CN111563612B - 一种地铁站空调预测性运维管理方法及系统 - Google Patents
一种地铁站空调预测性运维管理方法及系统 Download PDFInfo
- Publication number
- CN111563612B CN111563612B CN202010284148.8A CN202010284148A CN111563612B CN 111563612 B CN111563612 B CN 111563612B CN 202010284148 A CN202010284148 A CN 202010284148A CN 111563612 B CN111563612 B CN 111563612B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- module
- information
- maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 135
- 238000004378 air conditioning Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000003860 storage Methods 0.000 claims abstract description 37
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 85
- 238000013500 data storage Methods 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 24
- 230000010365 information processing Effects 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011418 maintenance treatment Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 1
- 230000009469 supplementation Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种地铁站空调预测性运维管理方法及系统，该方法包括以下步骤：通过检测装置和信息存储装置获取空调系统的传感器信息以及非传感器信息，并实时上传至边缘节点单元；通过边缘节点单元分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；将预处理后的第一部分数据进行数据规范化处理；云端服务器对规范处理后的第一部分数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型；边缘节点单元根据信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；边缘节点单元根据确定的维护方案，自动对空调系统进行维护处理。
Description
技术领域
本发明涉及空调智能化领域，尤其涉及一种地铁站空调预测性运维管理方法及系统。
背景技术
地铁交通系统因其效率高，运力大，快速准时，环境污染小等优点，取得了迅速的发展，成为了公共交通系统中的重要的一环。地铁各站点因为其特殊构造和用途，长期需要通风空调系统保障乘客安全舒适的乘车环境。因此对地铁站空调的良好稳定运行十分重要。
目前地铁系统中针对空调系统设备的运维管理常采用以下两种方式：第一，通过监控系统对各站点的空调系统运行情况进行实时的监测，空调系统设备出现故障报警后，通过监控系统反馈至管理部门，并安排相关人员进行维修。第二，根据设备厂商的建议以及工程师的经验，采用人工定期巡检的方式逐站逐设备进行维护。
采用这些方式存在着以下问题：无法快速的对故障进行反应，存在滞后，停机或维护时间较长，易导致站点环境恶化；人力成本及维护成本高，工作量大，运行维护效率低；非计划停机风险较高；存在过度维护的问题。
发明内容
本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种地铁站空调预测性运维管理方法。
本发明解决其技术问题所采用的技术方案是：构造一种地铁站空调预测性运维管理方法，包括以下步骤：
S1.通过检测装置和信息存储装置获取空调系统的传感器信息以及非传感器信息，并实时上传至边缘节点单元；
S2.通过所述边缘节点单元分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；
S3.将预处理后的第一部分数据进行数据规范化处理后实时上传至云端服务器；
S4.所述云端服务器对规范处理后的第一部分数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型，并将三个模型下发至所述边缘节点单元；
S5.所述边缘节点单元根据所述信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；
S6.所述边缘节点单元根据确定的维护方案，自动对所述空调系统进行维护处理。
优选地，在本发明所述的地铁站空调预测性运维管理方法中，所述步骤S1包括：
S1-1.所述检测装置获取的空调系统的传感器信息包括冷水机组机房环境的温湿度以及所述空调系统其它各部件的运行信息，并实时上传至所述边缘节点单元的数据处理模块；
S1-2.所述信息存储装置获取的空调系统的非传感器信息包括空调系统设备的基础数据以及维护工单数据，并实时上传至所述边缘节点单元的信息处理模块。
优选地，在本发明所述的地铁站空调预测性运维管理方法中，所述步骤S2包括：
通过所述数据处理模块对传感器信息进行过滤、清洗、聚合以及质量优化，通过所述信息处理模块对非传感器信息进行代码转换处理，得到预处理后的数据；其中，同一数据流中第一时刻获得的是所述第一部分数据，第二时刻获得的是所述第二部分数据。
优选地，在本发明所述的地铁站空调预测性运维管理方法中，所述步骤S3包括：
S3-1.所述边缘节点单元的信息融合模型模块对所述数据处理模块和所述信息处理模块预处理后的第一部分数据进行数据规范化处理，通过边缘存储模块暂时存储规范处理后的第一部分数据；
S3-2.经云端状态模块判断所述云端服务器是否正常运行；
S3-3.若是，则通过以太网定周期T1地将规范处理后的第一部分数据上传至所述云端服务器的历史数据存储模块中进行存储；
S3-4.若否，则通过边缘存储模块继续暂时存储规范处理后的第一部分数据直至达到最大的存储量，并执行步骤S3-2。
优选地，在本发明所述的地铁站空调预测性运维管理方法中，所述步骤S4包括：
S4-1.在所述历史数据存储模块中，提取信息融合模型训练所需的数据，并采用留出法进行数据集的划分，经信息融合模型训练模块训练验证后的信息融合模型，定周期T2地部署下发至所述边缘节点单元的信息融合模型模块；
S4-2.在所述历史数据存储模块中，提取预测性维护模型训练所需的数据，并采用留出法进行数据集的划分，经预测性维护模型训练模块训练验证后的预测性维护模型，定周期T3地部署下发至所述边缘节点单元的预测性维护模型模块；
S4-3.在所述历史数据存储模块中，提取故障处理方案模型训练所需的数据，并采用留出法进行数据集的划分，经故障处理方案模型训练模块训练验证后的故障处理模型，定周期T4地部署下发至所述边缘节点单元的故障处理方案模型模块。
优选地，在本发明所述的地铁站空调预测性运维管理方法中，所述步骤S5包括：
所述信息融合模型模块将所述步骤S2预处理后的第二部分数据进行数据化规范处理后，实时上传至所述预测性维护模型模块，所述预测性维护模型模块计算出所述空调系统各部件故障的概率期望值，并通过所述故障处理方案模型模块进行维护方案的确定。
本发明还构造了一种地铁站空调预测性运维管理系统，包括：空调系统、检测装置、信息存储装置、边缘节点单元以及云端服务器；
检测装置，用于获取空调系统的传感器信息，并实时上传至边缘节点单元；
信息存储装置，用于空调系统的非传感器信息，并实时上传至边缘节点单元；
边缘节点单元，用于分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；将预处理后的第一部分数据进行数据规范化处理后实时上传至云端服务器；根据所述信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；根据确定的维护方案，自动对所述空调系统进行维护处理；
云端服务器，用于对规范处理后的数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型，并将三个模型下发至所述边缘节点单元。
优选地，在本发明所述的地铁站空调预测性运维管理系统中，所述边缘节点单元包括：
与所述检测装置连接的数据处理模块，用于对传感器信息进行过滤、清洗、聚合以及质量优化，其中，所述传感器信息包括冷水机组机房环境的温湿度以及所述空调系统其它各部件的运行信息；
与所述信息存储装置连接的信息处理模块，用于对非传感器信息进行代码转换处理，其中，非传感器信息包括空调系统设备的基础数据以及维护工单数据。
优选地，在本发明所述的地铁站空调预测性运维管理系统中，所述边缘节点单元还包括：
信息融合模型模块，用于对所述数据处理模块和所述信息处理模块预处理后的第一部分数据进行数据规范化处理；其中，同一数据流中第一时刻获得的是所述第一部分数据，第二时刻获得的是所述第二部分数据；
边缘存储模块，用于暂时存储规范处理后的第一部分数据；
云端状态模块，用于判断所述云端服务器是否正常运行；若是，则通过以太网定周期T1地将规范处理后的第一部分数据上传至所述云端服务器；若否，则通过所述边缘存储模块继续暂时存储规范处理后的第一部分数据，直至达到最大的存储量，待云端服务器恢复正常，相关的信息再同步至云端服务器中。
优选地，在本发明所述的地铁站空调预测性运维管理系统中，所述云端服务器包括：
历史数据存储模块，用于接收规范处理后的第一部分数据，并提取信息融合模型训练、预测性维护模型训练、故障处理方案模型训练所需的数据，并分别采用留出法进行数据集的划分；
信息融合模型训练模块，用于对所述历史数据存储模块提取到的信息融合模型训练所需的数据进行训练验证，得到信息融合模型，并定周期T2地部署下发至所述边缘节点单元的信息融合模型模块；
预测性维护模型训练模块，用于对所述历史数据存储模块提取到的预测性维护模型训练所需的数据进行训练验证，得到预测性维护模型，并定周期T3地部署下发至所述边缘节点单元；
故障处理方案模型训练模块，用于对所述历史数据存储模块提取到的故障处理方案模型训练所需的数据进行训练验证，得到故障处理方案模型，并定周期T4地部署下发至所述边缘节点单元。
优选地，在本发明所述的地铁站空调预测性运维管理系统中，所述信息融合模型模块还用于对所述数据处理模块和所述信息处理模块预处理后的第二部分数据进行数据规范化处理；
所述边缘节点单元还包括：
预测性维护模型模块，用于接收所述预测性维护模型训练模块上传的预测性维护模型和所述信息融合模型模块规范处理后的第二部分数据，计算出所述空调系统各部件可能会出现故障的概率期望值；
故障处理方案模型模块，用于接收所述故障处理方案模型训练模块上传的故障处理方案模型，并根据所述预测性维护模型模块计算得到的所述空调系统各部件故障的概率期望值，进行维护方案的确定。
通过实施本发明，具有以下有益效果：
本发明通过结合云端服务器、边缘节点单元、空调系统三者组成的协同计算体系，利用地铁站空调系统设备运行的状态信息、环境信息等数据，基于数理统计模型对其故障进行预测，提前感知设备故障，远程或提前调度人工排查故障隐患，从而避免空调系统故障等导致的站点环境恶化以及过度维护带来的费用增加问题，有效地提高运维管理的效率。
其中，云端服务器上进行各所需模型的训练验证，训练验证后的模型定周期下发部署于各地铁站点的边缘节点单元，各站点的边缘节点单元同末端空调系统设备进行实时的数据交换。各站点的边缘节点单元可自动进行不需要人工参与的基础运维或远程运维，且承担了数据预处理的工作，有效地减轻了云端服务器的压力，同时由于靠近空调系统设备，具备较高的实时性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明地铁站空调预测性运维管理方法的流程示意图；
图2是本发明地铁站空调预测性运维管理系统的模块示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，本发明构造了一种地铁站空调预测性运维管理方法，包括以下步骤：
步骤S1.通过检测装置和信息存储装置获取空调系统的传感器信息以及非传感器信息，并实时上传至边缘节点单元；
具体地，在一些实施例中，步骤S1包括：
S1-1.通过检测装置获取空调系统的传感器信息，包括冷水机组机房环境的温湿度以及空调系统其它各部件的运行信息，例如冷水主机、冷冻水泵、冷却水泵、AHU机组和冷却塔的运行信息，并通过现场总线或工业以太网实时上传至边缘节点单元的数据处理模块；
S1-2.通过信息存储装置获取空调系统的非传感器信息，包括空调系统设备的基础数据，例如设备生产日期、分布地点、具体型号和运行时间等，以及维护工单数据，例如设备生产日期、分布地点、具体型号和运行时间等，并通过现场总线或工业以太网实时上传至边缘节点单元的信息处理模块。
步骤S2.通过边缘节点单元分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；
具体地，在一些实施例中，步骤S2包括：
通过数据处理模块对传感器信息进行过滤、清洗、聚合以及质量优化，通过信息处理模块对非传感器信息进行代码转换处理，得到预处理后的数据；其中，同一数据流中第一时刻获得的是第一部分数据，第二时刻获得的是第二部分数据。在本实施例中，第一时刻可以是前一时刻，第二时刻可以是后一时刻。并且，过滤是指对错误的传感器信息进行过滤；清洗是指将文本语言转换为数学语言；聚合是指将传感器信息进行整理；质量优化是指对剔除信息质量不高的。
步骤S3.将预处理后的第一部分数据进行数据规范化处理后实时上传至云端服务器；
具体地，在一些实施例中，步骤S3包括：
S3-1.边缘节点单元的信息融合模型模块对数据处理模块和信息处理模块预处理后的第一部分数据进行数据规范化处理，通过边缘存储模块暂时存储规范处理后的第一部分数据；在本实施例中，规范化处理是指将非传感器信息和传感器信息统一为固定格式的数据。
S3-2.经云端状态模块判断云端服务器是否正常运行；
S3-3.若是，则通过以太网定周期T1地将规范处理后的第一部分数据上传至云端服务器的历史数据存储模块中进行存储；
S3-4.若否，则通过边缘存储模块继续暂时存储规范处理后的第一部分数据直至达到最大的存储量，并执行步骤S3-2。
步骤S4.云端服务器对规范处理后的第一部分数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型，并将三个模型下发至边缘节点单元；
具体地，在一些实施例中，步骤S4包括：
S4-1.在历史数据存储模块中，提取信息融合模型训练所需的数据，并采用留出法进行数据集的划分，经信息融合模型训练模块训练验证后的信息融合模型，定周期T2地部署下发至边缘节点单元的信息融合模型模块；在本实施例中，训练是指通过学习方法得到模型，验证是指比较效果误差。
S4-2.在历史数据存储模块中，提取预测性维护模型训练所需的数据，并采用留出法进行数据集的划分，经预测性维护模型训练模块训练验证后的预测性维护模型，定周期T3地部署下发至边缘节点单元的预测性维护模型模块；
进一步地，对于预测性维护模型模块，若空调系统处于初期运行状态，积累的历史故障数据不足，在训练过程中将采用各空调设备机理模型进行补充。待积累的历史故障数据达到一定阈值，使得各设备基于数理统计模型的精度达到一定范围后，预测性维护模型模块中将更新采用基于数理统计的模型。
S4-3.在历史数据存储模块中，提取故障处理方案模型训练所需的数据，并采用留出法进行数据集的划分，经故障处理方案模型训练模块训练验证后的故障处理模型，定周期T4地部署下发至边缘节点单元的故障处理方案模型模块。
步骤S5.边缘节点单元根据信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；
具体地，在一些实施例中，步骤S5包括：
信息融合模型模块将步骤S2预处理后的第二部分数据进行数据化规范处理后，实时上传至预测性维护模型模块，预测性维护模型模块计算出空调系统各部件故障的概率期望值，并根据各部件故障的概率期望值通过故障处理方案模型模块进行维护方案的确定。
步骤S6.边缘节点单元根据确定的维护方案，自动对空调系统进行维护处理。
具体地，在一些实施例中，步骤S6包括：
边缘节点单元根据故障处理方案模型模块的结果，对于能够直接自动运维的行为，则通过执行器直接执行或者通过远程操作完成；对于需要人工解决的，则上传至云端服务器的优化调度模块调度派遣运维管理人员进行现场处理，例如向离需维护设备部件最近的维护人员派发相应的维护工单。
本发明还构造了一种地铁站空调预测性运维管理系统，包括：空调系统、检测装置、信息存储装置、边缘节点单元以及云端服务器；
其中，空调系统包括冷水机组机房环境、冷水主机、冷冻水泵、冷却水泵、AHU机组和冷却塔；
检测装置，用于获取空调系统的传感器信息，并实时上传至边缘节点单元；
信息存储装置，用于空调系统的非传感器信息，并实时上传至边缘节点单元；
边缘节点单元，用于分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；将预处理后的第一部分数据进行数据规范化处理后实时上传至云端服务器；根据信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；根据确定的维护方案，自动对空调系统进行维护处理；在一些实施例中，边缘节点单元为各地铁站上的控制器，靠近空调系统设备。
云端服务器，用于对规范处理后的数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型，并将三个模型下发至边缘节点单元。
在一些实施例中，边缘节点单元包括：
与检测装置连接的数据处理模块，用于对传感器信息进行过滤、清洗、聚合以及质量优化，其中，传感器信息包括冷水机组机房环境的温湿度以及空调系统其它各部件的运行信息，例如冷水主机、冷冻水泵、冷却水泵、AHU机组和冷却塔的运行信息；并且，过滤是指对错误的传感器信息进行过滤；清洗是指将文本语言转换为数学语言；聚合是指将传感器信息进行整理；质量优化是指对剔除信息质量不高的。
与信息存储装置连接的信息处理模块，用于对非传感器信息进行代码转换处理，其中，非传感器信息包括空调系统设备的基础数据，例如设备生产日期、分布地点、具体型号和运行时间等，以及维护工单数据，例如设备生产日期、分布地点、具体型号和运行时间等。
在一些实施例中，边缘节点单元还包括：
信息融合模型模块，用于对数据处理模块和信息处理模块预处理后的第一部分数据进行数据规范化处理；其中，同一数据流中第一时刻获得的是第一部分数据，第二时刻获得的是第二部分数据。在本实施例中，第一时刻可以是前一时刻，第二时刻可以是后一时刻。规范化处理是指将非传感器信息和传感器信息统一为固定格式的数据。
边缘存储模块，用于暂时存储规范处理后的第一部分数据；
云端状态模块，用于判断云端服务器是否正常运行；若是，则通过以太网定周期T1地将规范处理后的第一部分数据上传至云端服务器；若否，则通过边缘存储模块继续暂时存储规范处理后的第一部分数据，直至达到最大的存储量，待云端服务器恢复正常，相关的信息再同步至云端服务器中的历史数据存储模块中。
在一些实施例中，云端服务器包括：
历史数据存储模块，用于接收规范处理后的第一部分数据，并提取信息融合模型训练、预测性维护模型训练、故障处理方案模型训练所需的数据，并分别采用留出法进行数据集的划分；
信息融合模型训练模块，用于对历史数据存储模块提取到的信息融合模型训练所需的数据进行训练验证，得到信息融合模型，并定周期T2地部署下发至边缘节点单元的信息融合模型模块；在本实施例中，训练是指通过学习方法得到模型，验证是指比较效果误差。
预测性维护模型训练模块，用于对历史数据存储模块提取到的预测性维护模型训练所需的数据进行训练验证，得到预测性维护模型，并定周期T3地部署下发至边缘节点单元；
进一步地，对于预测性维护模型模块，若空调系统处于初期运行状态，积累的历史故障数据不足，在训练过程中将采用各空调设备机理模型进行补充。待积累的历史故障数据达到一定阈值，使得各设备基于数理统计模型的精度达到一定范围后，预测性维护模型模块中将更新采用基于数理统计的模型。
故障处理方案模型训练模块，用于对历史数据存储模块提取到的故障处理方案模型训练所需的数据进行训练验证，得到故障处理方案模型，并定周期T4地部署下发至边缘节点单元。
在一些实施例中，信息融合模型模块还用于对数据处理模块和信息处理模块预处理后的第二部分数据进行数据规范化处理；
边缘节点单元还包括：
预测性维护模型模块，用于接收预测性维护模型训练模块上传的预测性维护模型和信息融合模型模块规范处理后的第二部分数据，计算出空调系统各部件可能会出现故障的概率期望值；
故障处理方案模型模块，用于接收故障处理方案模型训练模块上传的故障处理方案模型，并根据预测性维护模型模块计算得到的空调系统各部件故障的概率期望值，进行维护方案的确定。
在一些实施例中，该地铁站空调预测性运维管理系统还包括与边缘节点单元连接的执行器，云端服务器还包括优化调度模块。边缘节点单元根据故障处理方案模型模块的结果，对于能够直接自动运维的行为，则通过执行器直接执行或者通过远程操作完成；对于需要人工解决的，则上传至云端服务器的优化调度模块调度派遣运维管理人员进行现场处理，例如向离需维护设备部件最近的维护人员派发相应的维护工单。
通过实施本发明，具有以下有益效果：
本发明通过结合云端服务器、边缘节点单元、空调系统三者组成的协同计算体系，利用地铁站空调系统设备运行的状态信息、环境信息等数据，基于数理统计模型对其故障进行预测，提前感知设备故障，远程或提前调度人工排查故障隐患，从而避免空调系统故障等导致的站点环境恶化以及过度维护带来的费用增加问题，有效地提高运维管理的效率。
其中，云端服务器上进行各所需模型的训练验证，训练验证后的模型定周期下发部署于各地铁站点的边缘节点单元，各站点的边缘节点单元同末端空调系统设备进行实时的数据交换。各站点的边缘节点单元可自动进行不需要人工参与的基础运维或远程运维，且承担了数据预处理的工作，有效地减轻了云端服务器的压力，同时由于靠近空调系统设备，具备较高的实时性。
本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换和等同替代。另外，针对特定情形或具体情况，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
Claims (10)
1.一种地铁站空调预测性运维管理方法，其特征在于，包括以下步骤：
S1.通过检测装置和信息存储装置获取空调系统的传感器信息以及非传感器信息，并实时上传至边缘节点单元；
S2.通过所述边缘节点单元分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；
S3.将预处理后的第一部分数据进行数据规范化处理后实时上传至云端服务器；
S4.所述云端服务器对规范处理后的第一部分数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型，并将三个模型下发至所述边缘节点单元的信息融合模型模块、预测性维护模型模块和故障处理方案模型模块；
S5.所述边缘节点单元的信息融合模型模块、预测性维护模型模块和故障处理方案模型模块根据所述信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；
S6.所述边缘节点单元根据确定的维护方案，自动对所述空调系统进行维护处理；
其中，所述非传感器信息包括空调系统设备的基础数据以及维护工单数据；
步骤S4中，对于预测性维护模型模块，若空调系统处于初期运行状态，积累的历史故障数据不足，在训练过程中将采用各空调设备机理模型进行补充，待积累的历史故障数据达到一定阈值，使得各设备基于数理统计模型的精度达到一定范围后，预测性维护模型模块中将更新采用基于数理统计的模型；
同一数据流中第一时刻获得的是所述第一部分数据，第二时刻获得的是所述第二部分数据；
步骤S5包括：所述边缘节点单元的信息融合模型模块将步骤S2预处理后的第二部分数据进行数据化规范处理后，实时上传至所述边缘节点单元的预测性维护模型模块，所述预测性维护模型模块计算出所述空调系统各部件故障的概率期望值，并根据各部件故障的概率期望值通过所述边缘节点单元的故障处理方案模型模块进行维护方案的确定。
2.根据权利要求1所述的地铁站空调预测性运维管理方法，其特征在于，步骤S1包括：
S1-1.所述检测装置获取的空调系统的传感器信息包括冷水机组机房环境的温湿度以及所述空调系统其它各部件的运行信息，并实时上传至所述边缘节点单元的数据处理模块；
S1-2.所述信息存储装置获取的空调系统的非传感器信息，并实时上传至所述边缘节点单元的信息处理模块。
3.根据权利要求2所述的地铁站空调预测性运维管理方法，其特征在于，步骤S2包括：
通过所述数据处理模块对传感器信息进行过滤、清洗、聚合以及质量优化，通过所述信息处理模块对非传感器信息进行代码转换处理，得到预处理后的数据。
4.根据权利要求3所述的地铁站空调预测性运维管理方法，其特征在于，步骤S3包括：
S3-1.所述信息融合模型模块对所述数据处理模块和所述信息处理模块预处理后的第一部分数据进行数据规范化处理，通过边缘存储模块暂时存储规范处理后的第一部分数据；
S3-2.经云端状态模块判断所述云端服务器是否正常运行；
S3-3.若是，则通过以太网定周期T1地将规范处理后的第一部分数据上传至所述云端服务器的历史数据存储模块中进行存储；
S3-4.若否，则通过边缘存储模块继续暂时存储规范处理后的第一部分数据直至达到最大的存储量，并执行步骤S3-2。
5.根据权利要求4所述的地铁站空调预测性运维管理方法，其特征在于，步骤S4包括：
S4-1.在所述历史数据存储模块中，提取信息融合模型训练所需的数据，并采用留出法进行数据集的划分，经信息融合模型训练模块训练验证后的信息融合模型，定周期T2地部署下发至所述信息融合模型模块；
S4-2.在所述历史数据存储模块中，提取预测性维护模型训练所需的数据，并采用留出法进行数据集的划分，经预测性维护模型训练模块训练验证后的预测性维护模型，定周期T3地部署下发至所述预测性维护模型模块；
S4-3.在所述历史数据存储模块中，提取故障处理方案模型训练所需的数据，并采用留出法进行数据集的划分，经故障处理方案模型训练模块训练验证后的故障处理模型，定周期T4地部署下发至所述故障处理方案模型模块。
6.一种地铁站空调预测性运维管理系统，其特征在于，适用于空调系统，包括：空调系统、检测装置、信息存储装置、边缘节点单元以及云端服务器；
检测装置，用于获取空调系统的传感器信息，并实时上传至边缘节点单元；
信息存储装置，用于空调系统的非传感器信息，并实时上传至边缘节点单元；其中，所述非传感器信息包括空调系统设备的基础数据以及维护工单数据；
边缘节点单元，用于分别对传感器信息和非传感器信息进行预处理，获得预处理后的数据；将预处理后的第一部分数据进行数据规范化处理后实时上传至云端服务器；根据所述信息融合模型、预测性维护模型以及故障处理方案模型，对预处理后的第二部分数据实时进行规范化处理、故障的预测以及维护方案的确定；根据确定的维护方案，自动对所述空调系统进行维护处理；其中，同一数据流中第一时刻获得的是所述第一部分数据，第二时刻获得的是所述第二部分数据；
云端服务器，用于对规范处理后的数据进行训练和验证，获得信息融合模型、预测性维护模型以及故障处理方案模型，并将三个模型下发至所述边缘节点单元的信息融合模型模块、预测性维护模型模块和故障处理方案模型模块；以及，对于预测性维护模型模块，若空调系统处于初期运行状态，积累的历史故障数据不足，在训练过程中将采用各空调设备机理模型进行补充，待积累的历史故障数据达到一定阈值，使得各设备基于数理统计模型的精度达到一定范围后，预测性维护模型模块中将更新采用基于数理统计的模型；
其中，所述边缘节点单元包括：
信息融合模型模块，用于将预处理后的第二部分数据进行数据规范化处理；
所述预测性维护模型模块，用于接收所述信息融合模型模块实时上传的规范处理后的第二部分数据，并计算出所述空调系统各部件故障的概率期望值；
故障处理方案模型模块，用于根据各部件故障的概率期望值，进行维护方案的确定。
7.根据权利要求6所述的地铁站空调预测性运维管理系统，其特征在于，所述边缘节点单元包括：
与所述检测装置连接的数据处理模块，用于对传感器信息进行过滤、清洗、聚合以及质量优化，其中，所述传感器信息包括冷水机组机房环境的温湿度以及所述空调系统其它各部件的运行信息；
与所述信息存储装置连接的信息处理模块，用于对非传感器信息进行代码转换处理。
8.根据权利要求7所述的地铁站空调预测性运维管理系统，其特征在于，
所述信息融合模型模块还用于对所述数据处理模块和所述信息处理模块预处理后的第一部分数据进行数据规范化处理；
所述边缘节点单元还包括：
边缘存储模块，用于暂时存储规范处理后的第一部分数据；
云端状态模块，用于判断所述云端服务器是否正常运行；若是，则通过以太网定周期T1地将规范处理后的第一部分数据上传至所述云端服务器；若否，则通过所述边缘存储模块继续暂时存储规范处理后的第一部分数据，直至达到最大的存储量，待云端服务器恢复正常，相关的信息再同步至云端服务器中。
9.根据权利要求8所述的地铁站空调预测性运维管理系统，其特征在于，所述云端服务器包括：
历史数据存储模块，用于接收规范处理后的第一部分数据，并提取信息融合模型训练、预测性维护模型训练、故障处理方案模型训练所需的数据，并分别采用留出法进行数据集的划分；
信息融合模型训练模块，用于对所述历史数据存储模块提取到的信息融合模型训练所需的数据进行训练验证，得到信息融合模型，并定周期T2地部署下发至所述边缘节点单元的信息融合模型模块；
预测性维护模型训练模块，用于对所述历史数据存储模块提取到的预测性维护模型训练所需的数据进行训练验证，得到预测性维护模型，并定周期T3地部署下发至所述边缘节点单元；
故障处理方案模型训练模块，用于对所述历史数据存储模块提取到的故障处理方案模型训练所需的数据进行训练验证，得到故障处理方案模型，并定周期T4地部署下发至所述边缘节点单元。
10.根据权利要求9所述的地铁站空调预测性运维管理系统，其特征在于，所述信息融合模型模块还用于对所述数据处理模块和所述信息处理模块预处理后的第二部分数据进行数据规范化处理；
所述预测性维护模型模块还用于接收所述预测性维护模型训练模块上传的预测性维护模型和所述信息融合模型模块规范处理后的第二部分数据，计算出所述空调系统各部件故障的概率期望值；
所述故障处理方案模型模块还用于接收所述故障处理方案模型训练模块上传的故障处理方案模型，并根据所述预测性维护模型模块计算得到的所述空调系统各部件故障的概率期望值，进行维护方案的确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010284148.8A CN111563612B (zh) | 2020-04-13 | 2020-04-13 | 一种地铁站空调预测性运维管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010284148.8A CN111563612B (zh) | 2020-04-13 | 2020-04-13 | 一种地铁站空调预测性运维管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563612A CN111563612A (zh) | 2020-08-21 |
| CN111563612B true CN111563612B (zh) | 2024-03-22 |
Family
ID=72074280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010284148.8A Active CN111563612B (zh) | 2020-04-13 | 2020-04-13 | 一种地铁站空调预测性运维管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563612B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348209B (zh) * | 2020-10-26 | 2024-02-09 | 中车工业研究院有限公司 | 列车组运维系统及方法、电子设备及可读存储介质 |
| CN113055454A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 主变电设备监控数据的集中处理方法及系统 |
| CN113792944B (zh) * | 2021-11-16 | 2022-03-11 | 深圳普菲特信息科技股份有限公司 | 一种预测性维护方法及系统 |
| CN115877198A (zh) * | 2022-12-23 | 2023-03-31 | 国网山东省电力公司蒙阴县供电公司 | 基于边缘计算的一二次融合开关故障诊断预警系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090003435A (ko) * | 2007-06-11 | 2009-01-12 | 주식회사 엔에이치테크 | 자동화기기 예측유지보수 시스템 및 이를 이용한자동화기기 예측유지보수 방법 |
| CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
| CN108829933A (zh) * | 2018-05-22 | 2018-11-16 | 北京天泽智云科技有限公司 | 一种半导体制造设备的预测性维护与健康管理的方法 |
| CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
| KR101962739B1 (ko) * | 2018-08-27 | 2019-03-28 | 서울교통공사 | 빅데이터 분석을 이용한 기계장비의 고장예측분석시스템 및 그 방법 |
| CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护系统 |
| EP3483794A1 (en) * | 2017-11-08 | 2019-05-15 | Nokia Technologies Oy | Cloud-based storage for heterogeneous cloud robotics |
| CN110209716A (zh) * | 2018-02-11 | 2019-09-06 | 北京华航能信科技有限公司 | 智能物联网水务大数据处理方法和系统 |
| CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
| KR102068622B1 (ko) * | 2019-03-14 | 2020-01-21 | 차수정 | 이기종 네트워크 보안시스템을 위한 빅데이타 분석기반의 지능형 장애예측 시스템 |
| CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
-
2020
- 2020-04-13 CN CN202010284148.8A patent/CN111563612B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090003435A (ko) * | 2007-06-11 | 2009-01-12 | 주식회사 엔에이치테크 | 자동화기기 예측유지보수 시스템 및 이를 이용한자동화기기 예측유지보수 방법 |
| CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
| EP3483794A1 (en) * | 2017-11-08 | 2019-05-15 | Nokia Technologies Oy | Cloud-based storage for heterogeneous cloud robotics |
| CN110209716A (zh) * | 2018-02-11 | 2019-09-06 | 北京华航能信科技有限公司 | 智能物联网水务大数据处理方法和系统 |
| CN108829933A (zh) * | 2018-05-22 | 2018-11-16 | 北京天泽智云科技有限公司 | 一种半导体制造设备的预测性维护与健康管理的方法 |
| CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
| KR101962739B1 (ko) * | 2018-08-27 | 2019-03-28 | 서울교통공사 | 빅데이터 분석을 이용한 기계장비의 고장예측분석시스템 및 그 방법 |
| CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护系统 |
| KR102068622B1 (ko) * | 2019-03-14 | 2020-01-21 | 차수정 | 이기종 네트워크 보안시스템을 위한 빅데이타 분석기반의 지능형 장애예측 시스템 |
| CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
| CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563612A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563612B (zh) | 一种地铁站空调预测性运维管理方法及系统 | |
| CN110440396B (zh) | 云边端协同的中央空调全局优化节能控制方法和系统 | |
| US6487478B1 (en) | On-board monitor for railroad locomotive | |
| US11687067B2 (en) | Pattern classification system with smart data collection for environmental control system fault isolation | |
| US20170166328A1 (en) | Predictive aircraft maintenance systems and methods incorporating classifier ensembles | |
| CN112594142B (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
| CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
| CN111695744B (zh) | 一种基于大数据的维修器材需求预测分析系统 | |
| CN111045364B (zh) | 一种基于大数据平台的动力环境监控系统辅助决策方法 | |
| US20220414526A1 (en) | Intelligent fault detection system | |
| CN113675944A (zh) | 一种光伏电站智能分析决策系统及方法 | |
| CN116316613A (zh) | 电力设备运行监测方法、系统、电子设备及存储介质 | |
| CN103914058B (zh) | 一种油气管道工控设备远程监控系统的故障诊断和告警方法及系统 | |
| US20130204579A1 (en) | State Monitoring Method and System for Wind Energy Installations | |
| CN112303810A (zh) | 一种基于机器学习的空调健康预测方法 | |
| JP2018036970A (ja) | 設備管理システム、設備管理方法およびプログラム | |
| JP2023105796A (ja) | 検査システムおよび方法 | |
| Ait-Alla et al. | Real-time fault detection for advanced maintenance of sustainable technical systems | |
| CN208240076U (zh) | 一种设备生命周期管理平台 | |
| KR102507147B1 (ko) | 인공지능 기반의 운영 보조 시스템을 적용한 빌딩 자동 제어 시스템 및 그 운용 방법 | |
| Sedykh et al. | The Using of Electronic Document Management Tools of Technical Documentation for the Assessment of the Life of the Train Traffic Control Devices | |
| CN117152355B (zh) | 一种基于工厂数据的可视化监管系统 | |
| CN212435944U (zh) | 基于窄带物联网的远程无线测温湿度系统 | |
| CN117154955B (zh) | 一种用于智慧配电房的云端控制方法及系统 | |
| RU2798530C1 (ru) | Система управления технологическим процессом на подземном горнодобывающем предприятии в зависимости от спроса на электроэнергию |
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 |