Belysningsstyrning genom AI

Med artificiell intelligens (AI) avses mänskligt konstruerade system som tolkar den miljö de befinner sig i, drar slutsatser och vidtar åtgärder för maximal framgång enligt något på förhand definierat mål. Logiken bakom systemets beslut kan antingen programmeras in uttryckligen, eller läras in automatiskt från miljön. Det förstnämnda brukar kallas ett “regelbaserat” system. Det andra delområdet inom artificiell intelligens, maskin­inlärning, studerar systems förmåga att lära sig, identifiera mönster och fatta beslut efter data från omgivningen. Maskin­inlärning kan t.ex. användas för att förutsäga sanno­likheten för att något kommer hända i framtiden, eller för att automatiskt identifiera vilka artiklar i ett varuhus som har störst sannolikhet att köpas.

Problem inom maskin­inlärning kan delas in i två kategorier: övervakad och oövervakad inlärning. Inom övervakad inlärning exponeras systemet för indata tillsammans med motsvarande utdata, och lär sig att förutsäga utdata. För oövervakad inlärning känner vi generellt sett inte till systemets grund­principer, men försöker ändå hitta mönster och regelbund­enheter i registrerade data.

OM DAGENS SYSTEM

Dagens kontrollsystem för belysning bygger generellt sett på antagandet att vi vet vad som händer nu och vad som kommer hända i framtiden, dvs. att det existerar ett “mastermind” (utvecklaren eller designern), som kan formulera regler för hur belysningen ska fungera i olika situationer. Den hårda verkligheten är dock att det inte finns någon sådan person inom professionell belysning. Istället löser man problemet genom löpande idrifttagning och konfigurering av projekt. För detta krävs dock experter. Eftersom belysnings­systemen dessutom blir allt mer flexibla blir installationen ofta också mer komplex, vilket kräver särskilda kunskaper och ökade resurser.

Självlärande algoritmer, dvs. system som konfigureras om löpande genom maskininlärning, har potentialen att fungera som “lokala experter” och därmed främja användandet av kontrollerbar belysning. Ur en design­synpunkt innebär det att färre kompromisser behöver göras. Belysningen kan utformas utan de enorma toleranser som krävs t.ex. när systemen tonar in. Armaturerna kommunicerar sin belysningsstatus med varandra och lär sig sekventiella mönster i miljöns utrymmes­användning. De kan därmed förutsäga hur utrymmet används med hjälp av information från andra armaturer, så att området blir belyst även om användaren befinner sig precis på gränsen av det belysta området. Detta gör att mindre arbete behöver läggas ned på att konfigurera och programmera belysnings­kontrollen. Om lokalens layout skulle struktureras om blir inte heller ny idrifttagning nödvändig, eftersom belysningen lär sig och anpassar sig till de nya mönstren. Detta är ett bra exempel på hur AI kan komma att användas för idrifttagning och konfigurering i framtiden. Med hjälp av tillgängliga data kan den delen av processen underlättas eller till och med automatiseras helt.

Meningen med att utforma, installera, ta i drift, ­konfigurera, underhålla och styra belysning är att utrymmet ska gå att använda. Goda resultat kan nås utan AI för oföränderliga miljöer och behov, genom att den lösning som väljs ger en belysning som med god marginal överskrider nödvändig standard. Oföränderliga behov är dock ett undantag, och användarna börjar oftast ställa skilda krav på utrymmet. Här kommer AI in i bilden. Ett alternativ är övervakad inlärning, där systemet lär sig användarnas preferenser genom att registrera de val de gör. En annan möjlighet är att hämta in data från olika källor och erbjuda en automatiserad belysning som tar hänsyn till användarnas behov och gör egna rekommendationer.

För fastighetsägare som inte själva använder byggnaden kan det vara ett incitament att förbättra byggnadens lönsamhet. Underhåll av tekniska system är ett annat uppenbart exempel på där AI kan användas. Redan idag är det möjligt att inte bara se vilka problem som existerar och var, utan även förutsäga var fel kommer uppstå på komponenter i ett system. Detta kan göras genom att analysera historiska data och förutsäga framtida händelser. Många gånger står belysningen på även när lokalen inte används och energi förbrukas i onödan. Genom att data från flera sensorer kombineras kan toningstider anpassas till faktiska behov. I dessa fall kan byggnadens kostnader för underhåll och drift sänkas samtidigt som användarens komfort ökas.

Mer än belysnings­kontroll

I moderna belysningssystem finns en mängd olika sensorer, t.ex. rörelse­sensorer och värme­sensorer. Dessa genererar data baserat på interaktion med användarna. En användare som befinner sig i ett utrymme gör t.ex. att rörelser registreras, och har en särskild värmesignatur. Systemet kan även mäta armaturernas energi­förbrukning genom elmätare.

Var och en av dessa sensorer mäter en specifik parameter, vilken tolkas av kontrollsystemet för att välgrundade beslut ska kunna fattas. Tolknings­möjligheterna kan dock utvidgas bortom enbart belysningssystem. En ökad värmesignatur kan t.ex. tyda på att fler personer befinner sig i rummet. Variationer i energi­förbrukings­mönstren kan ge insikter om hur ett visst utrymme används. Sådana tolkningar kan sedan användas som ett ramverk för att integrera AI-baserade belysningsnät med externa system.

Utmaningar och Möjligheter

Nydanande teknik får ofta kämpa med utmaningar och hinder för att anammas och accepteras, och så är det även med artificiell intelligens. Dess fördelar och omvälvande potential går dock inte att förneka. AI har redan haft stora effekter på t.ex. e-handel och underhållnings­medier, men har satt mer begränsade spår på konventionell ekonomisk verksamhet, t.ex. belysning och fastighets­förvaltning. Detta understryker de utmaningar och fallgropar som verksamma inom AI och belysning bör ha i åtanke vid utformning av framtida system. Därmed kan vi utveckla banbrytande och samtidigt pålitliga lösningar, som har en positiv effekt på användarens komfort och välbefinnande, och även maximerar lönsamheten för belysnings­branschens aktörer.

Publicerad den 29 januari 2020

Ur Ljuskultur Nummer 1, 2020