Tra cinque anni, come immaginate la gestione degli impianti? Cosa farà la macchina e cosa resterà alle persone?
Tra cinque anni immaginiamo una gestione degli impianti molto più assistita rispetto a quella attuale. Oggi un BMS mette a disposizione del tecnico una grande quantità di informazioni, che devono essere ricercate, correlate e interpretate. I sistemi basati sull’intelligenza artificiale potranno svolgere una parte crescente di questo lavoro: analizzare continuamente il comportamento dell’edificio, individuare ciò che è significativo, evidenziare anomalie e tendenze e proporre possibili azioni.
Il tecnico potrà quindi dedicare meno tempo alla ricerca e all’elaborazione delle informazioni e più tempo alla loro interpretazione e alle decisioni. Alla macchina affideremo soprattutto la capacità di elaborare enormi quantità di dati, riconoscere schemi ricorrenti e supportarci nell’individuazione delle soluzioni; alle persone resteranno la definizione degli obiettivi, la strategia, la valutazione delle conseguenze e la responsabilità delle scelte più importanti.
Probabilmente cambieranno quindi gli strumenti e il modo di lavorare, ma non verrà meno la necessità della competenza tecnica. Anzi, diventerà ancora più importante saper interpretare criticamente ciò che il sistema propone e comprendere il funzionamento reale dell’impianto.
La macchina conoscerà sempre meglio come funziona l’edificio; alle persone resterà il compito più importante: decidere come vogliamo che funzioni.
