CN110119851B - 一种建筑机电系统故障智能预测方法和系统 - Google Patents
一种建筑机电系统故障智能预测方法和系统 Download PDFInfo
- Publication number
- CN110119851B CN110119851B CN201910435695.9A CN201910435695A CN110119851B CN 110119851 B CN110119851 B CN 110119851B CN 201910435695 A CN201910435695 A CN 201910435695A CN 110119851 B CN110119851 B CN 110119851B
- Authority
- CN
- China
- Prior art keywords
- equipment
- electromechanical
- important
- model
- repair
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种建筑机电系统故障智能预测方法和系统,其包括,步骤1:创建建筑的BIM模型;步骤2:采用物联网技术对重要机电设备进行实时监测,动态采集监测数据,所述重要机电设备是机电系统的中央及子区域控制和动力设备;步骤3:收集报修工单信息,对每个报修工单进行语义识别,与BIM信息匹配确定报修空间和关联的机电系统或设备;步骤4:采用主成分分析和神经网络算法,建立机电设备故障预测模型,并进行机器学习;步骤5:网络训练使用交叉验证法,直到获得的人工神经元网络模型准确度可用;步骤6:应用人工神经元网络模型进行故障预测,对于潜在故障通知维保人员进行重点检查。根据本发明的上述方案,可以准确预测建筑机电设备故障,减少建筑机电设备突发故障20%,保障大型公共建筑平稳运行,减少运维成本。
Description
技术领域
本发明属于建筑运维领域,特别涉及一种应用机器学习技术,根据建筑设备全生命期数据实现建筑设备故障智能预测的方法和装置。
背景技术
传统的建筑机电系统运维模式主要采用“发现问题、处理问题”的应急管理模式,突发故障多,效率低,成本高,已难以满足医院、航站楼、商场等大型复杂公共建筑的运维要求。另一种常见的计划性维保模式,主要根据设备类型进行定期的巡检、清洁、加固或润滑;该方式存在运维周期和工作内容固定,无法根据设备实时状态灵活调整,工作量大,效率低。因此,近年来一些大型公共建筑广泛采用楼宇自控(BA)系统和物联网技术对冷水机组、空调箱、排风机等重要设备进行实时监测,若发现故障报警则对报警设备进行维保。但由于BA系统缺乏整个机电系统之间的逻辑关系,也缺乏大量未监测设备的信息,难以实现整个建筑机电系统的主动式运维和故障预测,只能保障第一时间发现重要设备的故障。针对大量未监测的设备和系统运行故障,大型公共建筑大多采用报修服务系统,手动录入报修工单位置、系统分类、报修时间、问题描述等信息;并通过互联网实现在线分配、处理工单。实际上报修服务系统中包括大量实际用户反馈的建筑机电系统和设备故障信息,对设备故障预测具有较大价值。但由于报修工单信息结构化程度低,目前技术未能将报修服务系统中报修工单信息与BA等系统有机融合,支持设备故障预测。
近年来,随着建筑信息模型(Building Information Modeling,BIM)技术发展,有研究者提出通过BIM将BA系统进行简单集成,实现建筑机电系统静态信息和动态信息的融合,可在三维视图中展现设备运行情况。BIM是对建筑及其机电系统的三维数字化描述模型,在建筑设计、施工阶段应用广泛,但在建筑运维阶段应用技术仍不成熟。总体而言,目前现有技术未能实现将BIM与报修信息的有机融合,也未能从BIM中提取重要设备与建筑空间的服务关系,从而综合BIM、BA和报修信息,达到精准预测建筑机电系统和设备故障的目标。
发明内容
有鉴于此,本发明提供一种建筑机电系统故障智能预测方法和装置,为建筑运维管理者提供一种可智能预测建筑机电系统潜在故障的方法和装置,减少突发故障,提高运维管理效率和稳定性。
根据本发明的第一方面,提供一种建筑机电系统故障智能预测方法,其特征在于,包括:步骤1:创建建筑的BIM模型;步骤2:对重要机电设备进行实时监测,动态采集监测数据,所述重要机电设备是机电系统的中央及子区域控制和动力设备;步骤3:收集报修工单信息,对每个报修工单进行语义识别,确定与BIM信息匹配的报修空间和关联的机电系统或设备;步骤4:建立机电设备故障预测模型,并进行机器学习;步骤5:训练网络直到获得的人工神经元网络模型准确可用;步骤6:应用人工神经元网络模型进行故障预测,对于潜在故障通知维保人员进行重点检查。
进一步地,所述步骤1进一步包括:所述BIM模型包括建筑机电系统集合S={si}、机电设备信息E={ei}、机电设备逻辑关系C={cij}和空间信息R={ri};其中机电设备信息ei包括设备名称、所属系统si、所处空间ri。
进一步地,所述步骤2进一步包括:步骤2.1:采用物联网技术对重要机电设备集Eq中设备eqj的重要运行参数Pj和报警状态cj进行实时监测,动态采集监测数据,形成重要设备监测数据集D={(t,eqj,Pj,cj)},t为时间;步骤2.2:针对每个所述设备eqj,从所述重要设备检测数据集D中提取所述报警状态cj为报警时的设备监测数据,形成该设备的数据集合DX。
进一步地,所述步骤3进一步包括:步骤3.1:收集报修工单信息W={wi},所述报修工单信息wi包括报修时间t、报修空间ri和问题文字描述di;步骤3.2:对每个工单信息wi的所述问题文字描述进行语义识别,此处采用自主研发的中文语义分词算法,将有关报修设备的词或词组与所述BIM模型进行模糊匹配,确定每个工单的报修空间ri和关联的机电系统si或设备ei;步骤3.3:根据BIM中机电设备信息E、机电设备逻辑关系C,追踪每个工单关联的设备ei的上游或下游所有重要设备,或者服务于报修空间ri的机电系统si的上游或下游所有重要设备,加入集合Ei;步骤3.4:从重要设备监测数据集D中提取每个报修工单关联设备集合Ej,在报修时间前24小时的运行监测数据,并标记每条监测数据的故障类型、故障概率,即报修时相应故障类型的故障概率为1.00,向前递减,加入集合DX。
进一步地,所述步骤4进一步包括:步骤4.1:对每个设备数据集DX进行清洗和标准化的预处理,然后运行主成分分析,以降维选择重要属性值,去除不相关监测量,加入上游、下游设备是否同时报警这两个属性;步骤4.2:针对Eq中每个重要设备eqj,建立1-2个隐层的简单全连接向前神经网络,加入设备模型集合Me={me i},每个模型的输入是eqi的运行参数Pi,输出为重要设备潜在故障的概率值;步骤4.3:针对每个机电系统,在BIM中提取系统内的设备逻辑连接关系,采用卷积核提取多设备运行参数的整体特征,建立卷积神经网络模型,形成系统神经元网络模型集合Ms={ms i},每个模型的输入是该系统包括的所有重要设备的运行参数Pi,输出为系统故障的概率值;步骤4.4:使用DX中的数据对Me和Ms中每个模型进行训练,采用随机反向传播算法,完成机器学习。
进一步地,所述步骤6进一步包括:步骤6.1:对接物联网系统,获得重要设备监测数据Pi;步骤6.2:应用神经网络预测模型mi定时对重要设备和机电系统进行故障预测,输出预测结果,包括当前可能发生的故障类型,以及对应的概率;步骤6.3:如果预测存在潜在故障发送通知到相关人员手机,通知维保人员进行重点检查。
根据本发明第二方面,提供一种建筑机电系统故障智能预测系统,其特征在于,包括:BIM模型创建模块,用于创建建筑的BIM模型;重要机电设备监测模块,对重要机电设备进行实时监测,动态采集监测数据,所述重要机电设备是机电系统的中央及子区域控制和动力设备;报修工单处理模块,用于收集报修工单信息,对每个报修工单进行语义识别,确定与BIM信息匹配的报修空间和关联的机电系统或设备;模型建立模块,用于建立机电设备故障预测模型,并进行机器学习;模型处理模块,用于训练网络直到获得的人工神经元网络模型准确可用;故障预测模块,用于应用人工神经元网络模型进行故障预测,对于潜在故障通知维保人员进行重点检查。
进一步地,所述BIM模型创建模块进一步包括:所述BIM模型包括建筑机电系统集合S={si}、机电设备信息E={ei}、机电设备逻辑关系C={cij}和空间信息R={ri};其中机电设备信息ei包括设备名称、所属系统si、所处空间ri。
进一步地,所述重要机电设备监测模块进一步包括:采用物联网技术对重要机电设备集Eq中设备eqj的重要运行参数Pj和报警状态cj进行实时监测,动态采集监测数据,形成重要设备监测数据集D={(t,eqj,Pj,cj)},t为时间;针对每个所述设备eqj,从所述重要设备检测数据集D中提取所述报警状态cj为报警时的设备监测数据,形成该设备的数据集合DX。
进一步地,所述报修工单处理模块进一步包括:收集报修工单信息W={wi},所述报修工单信息wi包括报修时间t、报修空间ri和问题文字描述di;对每个工单信息wi的所述问题文字描述进行语义识别,与所述BIM模型进行模糊匹配,确定每个工单的报修空间ri和关联的机电系统si或设备ei;根据BIM中机电设备信息E、机电设备逻辑关系C,追踪每个工单关联的设备ei的上游或下游所有重要设备,或者服务于报修空间ri的机电系统si的上游或下游所有重要设备,加入集合Ei;从重要设备监测数据集D中提取每个报修工单关联设备集合Ej,在报修时间前24小时的运行监测数据,并标记每条监测数据的故障类型、故障概率,即报修时相应故障类型的故障概率为1.00,向前递减,加入集合DX。
进一步地,所述模型处理模块进一步包括,对每个设备数据集DX进行清洗和标准化的预处理,然后运行主成分分析,以降维选择重要属性值,去除不相关监测量,加入上游、下游设备是否同时报警这两个属性;针对Eq中每个重要设备eqj,建立1-2个隐层的简单全连接向前神经网络,加入设备模型集合Me={me i},每个模型的输入是eqi的运行参数Pi,输出为重要设备潜在故障的概率值;针对每个机电系统,在BIM中提取系统内的设备逻辑连接关系,采用卷积核提取多设备运行参数的整体特征,建立卷积神经网络模型,形成系统神经元网络模型集合Ms={ms i},每个模型的输入是该系统包括的所有重要设备的运行参数Pi,输出为系统故障的概率值;使用DX中的数据对Me和Ms中每个模型进行训练,采用随机反向传播算法,完成机器学习。
进一步地,所述故障预测模块进一步包括,对接物联网系统,获得重要设备监测数据Pi;应用神经网络预测模型mi定时对重要设备和机电系统进行故障预测,输出预测结果,包括当前可能发生的故障类型,以及对应的概率;如果预测存在潜在故障发送通知到相关人员手机,通知维保人员进行重点检查。
根据本发明的上述方案,可以通过分析实时运行数据,在机电设备故障发生之前实现准确的预测。实际工程应用表明,本方案可以减少建筑机电设备突发故障20%,同时节省人工检修成本20%。本发明可以保障大型公共建筑平稳运行,减少运维成本。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了整体流程图。
图2示出了故障设备的运行参数监测点。
图3示出了设备的运行参数值(部分)。
图4示出了某空调系统报修工单的提取。
图5示出了设备故障预测神经网络模型结构。
图6示出了机电系统故障预测神经网络模型结构。
图7示出了训练集数据(部分)。
图8示出了系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种建筑机电系统故障智能预测方法和装置,为建筑运维管理者提供一种可智能预测建筑机电系统潜在故障的方法和装置,减少突发故障,提高运维管理效率和稳定性。
首先结合图1说明本发明的流程。
本发明的一种建筑机电系统故障预测方法包括以下步骤:
步骤1:创建建筑的BIM模型,包括建筑机电系统集合S={si}、机电设备信息E={ei}、机电设备逻辑关系C={cij}、空间信息R={ri};其中机电设备信息ei包括设备名称、所属系统si、所处空间ri。譬如,某建筑BIM模型包括空调系统、给排水系统、供电系统模型,空调系统包括冷水机组、分集水器、楼层空调箱和出风口等设备;空间信息包括各个楼层以及房间信息,譬如冷水机组和分集水器处于B1层B105房间,空调箱AHU-B101处于B1层空调机房,出风口FK-B1005位于B105房间;BIM模型中还建立了冷水机组与分集水器之间、分集水器与楼层空调箱之间、楼层空调箱与各个出风口之间的上下游逻辑关系。
步骤2:对重要机电设备进行监测和分析,包括以下两步:
步骤2.1:采用物联网技术对重要机电设备集Eq中设备eqj的重要运行参数Pj和报警状态cj进行实时监测,动态采集监测数据,形成重要设备监测数据集D={(t,eqj,Pj,cj)},t为时间;譬如,BA系统采用温度传感器、压差传感器等对冷水机组、分集水器、楼层空调箱等重要设备的出水温度、回水温度、过滤网压差等进行实时监测,如果温度或压差超出设定的阈值则主动报警。
步骤2.2针对每个重要设备eqj,从D中提取cj报警前24小时的设备监测数据,加入集合DX。譬如,将楼层空调箱报警前24小时至报警时的空调箱出水温度、回水温度和过滤网压差数据加入集合DX。此处的计算实例选取某大楼的全部4个空调系统,包含182个AHU、FAU、嵌入式空调、挂壁空调等重要设备。
其中,重要机电设备是机电系统的中央及子区域控制和动力设备,譬如中央空调系统的冷却塔、冷水机组、分集水器、空调箱;给排水系统的生活水箱、动力泵等;送排风系统的送风机、排风机;强电系统的配电柜等。
步骤3:报修工单信息收集与分析,包括以下三个步骤:
步骤3.1收集报修工单信息W={wi},wi包括报修时间t、报修空间ri、问题文字描述di。此处的计算实例包含近四个月的163条报修工单;
步骤3.2对每个工单wi的问题文字描述进行语义识别,此处采用自主研发的中文语义分词算法,对工单的描述句子进行切割,标记各部分的语义类型,然后将有关报修设备的词或词组与BIM信息进行模糊匹配,确定每个工单的报修空间ri和关联的机电系统si或设备ei。在计算实例中,成功匹配了129个工单描述,报修分布在全部4个系统,涉及47个重要设备。
步骤3.3根据BIM中机电设备信息E、机电设备逻辑关系C,追踪每个工单关联的设备ei的上游或下游所有重要设备,或者服务于报修空间ri的机电系统si的上游或下游所有重要设备,加入集合Ei;
步骤3.4从重要设备监测数据集D中提取每个报修工单关联设备集合Ej,在报修时间前24小时的运行监测数据,并标记每条监测数据的故障类型、故障概率,即报修时相应故障类型的故障概率为1.00,向前递减,加入集合DX。譬如,空调箱AHU-B101在今日12时发生“不制冷”的故障报修,则将该设备12时的监测数据+不制冷故障概率1.00加入DX,11时的监测数据+不制冷故障概率0.90加入DX,10时的监测数据+不制冷故障概率0.80加入DX,等等。
步骤4:采用主成分分析和神经网络算法,建立机电设备故障预测模型,包括以下步骤:
步骤4.1对每个设备数据集DX进行清洗和标准化的预处理,去除无效数据并将数值映射至0-1的标准区间。然后运行主成分分析,对原始的属性集做降维,以选出有代表性的重要属性值,去除不相关监测量,由此节省之后的神经网络算法的时空开销。此外,分析BIM中的设备连接关系,再增加两个属性:上游设备是否有报警和下游设备是否有报警;
步骤4.2针对Eq中每个重要设备eqj,建立1-2个隐层的简单全连接BP神经网络,加入模型集合Me={me i},每个模型的输入是eqi的运行参数Pi,输出即为是否存在潜在故障。该模型的结构见图5,预测模型的主体是一个全连接BP神经网络,含有2个隐藏层(若输入数据较大,也可只采用1个隐层,并降低隐层的神经元数量)。训练时采用普通的反向传播算法。预测时则是输入向量正向传播,经过隐层的运算后,使用softmax算法归一化得到单个设备的故障概率值;
步骤4.3针对每个机电系统,在BIM中提取系统内的设备逻辑连接关系,采用卷积核提取多设备运行参数的整体特征,建立卷积神经网络模型,形成神经元网络模型集合Ms={ms i}。该模型结构见图6,含有一个卷积提取特征层和1个隐藏层,每个模型的输入是该系统包括的所有重要设备eqi的运行参数Pi,训练和预测算法同上。输出也使用softmax算法归一化,得到本机电系统的故障概率值;
步骤4.4使用集合DX中的数据对Me和Ms中每个模型进行训练,采用随机反向传播算法,完成机器学习;
步骤5:网络训练使用DX内的交叉验证法,直到获得的人工神经元网络模型mi准确度可用。在计算实例中,训练集的容量为1419条,图7显示了一部分数据。训练时间为3小时,最终的各预测网络的准确率都能达到90%以上;
步骤6:应用人工神经元网络模型Me和Ms进行故障预测;包括以下步骤:
步骤6.1对接物联网系统,获得重要设备监测数据Pi;
步骤6.2应用人工神经元网络模型mi定时对重要设备和机电系统进行故障预测,输出预测结果,包括当前可能发生的故障类型,以及对应的概率。譬如在当前时间对11层的所有AHU设备做预测,发现某设备很有可能发生不制冷的故障(P约为0.8)。进一步,对该大楼的11层空调系统使用预测模型,同样显示本层有较高可能发生不制冷的故障(P约为0.7);
步骤6.3如果预测存在潜在故障发送通知到相关人员手机,通知维保人员进行重点检查。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种建筑机电系统故障智能预测方法,其特征在于,所述建筑机电系统,包括:公共建筑的机电系统;所述公共建筑,包括:医院、航站楼、商场;所述建筑机电系统故障智能预测方法,包括:
步骤1:创建建筑的BIM模型;
步骤2:对重要机电设备进行实时监测,动态采集监测数据,所述重要机电设备是机电系统的中央及子区域控制和动力设备;
步骤3:收集报修工单信息,对每个报修工单进行语义识别,确定与BIM信息匹配的报修空间和关联的机电系统或设备;所述步骤3进一步包括:
步骤3.1:收集报修工单信息W={wi},所述报修工单信息wi包括报修时间t、报修空间ri和问题文字描述di;
步骤3.2:对每个工单信息wi的所述问题文字描述进行语义识别,与所述BIM模型进行模糊匹配,确定每个工单的报修空间ri和关联的机电系统si或设备ei;
步骤3.3:根据BIM中机电设备信息E、机电设备逻辑关系C,追踪每个工单关联的设备ei的上游或下游所有重要设备,或者服务于报修空间ri的机电系统si的上游或下游所有重要设备,加入集合Ei;
步骤3.4:从重要设备监测数据集D中提取每个报修工单关联设备集合Ej,在报修时间前24小时的运行监测数据,并标记每条监测数据的故障类型、故障概率,即报修时相应故障类型的故障概率为1.00,向前递减,加入集合DX;
步骤4:建立机电设备故障预测模型,并进行机器学习;所述步骤4进一步包括:
步骤4.1:对每个设备数据集DX进行清洗和标准化的预处理,然后运行主成分分析,以降维选择重要属性值,去除不相关监测量,加入上游、下游设备是否同时报警这两个属性;
步骤4.2:针对Eq中每个重要设备eqj,建立1-2个隐层的简单全连接向前神经网络,加入设备模型集合Me={mei},每个模型的输入是eqi的运行参数Pi,输出为重要设备潜在故障的概率值;
步骤4.3:针对每个机电系统,在BIM中提取系统内的设备逻辑连接关系,采用卷积核提取多设备运行参数的整体特征,建立卷积神经网络模型,形成系统神经元网络模型集合Ms={msi},每个模型的输入是该系统包括的所有重要设备的运行参数Pi,输出为系统故障的概率值;
步骤4.4:使用DX中的数据对Me和Ms中每个模型进行训练,采用随机反向传播算法,完成机器学习;
步骤5:训练网络直到获得的人工神经元网络模型准确可用;
步骤6:应用人工神经元网络模型进行故障预测,对于潜在故障通知维保人员进行重点检查;所述步骤6进一步包括:
步骤6.1:对接物联网系统,获得重要设备监测数据Pi;
步骤6.2:应用神经网络预测模型mi定时对重要设备和机电系统进行故障预测,输出预测结果,包括当前可能发生的故障类型,以及对应的概率;
步骤6.3:如果预测存在潜在故障发送通知到相关人员手机,通知维保人员进行重点检查。
2.如权利要求1所述的方法,其特征在于,所述步骤1进一步包括:
所述BIM模型包括建筑机电系统集合S={si}、机电设备信息E={ei}、机电设备逻辑关系C={cij}和空间信息R={ri};
其中机电设备信息ei包括设备名称ni、所属系统si、所处空间ri。
3.如权利要求1所述的方法,其特征在于,所述步骤2进一步包括:
步骤2.1:采用物联网技术对重要机电设备集Eq中设备eqj的重要运行参数Pj和报警状态cj进行实时监测,动态采集监测数据,形成重要设备监测数据集D={(t,eqj ,Pj,cj)},t为时间;
步骤2.2:针对每个所述设备eqj,从所述重要设备检测数据集D中提取所述报警状态cj为报警时的设备监测数据,形成该设备的数据集合DX。
4.一种建筑机电系统故障智能预测系统,其特征在于,所述建筑机电系统,包括:公共建筑的机电系统;所述公共建筑,包括:医院、航站楼、商场;所述建筑机电系统故障智能预测系统,包括:
BIM模型创建模块,用于创建建筑的BIM模型;
重要机电设备监测模块,对重要机电设备进行实时监测,动态采集监测数据,所述重要机电设备是机电系统的中央及子区域控制和动力设备;
报修工单处理模块,用于收集报修工单信息,对每个报修工单进行语义识别,确定与BIM信息匹配的报修空间和关联的机电系统或设备;所述报修工单处理模块进一步包括:
收集报修工单信息W={wi},所述报修工单信息wi包括报修时间t、报修空间ri和问题文字描述di;
对每个工单信息wi的所述问题文字描述进行语义识别,与所述BIM模型进行模糊匹配,确定每个工单的报修空间ri和关联的机电系统si或设备ei;
根据BIM中机电设备信息E、机电设备逻辑关系C,追踪每个工单关联的设备ei的上游或下游所有重要设备,或者服务于报修空间ri的机电系统si的上游或下游所有重要设备,加入集合Ei;
从重要设备监测数据集D中提取每个报修工单关联设备集合Ej,在报修时间前24小时的运行监测数据,并标记每条监测数据的故障类型、故障概率,即报修时相应故障类型的故障概率为1.00,向前递减,加入集合DX;
模型建立模块,用于建立机电设备故障预测模型,并进行机器学习;所述模型建立模块进一步包括,
对每个设备数据集DX进行清洗和标准化的预处理,然后运行主成分分析,以降维选择重要属性值,去除不相关监测量,加入上游、下游设备是否同时报警这两个属性;
针对Eq中每个重要设备eqj,建立1-2个隐层的简单全连接向前神经网络,加入设备模型集合Me={mei},每个模型的输入是eqi的运行参数Pi,输出为重要设备潜在故障的概率值;
针对每个机电系统,在BIM中提取系统内的设备逻辑连接关系,采用卷积核提取多设备运行参数的整体特征,建立卷积神经网络模型,形成系统神经元网络模型集合Ms={msi},每个模型的输入是该系统包括的所有重要设备的运行参数Pi,输出为系统故障的概率值;
使用DX中的数据对Me和Ms中每个模型进行训练,采用随机反向传播算法,完成机器学习;
模型处理模块,用于训练网络直到获得的人工神经元网络模型准确可用;
故障预测模块,用于应用人工神经元网络模型进行故障预测,对于潜在故障通知维保人员进行重点检查所述故障预测模块进一步包括,
对接物联网系统,获得重要设备监测数据Pi;
应用神经网络预测模型mi定时对重要设备和机电系统进行故障预测,输出预测结果,包括当前可能发生的故障类型,以及对应的概率;
如果预测存在潜在故障发送通知到相关人员手机,通知维保人员进行重点检查。
5.如权利要求4所述的系统,所述BIM模型创建模块进一步包括:
所述BIM模型包括建筑机电系统集合S={si}、机电设备信息E={ei}、机电设备逻辑关系C={cij}和空间信息R={ri};
其中机电设备信息ei包括设备名称、所属系统si、所处空间ri。
6.如权利要求4所述的系统,所述重要机电设备监测模块进一步包括:
采用物联网技术对重要机电设备集Eq中设备eqj的重要运行参数Pj和报警状态cj进行实时监测,动态采集监测数据,形成重要设备监测数据集D={(t,eqj ,Pj,cj)},t为时间;
针对每个所述设备eqj,从所述重要设备检测数据集D中提取所述报警状态cj为报警时的设备监测数据,形成该设备的数据集合DX。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435695.9A CN110119851B (zh) | 2019-05-23 | 2019-05-23 | 一种建筑机电系统故障智能预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435695.9A CN110119851B (zh) | 2019-05-23 | 2019-05-23 | 一种建筑机电系统故障智能预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119851A CN110119851A (zh) | 2019-08-13 |
CN110119851B true CN110119851B (zh) | 2021-11-09 |
Family
ID=67523108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435695.9A Active CN110119851B (zh) | 2019-05-23 | 2019-05-23 | 一种建筑机电系统故障智能预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119851B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717603B (zh) * | 2019-09-18 | 2022-06-21 | 上海建工四建集团有限公司 | 基于bim和用电数据的评价方法、装置、介质及终端 |
CN110675046B (zh) * | 2019-09-18 | 2021-08-31 | 上海建工四建集团有限公司 | 基于bim和报修数据的评价方法、装置、介质及终端 |
CN110968712B (zh) * | 2019-11-19 | 2023-09-22 | 北京长空云海科技有限公司 | Bim族模型获取的方法、装置及系统 |
CN111275293A (zh) * | 2020-01-09 | 2020-06-12 | 南京亚派软件技术有限公司 | 一种机电设备非线性故障预测方法 |
CN111412579B (zh) * | 2020-03-26 | 2022-03-08 | 上海建工四建集团有限公司 | 一种基于大数据的空调机组故障类型诊断方法和系统 |
CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN111882177A (zh) * | 2020-07-08 | 2020-11-03 | 上海嘉实(集团)有限公司 | 压力排水系统的故障检修方法、服务端、用户终端及介质 |
CN112379618A (zh) * | 2020-11-06 | 2021-02-19 | 上海好卓机电工程有限公司 | 一种机电设备数据采集及分析的方法 |
CN113269522B (zh) * | 2021-05-19 | 2021-11-30 | 江苏星月测绘科技股份有限公司 | 一种基于bim技术的建筑智能化管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207774A1 (en) * | 2013-01-24 | 2014-07-24 | Mark Walter | Virtual Building Browser Systems and Methods |
CN107430387A (zh) * | 2015-03-11 | 2017-12-01 | 西门子工业公司 | 建筑物自动化预测 |
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
CN107991953A (zh) * | 2017-10-31 | 2018-05-04 | 上海雅直科技有限公司 | 一种建筑中枢系统 |
CN108269212A (zh) * | 2016-12-30 | 2018-07-10 | 香港科技大学深圳研究院 | 基于bim和gis的地下公共设施的管理方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735B (zh) * | 2014-04-17 | 2017-03-29 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
-
2019
- 2019-05-23 CN CN201910435695.9A patent/CN110119851B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207774A1 (en) * | 2013-01-24 | 2014-07-24 | Mark Walter | Virtual Building Browser Systems and Methods |
CN107430387A (zh) * | 2015-03-11 | 2017-12-01 | 西门子工业公司 | 建筑物自动化预测 |
CN108269212A (zh) * | 2016-12-30 | 2018-07-10 | 香港科技大学深圳研究院 | 基于bim和gis的地下公共设施的管理方法和装置 |
CN107991953A (zh) * | 2017-10-31 | 2018-05-04 | 上海雅直科技有限公司 | 一种建筑中枢系统 |
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
Non-Patent Citations (1)
Title |
---|
基于 BIM的医疗建筑智慧建设运维管理系统研究;余芳强 等;《上海建设科技》;20180221(第1期);第30-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110119851A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119851B (zh) | 一种建筑机电系统故障智能预测方法和系统 | |
Zhang et al. | An improved association rule mining-based method for revealing operational problems of building heating, ventilation and air conditioning (HVAC) systems | |
WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
CN107633307B (zh) | 供配电系统根源告警检测方法、装置、终端及计算机存储介质 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
CN111178378A (zh) | 一种设备的故障预测方法、装置、电子设备及存储介质 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
Zhang et al. | Graph neural network-based spatio-temporal indoor environment prediction and optimal control for central air-conditioning systems | |
CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN113674846A (zh) | 基于lstm网络的医院智慧服务舆情监控平台 | |
CN117553404A (zh) | 一种提高大型水冷中央空调系统能效的方法及系统 | |
CN117251695A (zh) | 数据预测模型的训练方法、装置、设备及存储介质 | |
CN116562852B (zh) | 基于知识图谱的配网停电信息管理系统 | |
Aziz et al. | Initialization of adaptive neuro-fuzzy inference system using fuzzy clustering in predicting primary triage category | |
CN116881752A (zh) | 数据的聚类方法和装置、存储介质及电子设备 | |
CN115310704A (zh) | 一种基于系统安全模型的多维度消防安全评估预警系统 | |
CN115264768A (zh) | 一种基于物联网的楼宇空调节能控制方法及系统 | |
CN113657475A (zh) | 基于分类的用电量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |