CN107430715A - 建筑物自动化中的级联识别 - Google Patents

建筑物自动化中的级联识别 Download PDF

Info

Publication number
CN107430715A
CN107430715A CN201680014769.6A CN201680014769A CN107430715A CN 107430715 A CN107430715 A CN 107430715A CN 201680014769 A CN201680014769 A CN 201680014769A CN 107430715 A CN107430715 A CN 107430715A
Authority
CN
China
Prior art keywords
building
data
machine learning
cascade
cost
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201680014769.6A
Other languages
English (en)
Inventor
奥斯曼·艾哈迈德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Building Technologies AG
Siemens Industry Inc
Original Assignee
Siemens Building Technologies AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Building Technologies AG filed Critical Siemens Building Technologies AG
Publication of CN107430715A publication Critical patent/CN107430715A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25011—Domotique, I-O bus, home automation, building automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G06Q50/163—Property management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Abstract

来自许多建筑物的数据被用于机器训练分类器的级联。该级联学习以彼此相关的层进行分类。一个分类器识别一个特性，并且另一个分类器使用所识别的特性识别另一个特性。例如，级联学习对与特定建筑物自动化系统相关联的建筑物、效率或成本进行分类(例如，建筑物A具有增加的供热成本)，对引起成本的故障进行分类(例如，热水供应温度致使增加的成本)，并且对级联中故障的来源(例如，阀位置或阀)进行分类。得到的机器学习级联被应用于用于任何数量的建筑物的数据。

Description

建筑物自动化中的级联识别
其它申请的交叉参考
本申请要求2015年3月11日提交的美国临时专利申请62/131,749的提交日期的权益，该专利申请在法律允许的范围内以引用方式并入本文。
技术领域
本实施例大体上涉及建筑物自动化系统。
背景技术
建筑物自动化系统包括供热、通风和空气调节(HVAC)系统，安全系统，消防系统或其它系统。这些系统通常由连接在一起的分布式部件形成。HVAC系统可由一个、两个或三个单独的层或架构层形成。在三层系统中，楼层级网络为建筑物的特定楼层或区域提供总控制。楼层级网络的控制器基于传感器输入提供过程控制以操作执行器。例如，基于设置点和测量的温度确定阻尼器、供热元件、冷却元件或其它执行器的调整。可提供其它控制功能。建筑物级网络集成了多个楼层级网络，以在建筑物内的各个区域之间提供一致的控制。面板或其它控制器控制分布系统，诸如泵、风扇或其它用于冷却和供热的中央设备。建筑物级控制器可在它们之间通信，并且访问楼层级控制器以获得数据。管理级网络集成了建筑物级网络的控制，以为整体建筑环境和设备提供高层次的控制流程。
每个建筑物单独运行。来自不同级别的数据被用于识别给定建筑物的故障或诊断给定建筑物的问题。用于给定建筑物的这些数据可能不能准确地反映问题或反映建筑物自动化对业务的影响。
发明内容
来自许多建筑物的数据被用于机器训练分类器的级联。该级联学习以对彼此相关的层进行分类。一个分类器识别一个特性，并且另一个分类器使用所识别的特性识别另一个特性。例如，级联学习对与特定建筑物自动化系统相关联的建筑物、效率或成本进行分类(例如，建筑物A具有增加的供热成本)，对引起成本的故障进行分类(例如，热水供应温度致使成本的增加)，并且对级联中故障的来源(例如，阀位置或阀)进行分类。得到的机器学习级联被应用于用于任何数量的建筑物的数据。
在一个方面中，提供了一种在建筑物管理系统中利用级联学习的建筑物自动化的方法。由建筑物管理系统的建筑物分析系统访问与多个建筑物相关的第一数据。第一数据包括建筑物管理系统数据和与建筑物管理系统数据不同的企业数据。企业数据用于与多个建筑物的建筑物相关联的企业，并且建筑物管理系统数据用于多个建筑物。建筑物分析系统将第一数据应用于第一机器学习，用于识别成本信息，将第一数据应用于第二机器学习，用于识别与成本信息相关联的故障，并且将第一数据应用于第三机器学习，用于识别故障的源。输出作为应用的结果的级联系统，该级联系统包括来自第一学习、第二学习和第三学习的第一机器学习分类器、第二机器学习分类器和第三机器学习分类器。
在第二方面中，提供建筑物管理系统用于建筑物自动化故障检测。用于建筑物的供热、通风和空气调节的建筑物自动化系统被配置为输出运行数据。建筑物处理器被配置为将运行数据应用于第一机器学习分类器和第二机器学习分类器的级联。第一机器学习分类器被配置为识别在建筑物自动化系统中的故障，并且第二机器学习分类器被配置为识别故障的来源。根据多个其它建筑物的建筑物自动化系统训练级联的第一机器学习分类器和第二机器学习分类器。显示器被配置成输出来源。
在第三方面中，提供一种用于在建筑物管理系统中的建筑物自动化分析的方法。建筑物管理系统的建筑物分析系统访问与第一建筑物自动化系统的运行相关的数据。利用至少第一机器学习分类器和第二机器学习分类器的级联对第一建筑物自动化系统进行分类。第二机器学习分类器响应于第一机器学习分类器的分类。根据与多个第二建筑物自动化系统的操作相关的数据训练第一机器学习分类器和第二机器学习分类器。在建筑物分析系统的显示器上呈现分类的结果。
在第四方面中，提供一种用于在建筑物管理系统中利用级联学习的建筑物自动化的方法。建筑物管理系统的建筑物分析系统访问与多个建筑物相关的第一数据、第二数据和第三数据。第一数据为建筑物级数据，第二数据为系统级数据，并且第三数据为部件级数据。建筑物分析系统将第一数据应用于第一机器学习，用于识别建筑物级变量。建筑物分析系统将第二数据应用于第二机器学习，用于识别以建筑物级变量表示的故障的源。建筑物分析系统将第三数据应用于第三机器学习，用于识别故障。输出作为应用的结果的级联系统，所述级联系统包括来自第一学习、第二学习和第三学习的第一机器学习分类器、第二机器学习分类器和第三机器学习分类器。
在检查以下图和详细描述时，本实施例的其它系统、方法和/或特征对于本领域中的技术人员来说将变得显而易见。旨在所有此类额外的系统、方法、特征和优点被包括在该描述内、在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述和图中描述所公开的实施例的额外的特征，并且所公开的实施例的额外的特征将从以下详细描述和图显而易见。
附图说明
没必要按比例绘制图中的部件，而是将重点放在例示实施例的原理上。在图中，相同的附图标记指代不同视图中的对应的零件。
图1是用于企业内建筑物自动化预测的管理系统的一个实施例的框图；
图2示出在管理系统中采用的示例建筑物自动化系统；
图3示出由管理系统的建筑物分析系统采用的建筑物级分析和企业级分析之间的示例区别；
图4示出由建筑物分析系统采用的建筑物级分析的一个实施例；
图5示出由建筑物分析系统采用的企业级分析的实施例；
图6示出了建筑物自动化系统中的阻尼器劣化的示例；
图7示出了建筑物自动化系统中的阀门劣化的示例；
图8示出训练和运行建筑物分析系统所采用的机器学习预测器；
图9是建筑物分析系统所采用的作为预测器的机器学习以进行预测的一个实施例的流程图；
图10示出建筑物分析系统采用的根据一个实施例的用于建筑物自动化的级联学习；
图11示出建筑物分析系统采用的根据一个实施例的分类器的级联的应用；
图12A和图12B示出利用由建筑物分析系统采用的基于情况的推理的示例聚类；
图13示出使用由建筑物分析系统采用的企业数据进行聚类分析的一个实施例；
图14是用于在建筑物分析系统提供的企业级处的聚类分析的示例的数据表示；
图15是使用由建筑物分析系统采用的企业数据表示机器学习的框图的一个实施例；
图16是使用由建筑物分析系统所采用的机器学习以控制企业内的建筑物自动化系统的框图的实施例；以及
图17是在用于建筑物自动化预测的管理系统中的建筑物分析系统采用的方法的一个实施例的流程图。
具体实施方式
分析被用于建筑物自动化中。本文中公开的实施例使用分析对建筑物自动化系统提供了改进。分析是对通过应用分析学科(例如，统计、情境、定量、预测、认知或其他新兴模型)开发的物理数据和相关业务见解的系统使用，以推动(drive)有助于计划、管理、测量和学习的基于事实的决策。分析可能是描述性的、预测性的或规定性的。对于非建筑物自动化系统示例，系统可以使用Twitter数据来准确地按区域(例如，县)预测心脏病的发病率。来自Twitter信息的数据分析根据死亡证明反映心脏病发病率。
对于建筑物自动化，性能分析被应用在单个建筑物及其所有系统中。大数据分析被应用于属于和/或由给定企业(诸如公司或政府实体)控制的多个建筑物。例如，分析数十或数百个分支机构、连锁企业或设备的运行。分析被设计用于主动地和自适应地检测运行性能缺陷，诸如故障检测和诊断。在企业级，管理系统(可操作为基于如本文进一步描述的组合来分析和执行过程)组合特定的建筑物自动化系统的性能分析和企业(使用建筑物自动化系统)的大数据分析。
使用在建筑物自动化中的数据分析的用户和其他人可能会受益。采用如本文中描述的分析过程和结构的管理系统可以用于提供安全、舒适和有效的环境。可减少或避免服务中断、故障和停机时间。可减少拥有成本，并且可增加设备和/或系统的使用寿命。通过在企业级(例如，多个建筑物)处的分析，根据在本文中公开的管理系统的实施例中采用的过程，企业或公司的重点从维修和维护转变到预防和预测。可减少总体营运费用(operatingexpense)、营运开支(operating expenditure)、运营费用(operational expense)、运营支出(operational expenditure)(OPEX)，从而允许更好地利用资本支出(CAPEX)。
使用机器学习，使用来自多个建筑物的数据和/或来自企业的元数据来创建用于分析建筑物中所使用的建筑物自动化系统的分类器。由数据驱动机器学习，所以机器学习适合于大数据或企业级建筑物管理。使用更稳健的机器训练的分类器，而不是应用可能不适合于一些情况的编程算法。机器训练适应且能够自动地进行分类，而不管数据的量和复杂性。
级联学习和由此得到的级联分类可提供对所查找到的(tunneling down)导致建筑物的建筑物自动化系统中的问题的原因的准确的分类。例如，可以根据机器学习分类器的级联来识别导致特定建筑物成本增加的致使故障的设备或设置。一个机器学习分类器使用来自建筑物分析系统中的级联布置中的另一个机器学习分类器的输出。训练级联中的一个或多个分类器，以识别由另一个分类器使用的信息。级联从更通用的遍历(traverse)到特定的、从一种类型遍历到另一种类型，或遍历其它区别(其中不同的分类器被训练用于不同区别)。
在一个示例中，企业拥有位于整个美国和加拿大的500栋建筑物。为了降低能源成本，在建筑物分析系统的机器学习平台中使用来自500栋建筑物的数据。机器学习平台包括反向传播和小脑算术计算模型(Cerebellum Model Arithmetic Computer，CMAC)神经网络学习的级联。通过反向传播学习解决高层次的问题(诸如能源消耗或总体效率)。高层次问题被级联(cascaded into)到特定问题(诸如CMAC学习中的传感器或阀门)中。因为建筑物能源与主要消耗者(诸如供热、冷却、通风或能源使用)相关，所以利用供热、通风、空气调节(HVAC)系统的物理拓扑结构。可以按级联(用于识别主要消耗者)中的主要设备(诸如锅炉)对主要消耗者进行分类。主要设备被连接到空气或水分配系统，并且空气分配系统依赖于传感器值和/或执行器设置等。建筑物分析系统的级联可针对任何级别和/或概化的范围进行分类，诸如对与建筑物相关联的主要消耗者进行分类、使用所识别的主要消耗者对主要设备进行分类，以及然后使用所识别的主要设备对主要设备的变量或装置进行分类。因为供热成本的降低(由级联识别出降低的机会)，所以分析可为企业产生大量节省。
由于使用机器学习，因此可以使用来自许多建筑物的大量数据来将输入信息与期望的输出相关联。机器学习允许处理程序或人工检查可能不能处理的庞大的和复杂的数据。通过将高层次问题级联到特定问题(诸如传感器或阀门中，使用分析来快速识别与问题相关的特定问题。例如，通过固定外部阻尼器或供热阀来减少供热成本。通过级联(由企业特有的数据和机器学习来驱动)来自动检测增加的供热成本，而不使用任何算法。
图1示出用于利用级联的建筑物自动化分类的管理系统8的一个实施例。该系统实现了图17的方法。可以实现其它方法。该系统使用以来自许多建筑物或独立运行自动化系统的数据的形式的大数据和/或以元数据、业务数据或其它企业数据(在建筑物中采用的自动化系统的控制或运行中未使用的)的形式的大数据。通过从许多建筑物自动化系统的数据中进行学习，可以通过建筑物分析系统17将机器学习分类器的级联应用于任何建筑物自动化系统12。
管理系统8包括与任何数量的建筑物自动化系统12和/或元数据数据库14相关联的企业10。具有建筑物处理器16和显示器18的计算机或建筑物分析系统17是企业10的一部分，或与企业10分离。可提供额外的、不同的或更少的部件。例如，建筑物分析系统17可包括经由用于接收用户输入的接口19可操作地连接到处理器16的键盘或鼠标(图中未示出)。接口19还可以包括网络通信接口，网络通信接口用于使得处理器16能够与建筑物自动化系统12和元数据数据库14通信。
企业10是公司、组织、集体、政府实体(例如，城市)或者使用用于商业活动的自动化设施或建筑物(而不是设施的自动化)的个体。建筑物自动化包括安全(例如，火灾报警)建筑物系统、环境(例如，HVAC)建筑物系统、保障建筑物系统、危险建筑物系统、其组合的建筑物系统，或其它建筑物系统。这些自动化建筑物系统12为开展业务提供了空间。除使建筑物自动化之外，业务被提供用于诸如产品或服务的销售的其它目的。企业10在业务中用于提供产品或服务，但是利用自动化在一个或多个建筑物中运营。例如，银行具有用于分支机构和/或总部的数百栋建筑物。企业10提供银行服务，并且企业10被容纳在建筑物中。
企业10生成信息或数据。数据是诸如用于销售、服务、人力资源、不同于建筑物自动化的网络运营信息技术、账单、预算的业务数据，或其它业务数据。该业务数据是企业10级元数据，其不同于建筑物自动化系统12的一部分所生成的数据或建筑物自动化系统12的运行的数据。
企业数据或元数据被存储在元数据数据库14中。数据库14是一个或多个存储器，诸如硬盘驱动器、闪存驱动器、磁带驱动器或其它数据库。数据库14作为一个存储器或多个单独的存储器被操作以存储各种元数据。
示例元数据包括员工或学生表现，诸如测试分数或审查评级。其它元数据可以是企业级的预算、员工考勤、人员编制、维护计划或信息、销售、电梯使用或其它数据。虽然数据是作为企业的一部分生成的，但是数据的粒度可以是按区域、员工或甚至建筑物。
建筑物自动化系统12包括安全(例如，火灾报警)建筑物系统、环境(例如，HVAC)建筑物系统、保障建筑物系统、危险建筑物系统、其组合的建筑物系统，或其它建筑物系统。自动化属于建筑物、楼层、房间或容纳企业10的一部分的区域。在图1的示例中，提供许多(例如，两个或更多、数十个或数百个)单独的建筑物自动化系统12。建筑物自动化系统12中的每个或一些独立于其它系统运行。一些建筑物可能非独立地运行，例如在共享设备或分布的情况下。其它建筑物是独立自动的，例如在建筑物处于不同的街区、邮政编码、城市、县、州和/或国家的情况下。相同的系统(例如，HVAC)可以在不同的建筑物中，并且可使用相同的自动化系统12控制相同的系统(例如，HVAC)，但是一个建筑物的传感器和执行器与另一个建筑物分开控制。例如，餐厅或银行可具有相同的建筑设计，所以对于许多不同建筑物使用与建筑物自动化系统12的相同设计。尽管这些相似之处，但每个建筑物自动化系统12的运行是独立的，因为一些建筑物在给定时间处于不同温度的区域中。
建筑物自动化系统的给定实例生成诸如来自传感器、执行器、面板或控制器的数据。传感器可包括温度、湿度、火、烟雾、占用、空气质量、气体、CO2或CO，或其它现在已知的或以后开发的传感器(诸如在医院中使用的氧传感器)。执行器可包括阀、继电器、螺线管、扬声器、喇叭、开关、马达、马达启动器、阻尼器、气动设备、其组合，或其他现在已知或以后开发的用于建筑物自动化的执行设备。控制器或面板与其他建筑物自动化设备进行交互，以建立、设置、更改、指导、报告或路由用于控制建筑物自动化功能的信息。控制器是面板、处理器、工作站和/或服务器。
控制程序运行在每个设备的适用于特定操作的控制器、传感器和执行器上。传感器报告适用于传感器或传感器特有的信息，诸如报告测量的值与期望的值或设置点值的比较结果。执行器使用输出的传感器数据以提供适合于执行器的响应。控制器监测传感器和执行器的步骤或动作，而无需在一种操作模式下进行控制。在另一种操作模式中，控制器无效(override)或影响传感器和/或执行器以基于一个区域或更大面积的控制程序改变流程。例如，控制器实施协调控制应用，用于无效、设置、调整或更改另一个建筑物自动化应用的运行。可选择地，控制器运行程序以测量与设置点的偏差，并且控制响应。
其他建筑物自动化设备可包括个人计算机、面板或监视器。例如，一个建筑物自动化设备是用于控制建筑物宽度部件的执行器，诸如冷却器、锅炉、建筑物进气口或建筑物气流排出口。使用建筑物自动化设备来控制主要设备或建筑物宽度设备，个体空间(individual spaces)或本地输入和输出点。传感器、执行器和/或控制可用于区域，房间，分配和/或设备运行。
建筑物自动化系统12实施用于控制建筑物功能的建筑物自动化应用程序。用可编程强大的处理控制语言(PPCL)或其它语言对建筑物自动化应用程序进行编程。
由软件和/或硬件配置建筑物自动化系统12，以收集、存储和输出图1中的运行数据13a、运行数据13b或运行数据13c。对于给定的建筑物，运行数据被用于监测相应建筑物的性能和/或控制相应建筑物的自动化。数据可以是管理数据，诸如日志改变或标记错误。可以输出报告数据。其它运行数据包括来自传感器的测量、执行器设置、设置点、警告或在建筑物自动化系统12的运行中生成的其它数据。如图2中表示的，每个建筑物自动化系统12可以根据在运行建筑物自动化系统12的建筑物中使用的区域或房间44、分布系统42(例如，空气处理单元)，和/或一个或多个设备40(例如，水或空气冷却的冷却器、供热炉或烤焙锅)生成运行数据。
运行数据包括输入数据和输出数据。输入数据是用于控制建筑物自动化系统12运行的任何数据，诸如传感器值。示例的输入值包括冷却水供应温度和冷却水返回温度、排气温度、供气流速度和回风流速度和室外空气温度。输出数据是测量建筑物自动化系统12的性能的任何数据，诸如能源使用、温度变化、误差信号、供热成本、冷却成本、通风成本、电力成本、效率、室外空气阻尼器打开(open)百分比和冷却水阀打开百分比。
提供针对不同时间的运行数据，或提供一度作为快照(snap shot)的运行数据。由建筑物自动化系统12提供数据的时间序列。在不同时间，诸如周期性地(例如，每秒、每分、每小时或每天)，存录(log)、测量或记录(record)运行数据。两次或更多次重复提供数据的时间序列。时间序列可以延长任何时间量，诸如超过几小时、几天、几周或几年。开始从最后一次复位起。可选择地，使用移动窗口(开始是从当前时间起的给定时间量)。
该建筑物管理数据对建筑物自动化系统12是特有的，所以其与存储在数据库14中的元数据不同。数据库14还可以存储建筑物运行数据，或建筑物运行数据被存储在其它存储器中。提供来自任何数量的建筑物自动化系统12的运行数据。
建筑物自动化系统12响应于查询，存储用于访问的运行数据。可选择地，建筑物自动化系统12将数据推送(push)到建筑物分析系统17的处理器16或另一个设备。建筑物分析系统17的接口19或计算机访问元数据数据库14和/或建筑物自动化系统12，以汲取或收集数据。可选择地，通过相应的建筑物自动化系统12将数据周期性地推送到接口19。接口19是端口、通信接口或用于联网的其它接口。
使用有线或无线通信来通信运行数据和/或企业数据(诸如用于企业10的元数据14)。可以使用局域、广域、互联网或其它计算机网络将运行数据通信到处理器16。对于在建筑物自动化系统12内，使用相同或不同网络，诸如802.15.4网络、令牌网络或网状网络。可以使用蓝牙、Wi-Fi、计算机网络、以太网、专用或其它标准通信协议。802.15.4和802.11x提供介质访问控制和到无线介质的物理接口。可使用任何现在已知的或以后开发的网络和传送算法。
可使用任何分组大小或数据格式。可提供用于任何给定通信路径的不同带宽，诸如与适于较高级别的网络(用于以较高速率且用于较长距离的较大数据分组)相比的适于较低级别的网络(适用于在短距离内传输的小数据分组)。
在典型的建筑物自动化中，建筑物性能是基于来自传感器的感测到的数据和来自执行器的运行数据。企业10还生成企业级数据。图3示出这两种来源或数据的分析、运行(operational)、或可由管理系统10的建筑物分析系统17执行的建筑物级分析22和企业级分析24。虽然可以由建筑物分析系统17使用建筑物级性能分析22诊断建筑物自动化系统12，但是较少的信息是可用的，并且没有提供对企业的运营的影响。如本文中另外描述的，通过包括或提供企业级分析24，可由建筑物分析系统17确定建筑物自动化对企业10的影响，或反之亦然。由建筑物分析系统17将数据分析用于企业级，以在有元数据或没有元数据的情况下控制建筑物自动化系统12。用于企业的建筑物分析系统17的元数据分析可以按建筑物的类型、一天中的时间，和/或与业务信息或其它全局数据的关系，来识别故障或其它性能。建筑物分析系统17可采用此类数据分析24结合性能分析23，以检测性能测量，诸如用于优化资源利用和/或服务器调度的预算支出。
图4示出可以由建筑物分析系统17采用的图3的建筑物级性能分析22的示例表示。由建筑物分析系统17接收的来自一个或多个建筑物自动化系统12的运行(operating)数据或运行(operational)数据13可包括来自建筑物内的数据、仪表数据、公用数据(utilitydata)，和/或第三方(例如，提供HVAC服务的公司)。由建筑物分析系统17的处理器16进行的基于结构化程序、基于物理的建模、或启发或统计的分析提供显示器18上的信息，和/或提供用于运行相应的建筑物自动化系统12的信息。基于分析的信息被用于优化性能、指示性能、提高效率或用作控制建筑物自动化系统12的反馈。启发或统计分析可用于学习识别：问题、问题的指示、有问题的子系统或设备，和/或问题的源。
图5示出了在建筑物分析系统17所采用的分析中包括建筑物级数据和企业级数据两者的示例表示。包括来自建筑物自动化系统12的运行数据13(诸如上面为图4讨论的数据)以及来自数据库14的可由建筑物分析系统17访问和接收的企业数据。企业数据是来自元数据数据库14的建筑工地数据、拥有者数据、业务数据或其他元数据。处理器16将数据分析应用于来自业务、建筑物、设备、公用事业、第三方、工地、仪表、企业和/或其他来源的融合的数据13和14。处理器16可采用一种或多种类型的分析，包括采样、修改、建模、模拟、发现、挖掘和/或学习。由建筑物分析系统17使用分析，以预测、创建规则、导出认知信息、优化行为、规范、在建筑物和业务事务中作出决定、识别模式、找到隐藏的信息或发现未知关系以输出到显示器18或管理系统中的另一个装置。可由建筑物分析系统17为建筑物(例如，如由图1中的相应的建筑物自动化系统12表示的)内的、整个企业10内的、区域内的、或与管理系统8管理的企业10相关联的集合中的整个能源系统搜集性能分析。结果是建筑物分析系统17生成融合的数据13和14，并且使用融合的数据采用分析来创建用于企业10的有价值的知识和见解。利用各种数据分析中的任何一种，建筑物分析系统17可使用各种来源的输入数据和建筑物数据中的任何一种来提供各种信息，诸如控制功能或用于建筑物自动化系统12或企业10内的其他设备的潜在故障的诊断。
在一个实施例中，由建筑物分析系统17采用的数据分析包括将数据13和数据14中表示的多个变量与该数据中还表示的一个或多个性能标准相关。可以使用其它性能来源。可以使用任何聚类或基于情况(case based)的分析。通过包括来自多个建筑物自动化系统的数据13和/或企业数据14，建筑物分析系统17的无监督学习可指示用于企业10内的系统或设备的诊断、预测、规划或运行的有用信息。建筑物分析系统17采用的无监督学习确定输入变量或变量值与任何用户选择的一个或多个性能标准的关系，而不需要预先训练分类器。无监督学习表示基于当前可用数据(没有事先建模或模拟)的关系。额外的或不同的机器学习可以被用于识别与较差性能相关的建筑物自动化系统12和/或零件，诸如使用小脑算术计算模型(CMAC)。
由建筑物分析系统17采用的聚类可以与另一个实施例的预测或预测器一起使用。通过聚类或其它分类输出的信息与或不与许多建筑物自动化系统12的运行数据一起使用，以机器训练劣化的预测器或其它操作，或作出预测。聚类或其它分类可输出时间序列。运行数据输出时间序列。使用时间序列数据训练预测器。在替代的实施例中，可在没有聚类或其它分类，和/或没有时间序列数据的情况下训练预测器。
在另一个实施例中，由建筑物分析系统17使用机器学习的级联。机器学习被应用于多层中或多个分类器之间的交互中。不同分类器具有相同类型或不同类型，使用相同或不同输入向量训练不同分类器，和/或训练不同分类器以对相同或不同信息进行分类。运行数据、元数据、建筑物数据、天气数据和/或其它数据被用于输入向量。可以提供任何输出向量。一个机器学习分类器的输出被级联到另一个机器学习分类器的输入。机器学习和得到的机器学习分类器使用相同或不同数据作为输入向量和相同或不同的输出向量，对建筑物自动化的不同方面进行分类。
一旦级联被训练，建筑物分析系统17将级联应用于任何给定的建筑物自动化系统12，诸如在用于训练的建筑物自动化系统12和没用于训练的不同的一个建筑物自动化系统12中的一个。运行数据13、分类输出，和/或其它输入特征被输入到级联中的另一个分类器中。
参考图1，建筑物处理器16和显示器18是建筑物分析系统17的一部分。建筑物分析系统17提取包括在运行数据13和/或企业数据14中对用户隐蔽的数据，以通过机器学习和/或应用由建筑物分析系统17执行的机器学习分类器的级联而变得可见。下面讨论了三种方法—聚类、预测(prediction)或预示(forecasting)，以及级联。这些做法可以一起使用，诸如在级联中使用预测和/或聚类，或可以独立或单独使用这三种方法。
建筑物处理器16是计算机、服务器、面板、工作站、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列、模拟电路、数字电路、其组合，或其它现在已知的或以后开发的用于处理大数据和确定大数据与建筑物自动化的关系(或反之亦然)的设备。建筑物处理器16是用于执行数据分析(诸如机器学习)的设备。
处理器16是企业10的一部分。在一个实施例中，由建筑物自动化系统12的管理计算机执行数据分析。可选择地，处理器16与企业10分离，以通过如在图1中描述的建筑物分析系统17将如本文中所描述的数据分析作为服务提供给企业10。例如，建筑物分析系统17可以是与建筑物自动化系统12和企业10的元数据数据库14进行网络通信的服务器，以执行如本文中描述的数据分析、然后将控制或其它信息输出到企业10和/或分布在不同建筑物中的不同建筑物自动化系统12中以进行控制。数据分析可输出数据、图表、图形或其它信息以将结果通信给技术人员。
建筑物分析系统17的处理器16被配置为分析诸如建筑物自动化运行数据13和/或企业数据14的数据。数据表示各种变量。为变量提供了值。值可以是随着时间变化的测量，值可以是一次变化的测量，值可以是按位置变化的测量(例如，用于每个建筑物自动化系统的值)，值可以是恒定的，或其组合。对于通过级联、预测和/或聚类进行的分类，由用户预先选择大数据，或由处理器16使用默认的大数据。来自其它分类的输出可以被额外地用于其它分类。大数据表示运行数据和/或企业数据的变量。大数据被建筑物分析系统17用于机器学习。一个机器学习分类器或多个机器学习分类器被应用于各个建筑物自动化系统或用于许多建筑物自动化系统的数据。
建筑物分析系统17的建筑物处理器16执行机器训练，以使输入特征与分类相关联。在一个实施例中，建筑物处理器16训练级联中的机器学习的分类器或层、或独立预测器中的一个，以对劣化、其它事件或预示操作进行预测。例如，图6示出随着时间的作为打开(open)百分比的阻尼器位置。类似地，图7示出随着时间的作为打开百分比的冷却阀位置。在给定数量的小时之后的完全打开位置表示劣化的性能。建筑物处理器16训练机器学习分类器，以基于输入时间序列预测是否将发生劣化。在另一个实施例中，建筑物处理器16训练机器学习分类器以预测各种子系统(诸如供热、冷却、通风和电力)的成本。可由建筑物分析系统17识别具有相对较高成本或其它问题的建筑物。在另一个实施例中，建筑物处理器16训练机器学习分类器以识别不正常工作(诸如没有正确操作，使得与正常操作相比，产生较高的成本或较低的效率)的建筑物自动化系统和/或子系统(例如，空气处理单元、冷却器或锅炉)。
建筑物处理器16将机器学习应用于数据。通过建筑物处理器16应用的机器学习确定数据13、数据14之间的统计或其它关系。建筑物处理器16使用数据13、数据14以用于训练以及地面实况(ground truth)。在预测中，时间的子集被用作输入特征。与时间序列的性能标准(例如，零件故障)相关联的另一个子集被用作地面实况。对于其它机器学习，一些变量被用作输入，并且其它变量被用作地面实况。
在预测方法中，由建筑物处理器16执行的机器学习将性能劣化的时间之前的时间段内的输入的运行数据13相关联，以预测劣化的性能。图8示出示例。训练数据包括针对不同时间的输入和输出数据的数据集合60，诸如24小时内24个集合。集合60的子集(诸如小时1-20)被用作至机器学习的输入。集合60的剩余的子集(诸如小时21-24)被用作机器学习的地面实况。建筑物处理器16使用来自许多示例(例如，在相同时间段内运行的许多建筑物自动化系统12)的地面实况根据输入预测运行数据13。由建筑物处理器16执行的机器学习确定在至预测输入的输入特征和输出数据集合62之间的关系。在应用时，由处理器16和/或用户分析预测运行数据以识别劣化的性能或其他事件。可选择地，机器学习会学习直接预测故障、劣化或其它事件。
在另一个方法中，由建筑物处理器16执行的机器学习使任何输入向量与任何输出向量相关联。输出向量可以是单个变量或一组变量。机器学习会学习对输入数据进行分类。基于学习，根据输入确定输出向量的值。机器学习确定关系。对于级联，一个分类器的输出可以被用作至另一个分类器的输入。其他的分类器从其它分类器输出的分类中部分地学习分类。
建筑物分析系统17(诸如神经网络)可以使用任何现在已知的或以后开发的机器学习。例如，建筑物分析系统17的处理器16能够基于时间序列使用循环神经网络或其它机器学习，以预测未来时间序列和/或事件。作为另一个示例，反向传播被用于一个分类器，并且CMAC被用于另一个分类器。可使用支持向量机、贝叶斯网络、聚类、监督、无监督、半监督或任何其他机器学习，和/或用于学习的解决方案。级联的机器学习使用用于任何层的建筑物分析系统17所采用的任何机器学习，诸如用于所有层的同一个机器学习或用于各个层的不同的机器学习。
由建筑物分析系统17所采用的机器学习确定一个或一组变量或变量值与另一个或另一组变量或变量值之间的关系。在一个实施例中，由建筑物分析系统17选择一个或多个变量作为一个或多个性能标准。例如，识别出表示成本的数据。作为另一个示例，识别出表示与成本相关联的故障的数据。在另一个示例中，识别出表示故障源的数据。机器训练学习将不良成本、故障操作和/或故障源与正常成本、正常操作，和/或不是故障源的设备区分开。表示成本、故障或来源的一个变量或多个变量可以来自运行数据13或来自企业数据14。例如，可通过增加的企业成本来反映成本。使用一段时间内的企业成本作为性能测量。建筑物分析系统17采用的机器训练学习将引起增加的企业成本的运行数据13与不会引起企业成本增加的运行数据12区分开。作为另一个示例，运行数据13被用作性能测量，诸如通过外部空气温度使正常化(normalized)的锅炉的“接通”时间量。在其它示例中，建筑物分析系统17所采用的机器训练学习预测未来操作，而不用特意地识别增加的成本。独立的分析根据预测运行(forecast operation)来识别增加的成本。
在级联实施例中，由建筑物分析系统17收集不同数据，诸如建筑物级数据(例如，供热成本)、系统级数据(例如，热水供应温度)和部件级数据(例如，阀或阻尼器的打开百分比)。建筑物分析系统17将建筑物数据应用于机器学习，以识别建筑物级变量，诸如供热成本信息。建筑物分析系统17将系统级数据应用于其它机器学习以识别建筑物内的故障源，诸如热水供应温度。建筑物分析系统还将部件级数据应用于其它机器学习，以识别与建筑物系统(例如，为建筑物级变量(诸如成本信息)的决定性因素的供热)相关联的故障(例如，阀或阻尼器的打开百分比)。建筑物分析系统17训练并输出三个分类器作为级联。
在一个实施例中，由建筑物处理器16训练混合的分析系统。混合可以是级联。如图9中所表示的，训练一个额外的分类器或多个额外的分类器。建筑物分析系统17训练一个或多个分类器以根据来自多个建筑物自动化系统12的大数据或数据进行分类。相同的或不同的训练数据被用于训练预测器64或混合中的其它分类器。在图9的示例中，使用无监督学习训练聚类分类器70，并且使用其它机器学习(例如，CMAC)来训练另一个分类器72。可使用更多的、更少的或其它的训练。用于每个分类器70、分类器72的训练可以是分开的。可选择地，用反馈或前馈信息、或分类器70、分类器72之间的输入或输出信息的其它交流来训练分类器70、分类器72。这些初始机器训练分类器70、72被用于任何目的，诸如识别感兴趣的特定自动化系统12或其部分，或找到信息之间的关系。
一旦训练，建筑物分析系统17处理并输出分类器70、72的输出，以用于训练预测器64或级联的其它分类器。类似地，输出被用于经过训练的预测器64进行预测。可使用来自分类器70、分类器72的输出的任何组合。例如，来自分类器70、分类器72的输出被直接用作于预测器训练或应用的输入特征。作为另一个示例，使用建筑物分析系统17所采用的分类器70、分类器72中的每一个的一个或多个输出来计算一个或多个值。所计算的值被用于预测器的输入特征的一部分。
在级联的一个实施例中，由建筑物分析系统17采用的一个分类器的输出被用作由建筑物分析系统17采用的另一个分类器的输入。图10示出利用机器学习(用于三个分类器82A-82C)的级联的示例。可在级联中使用更多或更少的分类器82。
训练级联以提供不同类型的分类。建筑物分析系统17的分类器82A-82C中的每个将不同类型的信息进行分类。例如，用于分类器82A的训练把用于建筑物自动化的一个成本或多个成本进行分类。通过对成本进行分类，识别异常高的成本。可输出具有异常高的成本和该类型成本的建筑物或建筑物自动化系统。用于分类器82B的训练对致使成本的故障进行分类。分类器82B被训练以识别致使高成本的建筑物自动化的温度、流量或其它运行特性。一个成本或多个成本被用作输入。用于分类器82C的训练对故障源进行分类。分类器82C被训练以识别致使故障的设备、子系统或设置。故障被用作输入。在其它实施例中，训练分类器以识别在级联中彼此相关的不同特性。
在机器训练级联的示例中，建筑物分析系统17的建筑物处理器16被配置为训练分类器82A-82C中的每个分类器。由于分类器82A-82C在级联中操作，所以训练从第一层(例如，分类器82A)到最后一层(例如，分类器82C)是有次序的。相同或不同数据被输入用于每个分类器的训练。建筑物处理器16从许多示例(诸如其它建筑物的数十个或数百个其它建筑物自动化系统的运行数据和其它数据)搜集数据。例如，搜集来自具有类似的或相同的建筑物自动化系统的50000栋建筑物的数据，用于通过建筑物分析系统17来进行训练。数据具有地面实况信息，诸如分类的一个或多个输出变量的已知值。
在该示例中，训练建筑物分析系统17的分类器82A以识别给定的建筑物自动化系统是否具有不期望的成本或效率。地面实况是成本是否高于阈值，诸如高于偏差的平均值或其它测量的百分比。在一个方法中，建筑物处理器16训练分类器82A以预测成本，并且将得到的预测成本与基准或阈值进行比较。以来自许多其它建筑物自动化系统的数据的形式的大数据被用作输入向量80A。输入天气、运行数据13和建筑物数据(例如，建筑物的地理位置)，但也可以使用其它数据。建筑物处理器16使用反向传播基于预测的成本86A和测量的成本或地面实况成本88A之间的误差来训练分类器82A。可使用任何成本，这样学习对供热成本、冷却成本、通风成本和电力成本进行分类。反向传播使用预测的和测量的之间的差异用于训练，如在84A处表示的。一旦训练，分类器82A就使用来自给定的建筑物自动化系统12和建筑物的输入数据，以预测任何过高的成本。
训练建筑物分析系统17所采用的下一个分类器82B，以识别致使任何过高成本的故障。地面实况是故障。如在输入向量80A中所使用的，相同或不同的大数据被用作输入向量80B。例如，分类器82A的输出与给定成本的相关子系统的运行数据13(例如，在成本是供热的情况下的空气处理单元信息和锅炉信息)一起使用。建筑物处理器16将所有预测的成本或仅与过高的成本相关联的预测的成本包括在输入向量80B中。使用CMAC，基于预测的故障86B和测量的故障或地面实况故障88B之间的误差，训练建筑物分析系统17的分类器82B。使用84B中的误差，建筑物分析系统17的分类器82B学习预测致使成本的故障。分类器82B可预测出被识别为故障的所生成的预测值，或分类器82B可以直接分类为故障或不是故障。可预测任何故障，诸如在排气温度、热水供应温度、室外空气流量，和/或供气流量中的故障。一旦训练，建筑物分析系统17采用的分类器82B就使用输入数据以对任何过高成本的故障进行分类。可针对不同成本或成本的组合训练不同故障分类器82B。可选择地，训练分类器82B以对被给定了任何可能的成本的故障进行分类。
由建筑物处理器16训练建筑物分析系统17的分类器82C以识别故障源。地面实况是来源。如其它输入向量80A和输入向量80B，建筑物处理器16使用相同或不同的大数据作为输入向量80C。可以使用故障来确定输入向量80C，例如，故障是热水供应温度，因此使用与涉及热水供应的设备相关联的数据。针对不同故障对建筑物分析系统17的不同分类器82C进行训练。可选择地，针对所有可能的故障对一个分类器82C进行训练。来自故障的分类器82B的输出可替代地或额外地被用作输入向量80C的输入，诸如输入由分类器82B输出的所预测的热水供应温度。将所有预测故障分类或仅与所识别的故障相关联的预测故障分类包括在输入向量80C中。使用建筑物分析系统17的CMAC，基于预测源86C和测量的源的或地面实况的源88C之间的误差，训练分类器82C。使用来自建筑物自动化设备的预测运行中的84C中的误差，分类器82C学习预测故障源。由建筑物分析系统17采用的分类器82C可预测装置运行和被识别为源的所生成的预测值，或可直接分类为源或非源。可预测任何源，诸如阀位置、阀、传感器、传感器值或其它变量。一旦训练，分类器82C就使用输入数据以对故障源进行分类。
其它分析可以包括在级联中，或可由建筑物分析系统17单独处理。在使用聚类分类器70的示例(图9)中，使用无监督的机器学习。由建筑物分析系统17使用来自大数据的变量，以相对于任何性能测量进行聚类，以便确定在好和坏性能之间区分哪些变量或变量值。建筑物分析系统17采用变量和相关联的值的组合，以更强地与性能进行区分，或更强地与性能相关联。好和坏的性能为基于性能测量值的范围的相对术语。可使用默认的或用户在好性能和坏性能之间所选的描述。可选择地，建筑物分析系统17采用的聚类或其它无监督的学习应用了标准偏差或其它分析，以区分好和坏性能。
在一个示例中，建筑物分析系统17使用聚类以测量建筑物性能。建筑物自动化系统的运行数据13和/或企业数据14由建筑物分析系统17进行聚类，以确定建筑物自动化系统12是否按照需要运行。在另一个示例中，由建筑物分析系统17使用数据分析以测量企业、业务单位、员工、客户，或其它企业相关组的性能。建筑物自动化系统的运行数据和来自控制多个建筑物的业务的业务数据通过建筑物分析系统17进行聚类，以确定建筑物自动化系统12是否影响企业。
建筑物分析系统17采用的机器学习发现与性能相关的因素的模式、行为、族、聚类、分类，或其它分组。在一个示例中，企业是具有用于学校的许多建筑物的学校系统。在该示例中，学生表现被用作性能测量。该企业数据可以是测试分数、年级，或可用作由建筑物分析系统17访问的元数据14的其它信息。建筑物分析系统17可以对该学校系统企业10的建筑物自动化系统12的任一个或所有运行变量中的运行变量进行分析，以确定与性能测量的相关性，或对性能测量的影响程度。在该示例中，如根据本文中公开的实施例的建筑物分析系统17识别的聚类可以指示教室通风直接影响学生表现(假设其它变量保持相同)。具有较差通风的建筑群可被建筑物分析系统17识别为聚类。
其它变量或变量值可影响性能，但如建筑物分析系统17所确定的，影响程度比较小。基于所识别的聚类，建筑物分析系统17能够确定一组变量或变量值是否比其它变量或变量值更显著地影响性能。基于预先选择的准则(诸如相关性排序)，建筑物分析系统17对聚类结果进行排序，用于用户选择和使用。例如，建筑物分析系统17使用影响级别、相关系数或相对影响来区分变量或变量值范围对性能的影响。
图12A示出在冷却器性能示例中由建筑物分析系统17执行的聚类的示例。天气数据、由相应的建筑物自动化系统12控制的冷却器的年代、冷却器的类型和来自大量建筑物(例如，50栋建筑物)的地理位置被选择作为至建筑物分析系统17的输入变量。处理器16应用聚类以确定各种输入变量与冷却器性能的关系或相关性，这里被测量为性能系数。集群中的每个点表示冷却器中的一个冷却器。建筑物处理器16将性能映射到y轴，并且运行小时被映射到x轴。建筑物处理器16将右上方中的聚类与热气候中的性能相关联，并且将在左下方中的聚类与冷气候相关联。气候(例如，天气数据和位置的组合)是在建筑物分析系统17的建筑物处理器16基于情况的推理中用于沿着y轴和x轴聚类的第三维用途。对于基于情况的推理，建筑物分析系统17的处理器16能够使用户选择待使用的聚类变量(例如，气候)、x轴和/或y轴变量。处理器16还可以无需用户选择而使用各种组合执行如本文中所描述的聚类，以识别具有阈值相关性的最大组合或一组组合的组合。其它输入变量可与冷却器性能具有较小相关性，所以建筑物处理器16可将此类其它输入变量识别为不是确定的。基于用于指示如建筑物处理器16所确定的相关性的聚类，用于一些建筑物的冷却器的设计、维护和更换可以例如基于根据所确定的聚类相关性的气候而与其它建筑物的分开处置。由建筑物分析系统17采用的该基于情况的推理可以被用于改善冷却器性能或用于聚类的其它变量。
图12B示出在利用聚类的基于情况的推理的学生表现示例中由建筑物分析系统17执行的聚类的示例。选择空间CO2、通风、地理位置、分布类型(例如，水或空气)、相应建筑物自动化系统12的年代，机械系统和天气作为至建筑物分析系统17的输入变量，但可使用其它变量。处理器16应用聚类(例如，无监督的学习)，以确定各种输入变量与学生班级表现(例如，平均绩点(GPA))的关系或相关性。聚类中的每个点表示学生。由建筑物处理器16将表现(例如，GPA)映射到y轴，并且年级水平被映射到x轴。通过建筑物处理器16将右上方中的聚类与更好的通风相关联，并且通过建筑物处理器16将左下方中的聚类与较差通风相关联。通风是在通过建筑物分析系统17的建筑物处理器16的基于情况的推理中用于沿着y轴和x轴的聚类的第三维用途。对于基于情况的推理，建筑物分析系统17的建筑物处理器16能够使用户选择或识别(通过接口19经由键盘或其它输入设备)将待使用的聚类变量(例如，通风)、x轴和/或y轴变量。处理器16还可以无需用户选择而使用各种组合聚类来识别具有最大相关性的组合或具有阈值相关性的一组组合。其它输入变量可与学生表现具有较少的相关性，所以不是确定的。基于指示相关性的聚类，学校系统可确定哪些建筑物具有较差通风。通过改善通风，应提高学生表现。
在一个实施例中，管理系统8中的建筑物分析系统17将不同类型的无监督的学习应用于具有相同的一个或多个性能标准的相同数据。例如，建筑物分析系统17应用不同类型的聚类，使得建筑物分析系统17对来自不同类型的聚类(例如，针对给定的性能标准的每个变量的相关系数)的结果进行平均、进行加权平均，或者进行其它的组合。也可组合概率分布。在其它实施例中，建筑物分析系统17基于预定义的排序自动选择来自不同类型的聚类的结果。例如，用户预先选择一个或多个排序标准，诸如相关性排序。将来自不同类型的聚类的结果进行排序，用于用户选择和/或使用。处理器自动选择较高的N个排序结果，其中N是1或更大的整数。
图13示出使用建筑物分析系统17采用的企业数据14进行分析的另一个示例。在图11中，每个“良好”、“优”、“中等”和“较差”方框表示位置。建筑性能指标或标准是服务预算。建筑物分析系统17从企业数据14访问服务预算。为了发现模式，建筑物分析系统17使用聚类、族识别或分组。例如，建筑物分析系统17可利用聚类，以识别打开维护位置(openmaintenance positions)的数量与建筑物自动化系统12的性能相关，该建筑物自动化系统12的性能与用于相关联的建筑物自动化系统12的服务预算相关。由用于企业10的管理系统8中的建筑物分析系统17利用无监督学习对数据进行分类，以确定在服务预算级中得到的企业级行为。聚类可额外地或可选择地确定与性能相关联的位置的共同点，诸如识别出相对于与水间隔开的建筑物聚类接近大型水体的企业10中的建筑物。
在一个实施例中，建筑物分析系统17的处理器16应用无监督学习以识别建筑物自动化系统12的子集。子集可以是表现不佳的自动化系统12或具有最优或次优性能的自动化系统12。例如，在该实施例中，建筑物处理器16能够识别运行数据和/或企业数据与建筑物自动化的性能测量的相关性，然后识别与较差性能相关联的建筑物和这些建筑物的变量。在银行企业示例中，根据公开的实施例的建筑物分析系统17可以将银行企业10中的一个冷却器或多个冷却器识别为在气候区域上的表现不一样。建筑物分析系统17可以在企业10内的较差表现的建筑物群中识别冷却器的运行和位置。银行企业可更改在企业10的一些区域中的冷却器的设计，而不会承受在所有区域中更换冷却器的成本。
分析企业数据(例如，元数据、服务记录、公用事业数据、业务数据，和/或预算信息)、建筑物数据(例如，年代和/或位置)、系统数据(例如，分布系统的类型—水和/或空气)、应用数据(例如，建筑物传感器和/或运行数据)，和/或其它类型的数据，诸如针对建筑性能、企业性能或其它因素、由根据所公开的实施例的建筑物分析系统17进行的分析。可以使用不同的准则和/或数据来源来对与建筑物分析系统17通信的相应的建筑物自动化系统12所控制的在企业10中的不同的建筑物进行性能评估。建筑物分析系统17使用数据以发现对性能的深入了解和/或控制以优化性能或诊断建筑物自动化性能或企业性能。企业数据被用作与性能相关的输入变量和值，和/或用作性能。
建筑物分析系统17使用聚类识别预测器64使用的分组或其它信息。在机器训练预测器64中，可使用聚类信息。学习任何聚类区别与预测运行和/或劣化的关系。可选择地，聚类被用于识别：预测器应从哪些建筑物自动化系统12进行学习，和/或一旦学习，预测器应该应用于哪些建筑物自动化系统12。
在图9中反映的另一个实施例中，建筑物分析系统17可以使用聚类信息来识别与较差性能相关联的特定建筑物自动化系统12。建筑物处理器16的其它机器训练从聚类信息和/或大数据中学习对建筑物自动化系统12的一部分进行分类。该部分信息可被用于预测器64的训练和/或应用中。建筑物分析系统17使用机器学习的级联来识别建筑物或子系统、故障和/或来源。
如在图8的预测示例中所示的，建筑物分析系统17采用的机器学习包括训练阶段和运行阶段。一旦建筑物处理器16利用输入特征(例如，运行数据集合60)和性能测量或输出(例如，在T(n+1)内的运行集合60)训练循环神经网络或其它机器学习算法，机器学习预测器64或其它分类器就被用于在运行阶段中进行预测。机器学习预测器64或建筑物分析系统17的其它分类器为矩阵或机器学习分类器的其它表示，诸如用于节点的多个权重以及任意数量层(从学习的输入变量到映射至输出变量)中的节点之间的交互。
为了使用或预测，建筑物分析系统17采用机器学习预测器64来接收输入向量。为了预测，输入向量是用于训练的变量值。在图8的示例中，输入用于给定的建筑物自动化系统12的输入和输出数据集合66的时间序列以作为向量或特征。可使用任意数量的时间，诸如用于训练的时间量。可以在输入的时间序列中使用任何时间范围(诸如几分钟、几小时、几天、几周或几年)。基于由建筑物分析系统17搜集的输入向量，建筑物分析系统17的机器学习预测器64输出数据。在一个示例中，建筑物分析系统17输出预测未来的输入和输出数据值的集合68。在其它示例中，建筑物分析系统17预测其它性能，诸如建筑物自动化系统12或其一部分的劣化运行或故障。不是预示未来，而是可对自任何时间起的成本、故障、源或给定测量的其它信息进行分类。由建筑物处理器16做出运行的预测(不是预测未来的运行或除未来运行的预测)。
所预测的学习的性能和/或输入和输出数据的预测集合68指示建筑物自动化系统12的劣化。建筑物分析系统17使用在一个集合68中在一定时间内预测的数据的特定组合或建筑物自动化系统12在一段时间(例如，跨预示集合68)内数据的变化的特定组合来指示建筑物自动化系统12的特定部分的劣化或整体的劣化。可选择地，预测对于建筑物自动化系统12的一部分是特定的，诸如被训练用于预测不同部分的劣化的不同机器学习预测器64。在其它供选择的方案中，机器学习预测器64预测整个建筑物自动化系统12的劣化，而不管任何特定部分的故障。
返回到示例级联的实施例，在一个示例中，企业10拥有500栋建筑物，并且期望减少能源成本。建筑物分析系统17训练机器学习分类器的级联。例如，建筑物处理器16使用反向传播和CMAC来训练级联以预测成本、预测故障，并且预测故障源。使用反向传播精确地确定高层次问题(诸如能源消耗或效率)。该高层次问题被级联到特定问题中，诸如传感器或阀。级联利用建筑物自动化系统12的拓扑结构来使高层次问题与特定故障源相关联。问题被级联到特定的源。
建筑物分析系统17将机器学习级联应用于来自任一个建筑物自动化系统12中的数据。级联可被训练用于特定的建筑物自动化系统布置，诸如用于企业10的类似大小的建筑物的复制的建筑物自动化系统12。在其它实施例中，由在设计上具有任何数量变化(诸如对于不同大小的建筑物不同的布置)的建筑物自动化系统12上的建筑物分析系统17训练级联。由特定企业10的建筑物分析系统17或特定企业10的建筑物的子集训练级联。针对不同企业训练不同的级联。可针对相同企业10中的建筑物自动化系统12的不同设置训练不同级联。可针对不同目的训练不同级联，诸如以解决不同高层次问题。在其它实施例中，级联被训练用于预测跨多个企业10。
一旦被训练，建筑物分析系统17将级联应用于任何建筑物自动化系统12。来自许多建筑物自动化系统12的数据被用于训练级联，然后用于为给定的建筑物自动化系统12进行分类。相同的级联可被应用于不同的建筑物自动化系统12。用于每个建筑物自动化系统12的数据被单独输入到建筑物分析系统17，以对致使给定建筑物自动化系统12的任何问题的建筑物自动化系统12的任何故障的源进行分类。级联被用于解决特定建筑物自动化系统12的问题，使得仅校正具有问题的建筑物自动化系统12。
图11示出通过建筑物分析系统17应用级联的示例。输入向量80A(诸如天气、建筑物和运行数据)被输入到由建筑物分析系统17采用的机器学习分类器82A。分类器82A预测成本，识别具有不期望的成本的建筑物，和/或以其它方式将建筑物分类为具有问题或不具有问题。预测的成本或问题作为输入向量80B的一部分被级联到由建筑物分析系统17采用的另一个机器学习分类器82B。例如，分类器82A识别出供热成本有问题。结果，预测的供热成本、空气处理单元运行数据和锅炉数据被输入到分类器82B。分类器82B对致使成本的故障进行分类。例如，建筑物自动化系统12的故障被分类为热水供应温度。该预测的故障86B被级联到由建筑物分析系统17采用的分类器82C的输入向量80C。使用该故障、故障的预测值(例如，供应温度)、天气数据、建筑物数据、运行数据和/或其它数据，建筑物分析系统17的分类器82C预测由分类器82A识别的建筑物自动化系统12中的问题的源86C(诸如阻尼器或阀，或阻尼器或阀的设置)。
由建筑物分析系统17采用的级联可包括分类器以确定测试哪些建筑物自动化系统12和/或测试哪种类型的问题。建筑物分析系统17的分类被用于选择输入的数据和/或使用的级联的分类器。例如，使用用于企业10的无监督学习的建筑物分析系统17的聚类识别性能较差的建筑物自动化系统12。建筑物分析系统17使用级联来识别所识别的建筑物自动化系统12中的问题的源。级联的应用是自动化的或半自动化的。建筑物分析系统17所使用的级联的机器训练的分类器82A-82C允许使用特定建筑物自动化系统12的大量数据。
图14是由建筑物分析系统17采用的以在建筑物自动化中利用机器学习来使用数据的整体方法的另一个表示。建筑物分析系统17使用作为由如图14中所示的建筑物分析系统17实施的数据分析引擎的一部分的机器学习，来分析企业数据、建筑物自动化系统数据(例如，其可以是运行数据13的一部分)、来自第三方的数据(例如，来自服务的天气或运行信息)、公用事业数据(例如，速率)、建筑物数据(例如，位置和大小)、建筑物管理系统(BMS)数据(例如，其可以是运行数据13的一部分，和/或包括不是运行数据13的一部分的建筑物资产跟踪数据)、应用数据(例如，属于建筑物自动化系统12、BMS或其它建筑物控制器的相应的应用的特定运行数据)，和/或其它数据。对于建筑物自动化系统12和/或企业10中的每一个，该学习可为描述性的、预测性的、规范性的、预兆的性的或适应性的。由根据本文中公开的实施例的建筑物分析系统17识别的所学习的关系可以被用于防止问题，减少能源使用，优化资产，提高效率，和/或提供更好的体验。由作为企业10的网络部件的建筑物分析系统17或由服务提供分析，以有助于企业具有成本效率、有价值的服务、快速性和/或资源利用。任何变量和任何性能之间的关系可以被提供给采用本文中公开的分析实施例的建筑物分析系统17。通过分析大数据、大量变量、广泛的值，或具有对许多样本(例如，许多建筑物)的测量的变量，建筑物分析系统17可使用聚类、预测或级联，以识别用于提高相关联的企业10内的性能的未预期的关系和/或假设。
建筑物分析系统17可以训练(不是聚类或基于情况的推理)机器学习分类器以使用建筑物自动化数据13和企业数据14两者诊断企业和/或建筑物自动化系统12的运行。图15表示一个示例。在离线过程中，建筑物分析系统17使用企业数据、公用事业数据和/或其它数据训练分类器90。分类器90被训练以估计94运行和/或能源性能。可使用其它性能测量。在反馈或在线学习方法中，由建筑物分析系统17采用的训练可包括估计的性能94相对于实际的性能92的比较。使用该过程，建筑物分析系统17继续训练，直到达到期望的准确性。
建筑物分析系统17针对性能91分析外部数据、建筑物管理系统数据、其它第三方数据，和/或其它数据。通过建筑物分析系统17的数据分析可产生理想的或期望的性能98，诸如使用聚类来识别具有更好性能的相关的建筑物变量的特性(例如，值)。建筑物分析系统17将该期望的性能98与实际性能92比较。使用预测性的(predictive)、预兆性的(prognostic)和/或规范性的分析96，通过建筑物分析系统17的比较可以触发在线或经过训练的分类器的升级、改变或重新训练。
一旦训练，由建筑物分析系统17采用的机器学习分类器90接收来自企业、公共事业或其它数据的输入特征向量以预测性能94。建筑物分析系统17比较预测的性能94与用于在各种分析96中的实际性能92进行比较。机器学习分类器90的输出可以被用于由建筑物分析系统17执行的聚类过程中，诸如使建筑物自动化的能源或运行的预测性能94与企业性能变量相关。如由建筑物分析系统17采用的聚类可以被用于导出用于机器学习分类器90的输入特征向量的输入。
在图16中表示的另一个实施例中，在建筑物分析系统17中采用逆机器学习分类器100。建筑物分析系统17训练分类器100以基于实际性能92使用各种数据预测性能94。一些用作至机器学习分类器106的训练的输入的数据包括建筑物自动化数据，诸如设置点、运行顺序、运行范围或其他控制信息。机器学习分类器106的反向机器学习分类器100可将期望的性能104转换成建筑物管理系统运行参数102(例如，设置点、运行的顺序，和/或诸如集合68的运行范围)。企业和建筑物自动化运行数据被用于训练和反向中。
根据本文中公开的实施例的建筑物分析系统17采用的聚类可以确定用于训练和反向的数据。建筑物分析系统17的聚类预处理确定期望的运行或能源性能104的最具有决定性的变量。
返回到图1，显示器18是液晶显示器、发光二极管显示器、CRT、监视器、等离子体、投影仪、打印机或其它显示器。显示器18被处理器16配置用于呈现如由建筑物分析系统17采用的机器学习分类的结果。在一个示例中，由建筑物分析系统17的级联预测的来源、故障和/或成本被输出到显示器18。作为另一个示例，由建筑物分析系统17的级联预测具有问题的建筑物自动化系统、具有问题的子系统，和/或致使问题的子系统的设置或装置，并且将其输出到显示器18。可选择地或额外地由建筑物分析系统17将最佳、令人满意的或正常的运行的预测输出到显示器18上。
在其它实施例中，处理器16传输用于控制或其它用途的结果。可以控制建筑物自动化系统12以改善性能。可将结果传输到管理者或服务机构，以调度维护来避免故障或劣化。级联的输出被用于减少成本、避免停机，或指示需要重新设计。建筑物处理器16在显示器18上将预测输出给技术人员，将消息输出到监督人，或输出用于训练的日历事件。
图17示出用于在建筑物管理系统中的建筑物自动化分类的方法的一个实施例。由图1的建筑物管理系统8或不同系统实施该方法。
与图17中所示的相比，可提供额外的、不同的或更少的动作。例如，不执行动作54，而是使用输出来使传输、存储或基于规则的动作发生。
图17表示利用机器学习训练级联或利用级联中机器学习的分类器训练级联。首先在级联学习或训练阶段中讨论该方法。然后下面在运行或应用阶段中讨论该方法。
在用于学习的动作50中，建筑物处理器16或建筑物分析系统17的其它部分通过接口19或从存储器访问与多个建筑物相关的数据。访问是通过信息的接收、信息的请求或加载信息。可由与企业中的多个建筑物自动化系统相关的管理系统8中的处理器挖掘多个存储器。在供选择的实施例中，访问与单个建筑物相关的数据。
数据包括建筑物管理系统数据或建筑物自动化系统运行数据(具有或不具有与建筑物管理系统数据或建筑物自动化系统数据不同的企业数据)。在企业中的且与建筑物管理系统通信的建筑物自动化系统生成建筑物自动化特有的数据。例如，访问执行器设置、传感器读数、设置点、仪表信息、天气、公共事业信息、性能的测量，或用于相应的建筑物自动化系统的日常运行的其它输入或输出数据。建筑物管理系统包括用于供热、冷却、通风、消防安全或其组合数据的自动化。
企业生成对于企业的业务特有的数据。企业的业务不是建筑物的自动化，而是访问企业的预算、维护、员工申诉或人力资源数据。
在企业数据库14中访问企业数据。企业数据库14是被组织为一个数据库或为单独的数据结构的一个或多个存储器。表示一个或多个变量的企业数据被访问。给定变量的值可以在多个建筑物中相同或不同。例如，建筑物的维护预算与多个建筑物相关联，但是对于不同的建筑物可以相同或可以不同。对于不同建筑物，与预算的偏差量更有可能是不同的。
所访问的数据可为所有可用数据中的全部或所有可用数据的默认子集。可选择地，用户指示要访问的数据。用户通过指示待被分析的问题(诸如用户指示级联以使成本与来源相关联)来配置分析。该输入可以指示要访问的特定数据，诸如可能由机器学习使用以对(1)成本、故障和/或来源进行分类，或对(2)建筑物、子系统和/或设置或装置进行分类的数据。在其它实施例中，没有指示特定问题。相反，级联将被用于确定可能发生的各种问题中的任一个的来源。机器学习可指示哪些变量和对应的数据与级联输出相关，以及哪些变量和对应的数据不与级联输出相关。少于所有原始选择的数据可被用于训练的级联，诸如仅使用决定性变量。
在一个实施例中，除了级联之外，数据还被访问以用于分类。例如，访问至机器训练预测器的数据和/或用于无监督(例如，聚类)的机器学习的数据。
训练分类器以输出期望的信息，诸如识别故障的来源和/或识别表现较差的建筑物自动化系统12。这可被用于将级联的训练限制于特定的建筑物自动化系统12、一部分或故障部。例如，聚类被用于区分表现良好和表现较差的建筑物自动化系统12。从表现较差的建筑物自动化系统12的数据中学习预测。不使用来自表现良好的建筑物的数据。可选择地，使用两组建筑物的数据，但是在学习预测中不同地使用这两组数据。
在用于训练级联的动作52中，建筑物分析系统17的建筑物处理器16将机器学习应用于被访问的数据。为了训练，数据中的一些被用作为学习的输入，并且数据中的其它的被用作为性能的测量或地面实况。例如且如图10中表示的，一些测量88被用作分类的输出。输入向量80的其它数据被用于表示可引起输出的变量。例如，性能(例如，能源使用、误差、故障)的测量被用作用于学习预测发生、原因和来源的地面实况。来自其它分类(例如，聚类和/或CMAC)的输出可被用作学习的输入数据和/或地面实况。
机器学习是神经网络、CMAC神经网络、反向传播或用于从输入数据预测的其它机器学习。机器学习学习使输入值与地面实况统计地相关。对于神经网络，由处理器学习节点的层、用于节点的权重和节点之间的连接以从输入向量进行分类。
在训练中使用来自许多建筑物的许多示例，机器学习可更准确。许多示例可使机器学习更能够学习预测不同于任何训练数据的给定输入值。
在级联示例中，所访问的数据被应用于机器学习的级联。例如，反向传播机器学习被用于训练供热、冷却、通风和电力成本或效率的一个分类器82A。天气数据、建筑物数据和运行数据被用于训练分类器82A，以预测所测量的数据或地面实况。
处理器将来自第一分类器82A的相同或不同的所访问的数据(具有或不具有地面实况)应用于另外的机器学习。在级联识别与特定的一个子系统或多个子系统相对应的问题的情况下，使用这些子系统的运行数据。另外的机器学习被用于分类器82B以识别与成本或效率相关联的故障。对于级联，训练分类器82B以部分地根据输入分类器82A的预测成本86A对故障进行分类。例如，训练CMAC以对问题的故障(诸如引起成本或效率问题的温度或流量)进行分类。
在另一个实施例中，处理器将来自故障分类器82B的相同或不同的所访问的数据(具有或不具有地面实况)应用于另外的机器学习。成本或效率可能也可能不会被用在输入向量80C中。在级联识别出问题和问题的故障的情况下，将另外的机器学习用于分类器82C以识别故障的源。对于级联，训练分类器82C以部分地根据故障分类器82B的预测的故障86B对源进行分类。例如，训练CMAC以对故障的源(诸如阀位置、阀、传感器、传感器读数、装置或致使故障的建筑物自动化系统的装置运行)进行分类。
通过利用来自所访问的数据的机器学习训练多个分类器82，将机器学习分类器82的级联提供给建筑物分析系统。可使用任意数量的具有输出到输入的任何关系的分类器82。训练可以包括也可以不包括预测以及在预测的测量和和实际的测量之间的相应的误差最小化。不同或相同训练和/或机器学习被用于级联中的不同分类器。
在学习的动作54中，分析系统17的建筑物处理器16将机器学习的应用的结果输出到显示器18、网络、存储器或其它处理器。输出建筑物自动化系统12的运行的机器学习分类器82的级联。例如，输出用于预测问题和问题的源的所学习的神经网络(诸如以矩阵的形式)。作为另一个示例，输出用于将建筑物识别为具有增加的成本、致使成本增加的故障，以及故障的源的三个分类器的级联系统。可输出多于一个级联，诸如输出被训练用于识别不同问题的源的级联。可输出用于级联中的每层的可选择的分类器82。
使用或应用输出级联。将相对于训练数据的后来获取的数据或来自不同建筑物自动化的数据输入到级联的分类器82。级联识别建筑物自动化系统12是否有问题、是否有引起问题的故障，以及是否有故障的源。分类基于到每个分类器的输入数据，包括从另一个分类器级联来的信息。图17表示级联的应用(参见图11)。
相同或不同建筑物处理器16和/或建筑物分析系统17应用所学习的分类器的级联82。在其它实施例中，给定的建筑物自动化系统12应用该级联。
在动作50中，建筑物分析系统17、建筑物处理器16或建筑物管理系统8的其它装置访问输入数据。输入数据来自给定的建筑物自动化系统12。由处理器单独分析不同的建筑物自动化系统12。相同数据中的一些可被用于不同的建筑物自动化系统12，诸如与不同自动化系统12相关联的企业数据或由其它机器学习分类输出的数据。可访问其它数据，诸如天气数据、公用事业数据或建筑物数据。
访问用于训练的相同类型的数据。当机器学习分类器82分类或预测时，不访问用于地面实况的数据类型。在图11的示例中，从存储器、传输或接收访问天气、建筑物、运行和级联的信息。
在应用所学习的级联分类器82的动作52中，处理器使用机器学习分类器来预测建筑物自动化系统12或建筑物自动化系统12的一部分，或对建筑物自动化系统12或建筑物自动化系统12的一部分进行分类。分析系统17或建筑物处理器16将输入向量80的访问的数据输入到机器学习分类器82中。
基于输入数据，由处理器实现的机器学习分类器82输出分类或预测。例如，两个或更多分类器的级联被应用于给定建筑物自动化系统的数据。分类器82中的一个或多个分类器82响应于级联中分类器82中的另一个分类器82。在图11的示例中，分类器82A(例如，使用反向传播的机器学习分类器)将成本分类为异常。分类器82B(例如，CMAC)对异常成本的故障进行分类。分类器82C(例如，CMAC)对故障源进行分类。来自每个分类器82A-82B但最后一个分类被前馈用于级联的下游分类器82B-82C进行分类。
处理器将机器学习分类器应用于任何建筑物自动化系统12。在一个实施例中，用不同机器学习分类器识别应用级联的建筑物自动化系统12。例如，聚类被用于识别表现较差的建筑物自动化系统12。任何数据(诸如相同或不同数据)被用于该初始分类。输入来自所有或许多建筑物自动化系统12的数据以对成员或集群进行分类。然后，级联被应用于具有较差性能的建筑物自动化系统12。级联基于用于给定建筑物自动化系统12的输入数据，确定问题和问题的源。在其它实施例中，级联被应用于用户选择的、所有或其它建筑物自动化系统12。
在应用级联中的机器学习分类器82的动作54中，处理器将来自级联的问题、故障、来源、子系统、建筑物、设备、传感器读数、设置、控制或其它分类呈现在建筑物分析系统17的显示器18上。相反，输出可被传输和输出到另一个装置上，诸如被远程打印或显示。输出任何结果。可选择地，输出从结果得出的信息，诸如具有类似问题、故障和/或源的建筑物的列表。可输出概率信息，诸如提供输出值的范围(例如，预测中成本的范围和对应的概率分布)。分类器的训练可以是概率性的，所以机器学习分类器输出用于每个输出值的概率信息。
输出可用于修复问题。例如，降低具有供热成本问题的建筑物的供热成本。问题的源被用于指示解决方案，诸如修复或替换阻尼器或阀。输出可被用于识别用于更改设计的共同点。输出可被用于更改企业10的运行，诸如将员工重新定位到具有适当执行建筑物自动化的建筑物或区域。技术人员可利用输出来启动分析，以努力识别控制问题。
虽然上面通过参考各种实施例已经描述本发明，但是应当理解，可作出许多改变和修改，而不脱离本发明的范围。因而，旨在前述详细描述被认为说明性的而不是限制性的，并且应当理解，包括所有等价物的以下权利要求书旨在定义本发明的精神和范围。

Claims (21)

1.一种在建筑物管理系统中利用级联学习的建筑物自动化的方法，所述方法包括：
由所述建筑物管理系统的建筑物分析系统访问(50)与多个建筑物相关的第一数据，所述第一数据包括建筑物管理系统数据和与所述建筑物管理系统数据不同的企业数据，所述企业数据用于与所述多个建筑物相关联的企业，并且所述建筑物管理系统数据用于所述多个建筑物；
由所述建筑物分析系统将所述第一数据应用(52)于第一机器学习，用于识别成本信息；
由所述建筑物分析系统将所述第一数据应用(52)于第二机器学习，用于识别与所述成本信息相关联的故障；
由所述建筑物分析系统将所述第一数据应用(52)于第三机器学习，用于识别所述故障的源；以及
输出作为所述应用(52)的结果的级联系统，所述级联系统包括来自第一学习、第二学习和第三学习的第一机器学习分类器、第二机器学习分类器和第三机器学习分类器。
2.根据权利要求1所述的方法，其中，访问(50)所述企业数据包括访问(50)所述企业的预算数据、维护数据、员工申诉数据或人力资源数据。
3.根据权利要求1所述的方法，其中，访问(50)所述建筑物管理系统数据包括访问(50)供热数据、制冷数据、通风数据、电力数据、消防安全数据或其组合数据。
4.根据权利要求1所述的方法，其中，应用(52)于所述第一机器学习包括将所述成本信息应用(52)于反向传播机器学习，所述成本信息包括供热成本、制冷成本、通风成本和电力成本。
5.根据权利要求4所述的方法，其中，所述第一数据包括天气数据、建筑物数据和运行数据。
6.根据权利要求1所述的方法，其中，应用(52)于所述第二机器学习包括将包括温度和流量的故障应用(52)于小脑算术计算模型神经网络。
7.根据权利要求6所述的方法，其中，所述第一数据包括来自建筑物自动化系统的子系统的所述成本信息和数据。
8.根据权利要求1所述的方法，其中，应用(52)于所述第三机器学习包括将所述源应用(52)于小脑算术计算模型神经网络，所述源包括建筑物自动化系统的阀位置、传感器值或装置的运行。
9.根据权利要求8所述的方法，其中，所述第一数据包括所述故障。
10.根据权利要求1所述的方法，其中，输出(54)包括输出(54)所述级联系统，以依次通过识别一建筑物为具有增加的成本、识别致使所述增加的成本的所述故障以及识别来自所述故障的所述源，来识别所述源。
11.根据权利要求1所述的方法，还包括将所述级联系统应用于用于多个建筑物自动化系统中的每一个的稍后获取的第二数据。
12.一种用于建筑物自动化故障检测的建筑物管理系统，所述系统包括：
用于供热、通风和空气调节的建筑物自动化系统(12)，所述建筑物自动化系统(12)用于一建筑物，并且被配置为输出运行数据；
建筑物处理器(16)，被配置为将所述运行数据应用于第一机器学习分类器和第二机器学习分类器的级联，所述第一机器学习分类器被配置为识别在所述建筑物自动化系统(12)中的故障，并且所述第二机器学习分类器被配置为识别所述故障的源，根据多个其它建筑物的建筑物自动化系统训练所述级联的所述第一机器学习分类器和所述第二机器学习分类器；以及
显示器(18)，被配置为输出所述源。
13.根据权利要求12所述的建筑物管理系统，其中，所述建筑物处理器(16)被配置为将所述级联应用于所述建筑物自动化系统(12)中的每一个的所述运行数据。
14.根据权利要求12所述的建筑物管理系统，其中，所述第一机器学习分类器包括小脑算术计算模型神经网络。
15.根据权利要求12所述的建筑物管理系统，其中，用于所述第一机器学习分类器的输入向量包括所述建筑物自动化系统的一个或多个子系统的成本和所述运行数据，并且其中，用于所述第二机器学习分类器的输入向量包括用于所述故障的故障信息。
16.根据权利要求12所述的建筑物管理系统，其中，所述级联包括第三机器学习分类器，所述第三机器学习分类器被配置为将所述建筑物自动化系统(12)识别为相对于一组建筑物自动化系统(12)具有较高成本，所述第一机器学习分类器在输入向量中包括所述成本。
17.一种用于在建筑物管理系统中的建筑物自动化分析的方法，所述方法包括：
由所述建筑物管理系统的建筑物分析系统访问(50)与第一建筑物自动化系统的运行相关的数据；
利用至少第一机器学习分类器和第二机器学习分类器的级联对所述第一建筑物自动化系统进行分类，所述第二机器学习分类器响应于所述第一机器学习分类器的分类，所述第一机器学习分类器和所述第二机器学习分类器根据与多个第二建筑物自动化系统的运行相关的数据被训练；
在所述建筑物分析系统的显示器上呈现(54)所述分类的结果。
18.根据权利要求17所述的方法，其中，分类包括利用为反向传播分类器的所述第一机器学习分类器和为小脑算术计算模型神经网络的所述第二机器学习分类器进行分类。
19.根据权利要求17所述的方法，其中，分类包括利用所述第一机器学习分类器将所述第一建筑物自动化系统分类为具有成本，并且利用所述第二机器学习分类器，对导致所述成本的故障进行分类。
20.根据权利要求19所述的方法，其中，所述分类还包括利用所述级联的第三机器学习分类器进行分类，所述第三机器学习分类器基于所述故障对所述故障的源进行分类。
21.一种在建筑物管理系统中利用级联学习的建筑物自动化的方法，所述方法包括：
由所述建筑物管理系统的建筑物分析系统访问(50)与多个建筑物相关的第一数据、第二数据和第三数据，所述第一数据为建筑物级数据、所述第二数据为系统级数据，并且所述第三数据为部件级数据；
由所述建筑物分析系统将所述第一数据应用(52)于第一机器学习，用于识别建筑物级变量；
由所述建筑物分析系统将所述第二数据应用(52)于第二机器学习，用于识别以所述建筑物级变量表示的故障的源；
由所述建筑物分析系统将所述第三数据应用(52)于第三机器学习，用于识别所述故障；
以及
输出(54)作为所述应用(52)的结果的级联系统，所述级联系统包括来自所述第一学习、所述第二学习和所述第三学习的第一机器学习分类器、第二机器学习分类器和第三机器学习分类器。
CN201680014769.6A 2015-03-11 2016-02-29 建筑物自动化中的级联识别 Pending CN107430715A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562131749P 2015-03-11 2015-03-11
US62/131,749 2015-03-11
PCT/US2016/020028 WO2016144587A1 (en) 2015-03-11 2016-02-29 Cascaded identification in building automation

Publications (1)

Publication Number Publication Date
CN107430715A true CN107430715A (zh) 2017-12-01

Family

ID=55527671

Family Applications (3)

Application Number Title Priority Date Filing Date
CN201680014798.2A Active CN107430387B (zh) 2015-03-11 2016-02-29 建筑物自动化预测
CN201680013547.2A Active CN107408230B (zh) 2015-03-11 2016-02-29 在建筑物管理系统中进行建筑物自动化诊断的系统和方法
CN201680014769.6A Pending CN107430715A (zh) 2015-03-11 2016-02-29 建筑物自动化中的级联识别

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN201680014798.2A Active CN107430387B (zh) 2015-03-11 2016-02-29 建筑物自动化预测
CN201680013547.2A Active CN107408230B (zh) 2015-03-11 2016-02-29 在建筑物管理系统中进行建筑物自动化诊断的系统和方法

Country Status (5)

Country Link
US (3) US20180046151A1 (zh)
EP (3) EP3268819B1 (zh)
CN (3) CN107430387B (zh)
CA (4) CA2979201A1 (zh)
WO (3) WO2016144587A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061014A (zh) * 2017-12-15 2018-05-22 上海电机学院 一种用于设备性能评估的多级层叠cmac模型
CN110425694A (zh) * 2019-08-09 2019-11-08 长江慧控科技(武汉)有限公司 基于phm的高铁智能车站暖通空调能效控制管理方法
CN111563521A (zh) * 2019-02-14 2020-08-21 埃森哲环球解决方案有限公司 特定于场所的异常检测
CN112380217A (zh) * 2020-11-17 2021-02-19 安徽鸿程光电有限公司 数据处理方法、装置、设备及介质
CN113646720A (zh) * 2019-03-29 2021-11-12 西门子能源环球有限责任两合公司 用于管理自动化系统、特别是工业设施的消息的方法和系统

Families Citing this family (122)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9411327B2 (en) 2012-08-27 2016-08-09 Johnson Controls Technology Company Systems and methods for classifying data in building automation systems
GB201313444D0 (en) * 2013-07-29 2013-09-11 Ambi Labs Ltd Energy efficient indoor climate controller
US10592821B2 (en) * 2015-06-19 2020-03-17 Trane International Inc. Self-learning fault detection for HVAC systems
US10534326B2 (en) 2015-10-21 2020-01-14 Johnson Controls Technology Company Building automation system with integrated building information model
US11947785B2 (en) 2016-01-22 2024-04-02 Johnson Controls Technology Company Building system with a building graph
US10055114B2 (en) 2016-01-22 2018-08-21 Johnson Controls Technology Company Building energy management system with ad hoc dashboard
US10289509B2 (en) * 2016-04-06 2019-05-14 Nec Corporation System failure prediction using long short-term memory neural networks
US10216160B2 (en) * 2016-04-21 2019-02-26 Honeywell International Inc. Matching a building automation algorithm to a building automation system
US11226598B2 (en) 2016-05-04 2022-01-18 Johnson Controls Technology Company Building system with user presentation composition based on building context
US10505756B2 (en) 2017-02-10 2019-12-10 Johnson Controls Technology Company Building management system with space graphs
US11774920B2 (en) 2016-05-04 2023-10-03 Johnson Controls Technology Company Building system with user presentation composition based on building context
US10417451B2 (en) 2017-09-27 2019-09-17 Johnson Controls Technology Company Building system with smart entity personal identifying information (PII) masking
US10495334B2 (en) 2016-09-28 2019-12-03 Johnson Controls Techology Company Systems and methods for steady state detection
US20180087790A1 (en) * 2016-09-28 2018-03-29 Johnson Controls Technology Company Systems and methods for automatically creating and using adaptive pca models to control building equipment
US10761516B2 (en) 2016-11-02 2020-09-01 Johnson Controls Technology Company Systems and methods for real-time detection and communication of health and performance degradation in a distributed building automation network
US11494654B2 (en) * 2016-11-03 2022-11-08 Avanseus Holdings Pte. Ltd. Method for machine failure prediction using memory depth values
SG10201610116PA (en) * 2016-11-03 2018-06-28 Avanseus Holdings Pte Ltd Method and system for machine failure prediction
US10324483B2 (en) 2017-01-12 2019-06-18 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
US11238547B2 (en) 2017-01-12 2022-02-01 Johnson Controls Tyco IP Holdings LLP Building energy cost optimization system with asset sizing
US10949777B2 (en) 2017-06-07 2021-03-16 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization
US11061424B2 (en) 2017-01-12 2021-07-13 Johnson Controls Technology Company Building energy storage system with peak load contribution and stochastic cost optimization
US10282796B2 (en) 2017-01-12 2019-05-07 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US11010846B2 (en) 2017-01-12 2021-05-18 Johnson Controls Technology Company Building energy storage system with multiple demand charge cost optimization
US11847617B2 (en) 2017-02-07 2023-12-19 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with financial analysis functionality
US11900287B2 (en) 2017-05-25 2024-02-13 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with budgetary constraints
US11764991B2 (en) 2017-02-10 2023-09-19 Johnson Controls Technology Company Building management system with identity management
US10452043B2 (en) 2017-02-10 2019-10-22 Johnson Controls Technology Company Building management system with nested stream generation
US20190361412A1 (en) 2017-02-10 2019-11-28 Johnson Controls Technology Company Building smart entity system with agent based data ingestion and entity creation using time series data
US11307538B2 (en) 2017-02-10 2022-04-19 Johnson Controls Technology Company Web services platform with cloud-eased feedback control
US10515098B2 (en) 2017-02-10 2019-12-24 Johnson Controls Technology Company Building management smart entity creation and maintenance using time series data
US11360447B2 (en) 2017-02-10 2022-06-14 Johnson Controls Technology Company Building smart entity system with agent based communication and control
JP7195264B2 (ja) * 2017-03-14 2022-12-23 トゥプル，インコーポレイテッド 段階的な機械学習を使用する自動化された意思決定
US11327737B2 (en) 2017-04-21 2022-05-10 Johnson Controls Tyco IP Holdings LLP Building management system with cloud management of gateway configurations
US11409274B2 (en) 2017-05-25 2022-08-09 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system for performing maintenance as soon as economically viable
EP3631704A4 (en) 2017-05-25 2021-07-21 Johnson Controls Technology Company MODELED PREDICTIVE MAINTENANCE SYSTEM FOR CONSTRUCTION EQUIPMENT
US11120411B2 (en) 2017-05-25 2021-09-14 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with incentive incorporation
US11416955B2 (en) 2017-05-25 2022-08-16 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with integrated measurement and verification functionality
US11636429B2 (en) 2017-05-25 2023-04-25 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance systems and methods with automatic parts resupply
US11747800B2 (en) 2017-05-25 2023-09-05 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with automatic service work order generation
US11022947B2 (en) 2017-06-07 2021-06-01 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization and ELDR user interfaces
WO2018232147A1 (en) 2017-06-15 2018-12-20 Johnson Controls Technology Company Building management system with artificial intelligence for unified agent based control of building subsystems
US10782680B2 (en) 2017-07-20 2020-09-22 Genral Electric Company Cumulative cost model for predicting asset maintenance cost from distress models
US10737904B2 (en) 2017-08-07 2020-08-11 Otis Elevator Company Elevator condition monitoring using heterogeneous sources
US10878144B2 (en) * 2017-08-10 2020-12-29 Allstate Insurance Company Multi-platform model processing and execution management engine
EP3451243A1 (de) * 2017-08-28 2019-03-06 Siemens Aktiengesellschaft Klassifizierung mindestens eines elementes mit mindestens einer unbestimmten eigenschaft
CN109507893B (zh) * 2017-09-14 2021-10-29 宁波方太厨具有限公司 一种智能家居设备的自学习告警控制方法
US11258683B2 (en) 2017-09-27 2022-02-22 Johnson Controls Tyco IP Holdings LLP Web services platform with nested stream generation
US10962945B2 (en) 2017-09-27 2021-03-30 Johnson Controls Technology Company Building management system with integration of data into smart entities
US11314726B2 (en) 2017-09-27 2022-04-26 Johnson Controls Tyco IP Holdings LLP Web services for smart entity management for sensor systems
US11314788B2 (en) 2017-09-27 2022-04-26 Johnson Controls Tyco IP Holdings LLP Smart entity management for building management systems
US11126692B2 (en) 2017-09-29 2021-09-21 Rockwell Automation Technologies, Inc. Base analytics engine modeling for monitoring, diagnostics optimization and control
US11281169B2 (en) 2017-11-15 2022-03-22 Johnson Controls Tyco IP Holdings LLP Building management system with point virtualization for online meters
US11105528B2 (en) * 2017-11-15 2021-08-31 Johnson Controls Tyco IP Holdings LLP Building management system with automatic synchronization of point read frequency
US10809682B2 (en) 2017-11-15 2020-10-20 Johnson Controls Technology Company Building management system with optimized processing of building system data
WO2019107360A1 (ja) 2017-11-28 2019-06-06 株式会社安川電機 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法
JP7121891B2 (ja) 2017-12-27 2022-08-19 株式会社竹中工務店 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置
EP3514737A1 (en) 2018-01-19 2019-07-24 Siemens Aktiengesellschaft System and method for detecting and forecasting the behavior of a system
CN108268748A (zh) * 2018-04-26 2018-07-10 南京信息工程大学 一种基于机器学习的住宅户型图电气设计方法
EP3576029A1 (en) * 2018-05-31 2019-12-04 IMEC vzw Method and device for determining energy system operating scenarios
US11859846B2 (en) 2018-06-15 2024-01-02 Johnson Controls Tyco IP Holdings LLP Cost savings from fault prediction and diagnosis
US11474485B2 (en) 2018-06-15 2022-10-18 Johnson Controls Tyco IP Holdings LLP Adaptive training and deployment of single chiller and clustered chiller fault detection models for connected chillers
US11347213B2 (en) * 2018-06-22 2022-05-31 Siemens Industry, Inc. Deep-learning-based fault detection in building automation systems
CN108960320B (zh) * 2018-06-26 2021-04-27 湖北工业大学 列车折角塞门故障图像实时检测方法
CN110737214A (zh) 2018-07-18 2020-01-31 开利公司 基于分析的致冷器排序
CN109102016B (zh) * 2018-08-08 2019-05-31 北京新桥技术发展有限公司 一种用于桥梁技术状况的测试方法
US11411999B2 (en) 2018-10-29 2022-08-09 Johnson Controls Tyco IP Holdings LLP Building system with dynamic manufacturer usage description (MUD) files based on building model queries
US11016648B2 (en) 2018-10-30 2021-05-25 Johnson Controls Technology Company Systems and methods for entity visualization and management with an entity node editor
US20200162280A1 (en) * 2018-11-19 2020-05-21 Johnson Controls Technology Company Building system with performance identification through equipment exercising and entity relationships
US20200159376A1 (en) 2018-11-19 2020-05-21 Johnson Controls Technology Company Building system with semantic modeling based user interface graphics and visualization generation
US11092954B2 (en) * 2019-01-10 2021-08-17 Johnson Controls Technology Company Time varying performance indication system for connected equipment
US11164159B2 (en) 2019-01-18 2021-11-02 Johnson Controls Tyco IP Holdings LLP Smart building automation system with digital signage
US11714397B2 (en) * 2019-02-05 2023-08-01 Samsung Display Co., Ltd. System and method for generating machine learning model with trace data
JP7156975B2 (ja) * 2019-02-26 2022-10-19 三菱重工業株式会社 運営評価装置、運営評価方法、およびプログラム
CN113646711A (zh) * 2019-03-07 2021-11-12 霍尼韦尔国际公司 用于建立建筑物自动化系统部件之间的关系的系统和方法
SG10201903611RA (en) * 2019-03-20 2020-10-29 Avanseus Holdings Pte Ltd Method and system for determining an error threshold value for machine failure prediction
CN109887228A (zh) * 2019-03-21 2019-06-14 杭州虹晟信息科技有限公司 基于大数据的安全预警系统
EP3948708A1 (en) * 2019-03-23 2022-02-09 British Telecommunications public limited company Automated device maintenance
US10776100B1 (en) * 2019-04-05 2020-09-15 Sap Se Predicting downtimes for software system upgrades
US11663375B2 (en) 2019-05-03 2023-05-30 Willow Technology Corporation Pty Ltd Configuration of a digital twin for a building or other facility via BIM data extraction and asset register mapping
US11283769B2 (en) 2019-05-06 2022-03-22 Willow Technology Corporation Pty Ltd Systems configured to enable isolated client device interaction with building automation and control (BAC) networks, including third-party application access framework
CN110119851B (zh) * 2019-05-23 2021-11-09 上海建工四建集团有限公司 一种建筑机电系统故障智能预测方法和系统
US11605011B2 (en) * 2019-05-31 2023-03-14 Johnson Controls Tyco IP Holdings LLP Analysis system with machine learning based interpretation
EP3764179A1 (en) * 2019-07-08 2021-01-13 ABB Schweiz AG Assessing conditions of instustrial equipment and processes
US11480360B2 (en) 2019-08-06 2022-10-25 Johnson Controls Tyco IP Holdings LLP Building HVAC system with modular cascaded model
CN114729959A (zh) * 2019-09-02 2022-07-08 罗伯特·博世有限公司 用于电动工具的远程诊断设备、系统和方法
US11734300B2 (en) * 2019-09-19 2023-08-22 International Business Machines Corporation Archival of digital twin based on IoT sensor activity
US11556737B2 (en) * 2019-12-04 2023-01-17 At&T Intellectual Property I, L.P. System, method, and platform for auto machine learning via optimal hybrid AI formulation from crowd
CN111240279B (zh) * 2019-12-26 2021-04-06 浙江大学 一种面向工业不平衡数据的对抗增强故障分类方法
US11894944B2 (en) 2019-12-31 2024-02-06 Johnson Controls Tyco IP Holdings LLP Building data platform with an enrichment loop
US20210200912A1 (en) 2019-12-31 2021-07-01 Johnson Controls Technology Company Building data platform with graph based policies
US11769099B2 (en) 2020-01-20 2023-09-26 Honeywell International Inc. Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring
US20210225529A1 (en) * 2020-01-20 2021-07-22 Honeywell International, Inc. Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring
US11620344B2 (en) 2020-03-04 2023-04-04 Honeywell International Inc. Frequent item set tracking
US11438434B2 (en) 2020-05-07 2022-09-06 Carrier Corporation System and a method for generating service actionable for equipment
US11874809B2 (en) 2020-06-08 2024-01-16 Johnson Controls Tyco IP Holdings LLP Building system with naming schema encoding entity type and entity relationships
US20210390474A1 (en) * 2020-06-15 2021-12-16 Honeywell International Inc. Dashboard for multi site management system
US20220026879A1 (en) * 2020-07-22 2022-01-27 Micron Technology, Inc. Predictive maintenance of components used in machine automation
US20220035357A1 (en) * 2020-07-30 2022-02-03 Johnson Controls Tyco IP Holdings LLP Building management system with supervisory fault detection layer
US11553618B2 (en) * 2020-08-26 2023-01-10 PassiveLogic, Inc. Methods and systems of building automation state load and user preference via network systems activity
US20220138492A1 (en) * 2020-10-30 2022-05-05 Johnson Controls Technology Company Data preprocessing and refinement tool
CN112289063A (zh) * 2020-11-20 2021-01-29 烟台职业学院 基于物联网的智慧城市数据迁移存储管理系统
CN112524772B (zh) * 2020-11-30 2021-12-10 珠海格力电器股份有限公司 空调的控制方法和装置、存储介质、电子装置
US20220197235A1 (en) * 2020-12-18 2022-06-23 Johnson Controls Tyco IP Holdings LLP Building management system performance index
US11316908B1 (en) 2021-02-01 2022-04-26 Zurn Industries, Llc BACnet conversion of water management data for building management solutions
US11480358B2 (en) 2021-02-25 2022-10-25 Synapse Wireless, Inc. Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications
US20220366170A1 (en) * 2021-04-21 2022-11-17 Meta Platforms, Inc. Auto-Capture of Interesting Moments by Assistant Systems
US11861315B2 (en) 2021-04-21 2024-01-02 Meta Platforms, Inc. Continuous learning for natural-language understanding models for assistant systems
US11221601B1 (en) 2021-05-24 2022-01-11 Zurn Industries, Llc Various IoT sensory products and cloud-purge for commercial building solutions utilizing LoRa to BACnet conversion for efficient data management and monitoring
US11769066B2 (en) 2021-11-17 2023-09-26 Johnson Controls Tyco IP Holdings LLP Building data platform with digital twin triggers and actions
US11899723B2 (en) 2021-06-22 2024-02-13 Johnson Controls Tyco IP Holdings LLP Building data platform with context based twin function processing
US11573539B1 (en) * 2021-09-03 2023-02-07 Zurn Industries, Llc Managing edge devices in building management systems
US20230094187A1 (en) * 2021-09-24 2023-03-30 Rockwell Automation Technologies, Inc. Variable relationship discovery and recommendations for industrial automation environments
US11796974B2 (en) 2021-11-16 2023-10-24 Johnson Controls Tyco IP Holdings LLP Building data platform with schema extensibility for properties and tags of a digital twin
US11934966B2 (en) 2021-11-17 2024-03-19 Johnson Controls Tyco IP Holdings LLP Building data platform with digital twin inferences
US11704311B2 (en) 2021-11-24 2023-07-18 Johnson Controls Tyco IP Holdings LLP Building data platform with a distributed digital twin
DE102021130996A1 (de) * 2021-11-25 2023-05-25 Viessmann Climate Solutions Se Verfahren zur fehlerprädiktion in einer hvac-anlage
US11714930B2 (en) 2021-11-29 2023-08-01 Johnson Controls Tyco IP Holdings LLP Building data platform with digital twin based inferences and predictions for a graphical building model
US11694540B1 (en) 2021-12-17 2023-07-04 Honeywell International Inc. Fire events pattern analysis and cross-building data analytics
WO2023141174A1 (en) * 2022-01-19 2023-07-27 Nufam Llc Systems and methods for predictive holistic facility management
US11940767B2 (en) * 2022-03-10 2024-03-26 Johnson Controls Tyco IP Holdings LLP Systems and methods of operating a collaborative building network
CN115374881B (zh) * 2022-10-17 2023-01-17 图林科技(深圳)有限公司 一种制冷设备运行状态故障诊断方法
CN116455944B (zh) * 2023-06-14 2023-09-05 北京东方广厦模块化房屋有限公司 一种基于物联网采集的装配式建筑监测预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1737423A (zh) * 2005-08-10 2006-02-22 东北大学 基于Internet网的锅炉传感器故障诊断和容错一体化方法及装置
WO2011106511A1 (en) * 2010-02-24 2011-09-01 The Trustees Of Columbia University In The City Of New York Metric monitoring and financial validation system for tracking performance of improvement to an infrastructure
US20120185728A1 (en) * 2010-12-24 2012-07-19 Commonwealth Scientific And Industrial Research Organisation System and method for detecting and/or diagnosing faults in multi-variable systems
US20140249876A1 (en) * 2011-09-20 2014-09-04 The Trustees Of Columbia University In The City Of New York Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings
US20150046233A1 (en) * 2013-08-06 2015-02-12 Thrive Metrics, Inc. Methods and systems for providing the effectiveness of an entity

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4230646B2 (ja) * 2000-08-28 2009-02-25 大和ハウス工業株式会社 建物振動障害予測システム
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
US7519564B2 (en) * 2004-11-16 2009-04-14 Microsoft Corporation Building and using predictive models of current and future surprises
US20070112701A1 (en) * 2005-08-15 2007-05-17 Microsoft Corporation Optimization of cascaded classifiers
US8160729B2 (en) * 2005-09-06 2012-04-17 Siemens Industry, Inc. Application of microsystems for a building system employing a system knowledge base
WO2008148075A1 (en) * 2007-05-24 2008-12-04 Alexander George Parlos Machine condition assessment through power distribution networks
AU2008356120A1 (en) * 2007-11-07 2009-11-12 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US9606520B2 (en) * 2009-06-22 2017-03-28 Johnson Controls Technology Company Automated fault detection and diagnostics in a building management system
US8731724B2 (en) * 2009-06-22 2014-05-20 Johnson Controls Technology Company Automated fault detection and diagnostics in a building management system
US8600556B2 (en) * 2009-06-22 2013-12-03 Johnson Controls Technology Company Smart building manager
EP2302470A3 (en) * 2009-09-29 2014-06-11 Honeywell International Inc. Systems and methods for configuring a building management system
US20110231320A1 (en) * 2009-12-22 2011-09-22 Irving Gary W Energy management systems and methods
EP2400440A1 (en) * 2009-12-23 2011-12-28 Pulse Energy Inc. Systems and methods for predictive building energy monitoring
US20110161124A1 (en) * 2009-12-31 2011-06-30 Duane Lappinga Method and system for enterprise building automation
US8719184B2 (en) * 2010-01-04 2014-05-06 Daniel Buchanan Energy consumption reporting and modification system
US8510255B2 (en) * 2010-09-14 2013-08-13 Nest Labs, Inc. Occupancy pattern detection, estimation and prediction
US8918492B2 (en) * 2010-10-29 2014-12-23 Siemens Industry, Inc. Field panel with embedded webserver and method of accessing the same
CN102063472B (zh) * 2010-12-10 2012-08-22 北京大学 图片搜索方法、图片搜索系统、客户端和服务器
US20130027561A1 (en) 2011-07-29 2013-01-31 Panasonic Corporation System and method for improving site operations by detecting abnormalities
US20130030875A1 (en) * 2011-07-29 2013-01-31 Panasonic Corporation System and method for site abnormality recording and notification
US9092802B1 (en) * 2011-08-15 2015-07-28 Ramakrishna Akella Statistical machine learning and business process models systems and methods
US9251472B1 (en) * 2011-09-26 2016-02-02 31North, Inc. Method and system for monitoring a building
CA3044757C (en) * 2011-10-21 2021-11-09 Google Llc User-friendly, network connected learning thermostat and related systems and methods
US8712945B2 (en) * 2012-01-31 2014-04-29 International Business Machines Corporation System and method for optimizing teams
CA2865697C (en) * 2012-02-28 2018-01-09 Jeffrey N. Arensmeier Hvac system remote monitoring and diagnosis
CN103048967B (zh) * 2012-05-09 2016-03-23 济南华汉电气科技有限公司 一种建筑物资源消耗监控管理系统
JP6313757B2 (ja) * 2012-06-21 2018-04-18 フィリップ モリス プロダクツ エス アー 統合デュアルアンサンブルおよび一般化シミュレーテッドアニーリング技法を用いてバイオマーカシグネチャを生成するためのシステムおよび方法
TWI463334B (zh) * 2012-07-20 2014-12-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
WO2014022154A1 (en) * 2012-08-02 2014-02-06 Siemens Corporation Building a failure-predictive model from message sequences
US9411327B2 (en) * 2012-08-27 2016-08-09 Johnson Controls Technology Company Systems and methods for classifying data in building automation systems
CN104281113A (zh) * 2013-07-12 2015-01-14 李文嵩 智能住宅系统及其运作方法
CN103399239B (zh) * 2013-08-12 2016-03-02 四川大学 工业设备电压暂降免疫力的检测方法
US10114721B2 (en) * 2013-08-18 2018-10-30 Sensibo Ltd. Power consumption assesment of an HVAC system
US20150168003A1 (en) * 2013-12-18 2015-06-18 Google Inc. Systems and methods for signature-based thermostat control
US10402767B2 (en) * 2014-02-13 2019-09-03 Johnson Controls Technology Company Systems and methods for monetizing and prioritizing building faults
US9092741B1 (en) * 2014-04-21 2015-07-28 Amber Flux Private Limited Cognitive platform and method for energy management for enterprises
CN103970892B (zh) * 2014-05-23 2017-03-01 无锡清华信息科学与技术国家实验室物联网技术中心 基于智能家居设备的多维度观影系统控制方法
US20160018835A1 (en) * 2014-07-18 2016-01-21 Retroficiency, Inc. System and method for virtual energy assessment of facilities
CN104199961A (zh) * 2014-09-19 2014-12-10 北京建筑技术发展有限责任公司 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法
CN104299052A (zh) * 2014-10-12 2015-01-21 刘岩 一种基于人工蜂群和神经网络的建筑能耗预测方法
CN104361712A (zh) * 2014-12-02 2015-02-18 四川创嘉上善网络科技有限公司 智能管控工作站及管控系统以及使用方式
US20160210569A1 (en) * 2015-01-19 2016-07-21 Harry Jay Enck Systems and methods for building performance improvement

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1737423A (zh) * 2005-08-10 2006-02-22 东北大学 基于Internet网的锅炉传感器故障诊断和容错一体化方法及装置
WO2011106511A1 (en) * 2010-02-24 2011-09-01 The Trustees Of Columbia University In The City Of New York Metric monitoring and financial validation system for tracking performance of improvement to an infrastructure
US20120185728A1 (en) * 2010-12-24 2012-07-19 Commonwealth Scientific And Industrial Research Organisation System and method for detecting and/or diagnosing faults in multi-variable systems
US20140249876A1 (en) * 2011-09-20 2014-09-04 The Trustees Of Columbia University In The City Of New York Adaptive Stochastic Controller for Energy Efficiency and Smart Buildings
US20150046233A1 (en) * 2013-08-06 2015-02-12 Thrive Metrics, Inc. Methods and systems for providing the effectiveness of an entity

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIMIN DU等: "Fault detection and diagnosis for buildings and HVAC systems using combined neural networks and subtractive clustering analysis", 《BUILDING AND ENVIRONMENT》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108061014A (zh) * 2017-12-15 2018-05-22 上海电机学院 一种用于设备性能评估的多级层叠cmac模型
CN111563521A (zh) * 2019-02-14 2020-08-21 埃森哲环球解决方案有限公司 特定于场所的异常检测
CN111563521B (zh) * 2019-02-14 2023-10-17 埃森哲环球解决方案有限公司 特定于场所的异常检测
CN113646720A (zh) * 2019-03-29 2021-11-12 西门子能源环球有限责任两合公司 用于管理自动化系统、特别是工业设施的消息的方法和系统
CN110425694A (zh) * 2019-08-09 2019-11-08 长江慧控科技(武汉)有限公司 基于phm的高铁智能车站暖通空调能效控制管理方法
CN112380217A (zh) * 2020-11-17 2021-02-19 安徽鸿程光电有限公司 数据处理方法、装置、设备及介质
CN112380217B (zh) * 2020-11-17 2024-04-12 安徽鸿程光电有限公司 数据处理方法、装置、设备及介质

Also Published As

Publication number Publication date
US20180046149A1 (en) 2018-02-15
EP3268820A1 (en) 2018-01-17
EP3268819A1 (en) 2018-01-17
WO2016144587A1 (en) 2016-09-15
WO2016144586A1 (en) 2016-09-15
US20180046151A1 (en) 2018-02-15
EP3268819B1 (en) 2021-05-12
CA3015407C (en) 2022-05-17
US20180046173A1 (en) 2018-02-15
CA2979202C (en) 2019-08-27
CN107408230A (zh) 2017-11-28
CA2979193A1 (en) 2016-09-15
CA2979201A1 (en) 2016-09-15
CA2979202A1 (en) 2016-09-15
CN107430387B (zh) 2021-12-24
CA2979193C (en) 2021-09-14
EP3268821B1 (en) 2020-07-15
CN107408230B (zh) 2021-06-01
EP3268821A1 (en) 2018-01-17
US10824120B2 (en) 2020-11-03
WO2016144591A1 (en) 2016-09-15
CA3015407A1 (en) 2016-09-15
CN107430387A (zh) 2017-12-01

Similar Documents

Publication Publication Date Title
CN107430715A (zh) 建筑物自动化中的级联识别
Debrah et al. Artificial intelligence in green building
Gunay et al. Data analytics to improve building performance: A critical review
Bengea et al. Fault-tolerant optimal control of a building HVAC system
Gao et al. Using data mining in optimisation of building energy consumption and thermal comfort management
Månsson et al. A machine learning approach to fault detection in district heating substations
Hosamo et al. Digital Twin framework for automated fault source detection and prediction for comfort performance evaluation of existing non-residential Norwegian buildings
Xie et al. Does historical data still count? Exploring the applicability of smart building applications in the post-pandemic period
Hosamo et al. Improving building occupant comfort through a digital twin approach: A Bayesian network model and predictive maintenance method
CN110348676A (zh) 一种变电站自动化设备状态评价方法及系统
Yang et al. Toward Machine Learning-based Prognostics for Heating Ventilation and Air-Conditioning Systems.
Nastro et al. A machine learning approach based on neural networks for energy diagnosis of telecommunication sites
Bechina et al. A system of systems approach to smart Building Management: an AI vision for Facility Management
Helgo Deep Learning and Machine Learning Algorithms for Enhanced Aircraft Maintenance and Flight Data Analysis
Deb Development of an automated energy audit protocol for office buildings
Lazarova-Molnar et al. Towards systematic reliability modeling of smart buildings
Chen Occupancy detection and prediction with sensors and online machine learning: Case study of the Elmia exhibition building in Jönköping
Belfast Fault Diagnostics Tools for Commercial Buildings—Applications, Algorithms and Barriers
Elshaboury Investigating the occupant existence to reduce energy consumption by using a hybrid artificial neural network with metaheuristic algorithms
Avramidou Building CO2 emissions prediction using Machine Learning/Data Mining
Al Shalabi BIM framework for energy and maintenance performance assessment for facility management
Tavera Rodríguez Towards a Predictive Model that Supports the Achievement of More Assertive Commercial KPIs Case: Wood Trading Company
Dey Data-driven remote fault detection and diagnosis of HVAC terminal units using machine learning techniques
Abeyrathna et al. ANN prediction model to improve employees’ thermal satisfaction in tropical green office buildings
Gao et al. Using artificial intelligence to deliver optimised energy consumption

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination