CN113590729B - 楼宇设备点位识别方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种楼宇设备点位识别方法、装置、计算机设备和存储介质。所述方法包括：从楼宇自动化系统中获取点位名数据；将所述点位名数据根据分隔符拆分成有序的标记数组；根据所述标记数组中每个元素为预存标签组中对应标签的概率，生成输出概率表；根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；根据所述输出概率表、所述转换概率表和所述初始概率值，计算所述标记数组中不同的标签路径的概率；将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。采用本方法能够提供点位识别效率和准确率。

Description

楼宇设备点位识别方法、装置、计算机设备和存储介质

技术领域

本申请涉及物联网技术领域，特别是涉及一种楼宇设备点位识别方法、装置、计算机设备和存储介质。

背景技术

楼宇自动化系统，BAS(Building Automation System)，也称为建筑自动化系统，是对建筑物机电系统进行自动监测、自动控制、自动调节和自动管理的系统。随着物联网技术的发展，楼宇自动化系统中有越来越多的智能化设备具备数据产生、传送、存储的能力，例如各种传感器获取相应数据，传送给上位DDC或者PLC控制器，再由上位DDC或者PLC控制器与集中管理设备组成的网络传输并存储数据，将数据提供给管理软件进行管理。通常一幢建筑里面会有不同系统(例如空调末端、中央空调主机、供暖、照明等等)中成千上万个传感器和控制设备，在不停的产生数据，而楼宇自控系统对部分数据进行集成处理，进而进行自动化管理控制。

虽然目前越来越多的建筑楼宇，特别是新建楼宇，开始采用楼宇自动化系统来管控大楼的各种设备，楼宇管理者还是会面对很多的问题。

1、因为计算机技术发展的历史原因，BAS的整个架构设计为使自动控制的工作在有限宽频和有限计算能力的旧时代可以满足要求，精简了很多数据提取要求，只收集控制相关的有限数据，大量用于分析的数据都不予提取保留。

2、通常一个大楼的楼控系统是很多子系统松散的组成，比如有控制空调末端送风的自控系统，控制中央空调主机的群控系统等等，通常有不同的厂家完成安装配置，导致大规模的数据不互通，管理者有很大的需求希望能集中了解大楼设备情况，需要花费很大人力物理将数据集中起来。

3、而现在很多集成系统也只是针对部分数据进行汇总和展示，不能起到高效收集方便分析的作用；同时集成系统规模庞大，通信协议，数据产生方式等等都有很大差异，很多时候还是需要大量人工手段进行数据定位收集清洗等等。根据我们调研，工程人员或者团队需要花70％甚至以上的经历寻找数据点位并且根据不同协议开发不同工具收集数据清洗数据，严重减缓各种优化工程甚至是维保工作的进度。

4、不少大楼年代久远，各种控制系统又是在不同历史阶段安装配置，各种安装资料缺失，导致数据定位和收集成为不可能；有一些系统由于年久失修，退化成手工开关；就算企业或者管理者打算对楼宇自动化系统进行改造优化，但很多时候有些点位数据完全没有资料参考，甚至有些点位配置了错误的名称也不能获知，例如大量的非标准化命名或者是命名输入错误，比如Temp变成Twmp或者Tamp等等。

5、由于系统繁多，各个供应商在安装配置的时候会有自己的命名习惯，导致各个楼宇里面的设备标签和点位名称有很多不能理解或者不能识别的现象，有时就算是同一家供应商不同工程师进行的配置也有不同的命名习惯。比如有下面两个温度传感器的名称FCB.DDC1.CHWP-Ti1和N1_Ddc1_ChilledWaterPumpTemp2，同样都表示ddc1下面冷冻水泵温度(不同传感器)，但是命名规则完全不同。

当出现上面的问题的时候，大量的设备和点位会被忽略，从而导致管理系统不能覆盖所有的设备和传感器点位。综上，现有的楼宇自动化系统存在点位识别难问题，需要人工手动去进行处理，导致识别效率低且易出错。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高点位识别效率和准确率的楼宇设备点位识别方法、装置、计算机设备和存储介质。

一种楼宇设备点位识别方法，所述方法包括：

从楼宇自动化系统中获取点位名数据；

将所述点位名数据根据分隔符拆分成有序的标记数组；

根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；

根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；

获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；

根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；其中，所述标签路径为所述标记数组中各元素所对应的标签形成的路径；

将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

在其中一个实施例中，在根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表之前，还包括：从楼宇自动化系统中获取点位元数据。在将所述点位名数据根据分隔符拆分成有序的标记数组之后，包括：将所述点位元数据添加至所述标记数组。

在其中一个实施例中，所述将所述点位元数据添加至所述标记数组，包括：将所述点位元数据添加至所述标记数组末端。

在其中一个实施例中，所述将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果，包括：获取最大概率对应的标签路径，根据所述最大概率对应的标签路径中标签的种类确定层级，构建树状结构，并将所述树状结构作为所述标记数组的点位识别分类结果。

在其中一个实施例中，在将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果之后，包括：根据所述点位识别分类结果中每个元素的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

在其中一个实施例中，所述楼宇设备点位识别方法还包括：当所述标记数组中元素在预存标签组中无对应的标签或所述标记数组中每个元素对应于不同的标签路径的概率均为零时，获取用户对所述元素输入的标签；根据用户对所述元素输入的标签生成的标签路径，作为所述标记数组的点位识别分类结果；根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

在其中一个实施例中，所述根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表，包括：根据用户对所述元素输入的标签，计算数据库中所述元素归类为所述标签的概率，更新所述预存标签组中所述元素归类为所述标签的概率；根据用户对所述元素输入的标签和所述元素在所述标记数组所处的位置，计算数据库中所述元素对应的标签与前一元素对应的标签的转换概率，后一元素对应的标签与所述元素对应的标签的转换概率，更新所述预存转换概率表；当所述元素为所述标记数组中第一个元素时，计算数据库中所述元素为第一个元素的概率，更新所述预存初始概率表。

一种楼宇设备点位识别装置，所述装置包括：

点位名数据获取模块，用于从楼宇自动化系统中获取点位名数据；

数据拆分模块，将所述点位名数据根据分隔符拆分成有序的标记数组；

输出概率表生成模块，根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；

转换概率表生成模块，用于根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；

初始概率值获取模块，用于获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；

路径概率计算模块，用于根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；

分类结果获得模块，用于将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

从楼宇自动化系统中获取点位名数据；

将所述点位名数据根据分隔符拆分成有序的标记数组；

根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；

根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；

获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；

根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；其中，所述标签路径为所述标记数组中各元素所对应的标签形成的路径；

将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

从楼宇自动化系统中获取点位名数据；

将所述点位名数据根据分隔符拆分成有序的标记数组；

根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；

根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；

获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；

根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；其中，所述标签路径为所述标记数组中各元素所对应的标签形成的路径；

将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

上述楼宇设备点位识别方法、装置、计算机设备和存储介质，通过对数据库中位置的点位名数据，根据分隔符拆分成有序的标记数组，根据表计数据计算每个元素对应的标签概率、每个元素与前一元素对应的转换概率以及第一个元素对应的初始概率，通过隐马尔可夫模型算法，计算标记数组整体归类到的各个标签的路径的概率，选取最大概率的标签路径作为标记数组对应的分类结果，能够根据点位名拆分后的第一个元素对应的标签作为起始标签的概率、各个元素归类的标签概率、根据各个元素之间的前后顺序关系计算转换概率，提高了根据点位名数据识别点位的准确性。本申请能够快速而准确地识别数据点位，构建设备点位结构，对提高管理效率、减小系统运行错误、降低能耗起到至关重要的作用。

附图说明

图1为一个实施例中楼宇点位识别方法的应用环境图；

图2为一个实施例中楼宇点位识别方法的流程示意图；

图3为另一个实施例中楼宇点位识别方法的流程示意图；

图4为一个实施例中输出概率表的示意图；

图5为一个实施例中标签路径1的概率计算示意图；

图6为一个实施例中标签路径2的概率计算示意图；

图7为一个实施例中标签路径3的概率计算示意图；

图8为一个实施例中楼宇设备点位识别装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的楼宇设备点位识别方法，可以应用于如图1所示的应用环境中。其中，楼宇自动化系统中包括服务器、中央监控系统、操作站、冷水机系统、给排水系统、热交换系统、照明系统、变配电系统、空调机系统、新风机系统、送排风系统、电梯系统，楼宇自动化系统通过网络与浏览器通信连接，冷水机系统、给排水系统、热交换系统、照明系统、变配电系统、空调机系统、新风机系统、送排风系统、电梯系统通过上位DDC或者PLC控制器与服务器通信连接，冷水机系统、给排水系统、热交换系统、照明系统、变配电系统、空调机系统、新风机系统、送排风系统、电梯系统上具有一个或多个点位，点位包括如空调的温度、冷风机组的风压、冷风机组的温度、冷风机组的计时等。服务器从楼宇自动化系统中获取点位名数据；将所述点位名数据根据分隔符拆分成有序的标记数组；根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；其中，所述标签路径为所述标记数组中各元素所对应的标签形成的路径；将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种楼宇设备点位识别方法，包括以下步骤：

S110，从楼宇自动化系统中获取点位名数据。

其中，点位名数据为从楼宇自动化系统中获取的点位名称的数据，点位名数据通过设备网络或者系统数据库获得，例如，点位名数据为N1.DDC2.CHW-T-Diff-Set。本实施例中数据收集方式有两种：一种是通过数据收集硬件接入楼宇自动化系统的网络中进行数据收集，传回云端处理引擎；另一种是在服务器上安装数据提取软件，可以在本地进行简单处理然后传回云端处理引擎。

S120，将所述点位名数据根据分隔符拆分成有序的标记数组。

其中，在定位名数据中包括“.”、“-”、“()”等分隔符，根据分隔符能够将点位名数据拆分成多个部分，形成有序的标记数组。例如，点位名数据为N1.DDC2.CHW-T-Diff-Set，拆分成标记数组为[N1，DDC2，CHW，T，Diff，Set]。

S130，根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表。

其中，预存标签组为根据楼宇自动化系统中按照分层定义的各种设备的分类标签集合，预存标签组包括多个标签，例如，预存标签组可为{协议网络，控制器，设备，点位，指标，<结束>}，标签为协议网络、控制器、设备、点位、指标、结束。当然，除了本实施例中所例举的标签，预存标签组还可能存在其它多种标签。元素为预存标签组中对应标签的概率，在数据库中预先存储。例如，如图4所示，元素N1为标签“协议网络”的概率为0.6，元素N2为标签“协议网络”的概率为0.4，由于归类到标签“协议网络”的元素仅包含N1、N2，则根据N1、N2的占比，可计算N1、N2为标签“协议网络”的概率，同理，其它元素对应的概率，也可根据其在所述归类到标签下的元素的占比计算得到。

S140，根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得。

其中，标签与标签之间的转换概率，可以通过预存转换概率表查询获得，例如，如下表1所示，当前元素对应的标签为控制器，前一元素对应的标签为网络协议，则从网络协议到控制器的转换概率为0.7，如果当前元素对应的标签为设备，前一元素对应的标签为网络协议，则从网络协议到设备的转换概率为0.2，从表1中可以查询各个标签直接的转换概率。

表1

S150，获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值。

其中，每个标记数组中均有第一个元素，第一个元素具有对应的标签，通过在预存初始概率表查询，可以查询得到第一个元素对应的标签的初始概率值。例如，第一个元素对应的标签的初始概率:协议网络为0.8，控制器为0.2，设备为0，点位为0，指标为0，<结束>为0。当判断第一个元素N1对应的标签“协议网络”，则获得初始概率值0.8。

S160，根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；其中，所述标签路径为所述标记数组中各元素所对应的标签形成的路径。

其中，标记数组中同一元素可以归类到不同的标签，同一元素归类到不同的标签时，能够形成不同的标签路径。例如，标记数组[N1，DDC2，CHW，T，Diff，Set]，根据图4所示，元素N1对应的标签网络协议，DDC2对应的标签为控制器，CHW对应的标签为设备，T对应的标签为设备或者点位，Diff对应的标签为点位，Set对应的标签为控制器或点位，由于T对应的标签有两个，Set对应的标签有两个，可以形成四条不同的标签路径，这四条标签路径分别为：网络协议-控制器-设备-设备-点位-控制器、网络协议-控制器-设备-点位-点位-控制器、网络协议-控制器-设备-设备-点位-点位、网络协议-控制器-设备-点位-点位-点位。

具体的，如图5、图6和图7所示，计算所述标记数组中不同的标签路径的概率可通过如下方式实现：每一条标签路径，计算第一个元素下的概率累计值，第一元素下的概率累计值等于第一元素对应的标签的初始概率值与第一个元素的标签概率之积；计算第二元素下的概率累计值，第二元素下的概率累计值等于第一元素下的概率累计值、第二个元素对应的标签与第一个元素对应的标签的转换概率和第二个元素的标签概率三者之积；计算第三元素下的概率累计值，第三元素下的概率累计值等于第二元素下的概率累计值、第三个元素对应的标签与第二个元素对应的标签的转换概率和第三个元素的标签概率三者之积；依此类推，直达计算得到最后一个元素下的概率累计值，将最后一个元素下的概率累计值作为该条标签路径的概率。

S170，将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

上述楼宇设备点位识别方法中，通过对数据库中位置的点位名数据，根据分隔符拆分成有序的标记数组，根据表计数据计算每个元素对应的标签概率、每个元素与前一元素对应的转换概率以及第一个元素对应的初始概率，通过隐马尔可夫模型算法，计算标记数组整体归类到的各个标签的路径的概率，选取最大概率的标签路径作为标记数组对应的分类结果，能够根据点位名拆分后的第一个元素对应的标签作为起始标签的概率、各个元素归类的标签概率、根据各个元素之间的前后顺序关系计算转换概率，提高了根据点位名数据识别点位的准确性。本申请能够快速而准确地识别数据点位，构建设备点位结构，对提高管理效率、减小系统运行错误、降低能耗起到至关重要的作用。

在其中一个实施例中，在根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表之前，还包括：从楼宇自动化系统中获取点位元数据。在将所述点位名数据根据分隔符拆分成有序的标记数组之后，包括：将所述点位元数据添加至所述标记数组。

其中，点位元数据为描述点位的其他信息数据(除点位名以外的描述性数据)，例如，点位元数据可以为unit(单位):degree-celsius(摄氏度)，点位元数据也可为data-type(数据类型)：analog-input(模拟输入量)。

其中，所述将所述点位元数据添加至所述标记数组，包括：将所述点位元数据添加至所述标记数组末端。例如，标记数组为[N1，DDC2，CHW，T，Diff，Set]，点位元数据为degree-celsius，将点位元数据添加至所述标记数组末端后，得到标记数组为[N1，DDC2，CHW，T，Diff，Set，degree-celsius]。本实施例中，通过在标记数组末端添加点位元数据，可以提高后续标签路径的概率计算的精确度。

在其中一个实施例中，所述将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果，包括：获取最大概率对应的标签路径，根据所述最大概率对应的标签路径中标签的种类确定层级，构建树状结构，并将所述树状结构作为所述标记数组的点位识别分类结果。

其中，每个标签具有相应的层级，按照标签的层级高低依次排列，形成树状结构。例如，标记数组为[N1，DDC2，CHW，T，Diff，Set，degree-celsius]，树状结构为：

N1

DDC2

冷冻水温度差值设定

{其他点位}

{其他控制器}

{其他协议网络}

其表示为，在N1协议网络下2号DDC下添加冷冻水温度差值设定点位。

在其中一个实施例中，在将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果之后，包括：根据所述点位识别分类结果中每个元素的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。其中，在识别到新的点位后，数据库中的中点位数发生了变化，则需要重新计算元素归类为标签的概率、预存转换概率表和预存初始概率表。

在其中一个实施例中，所述楼宇设备点位识别方法，还包括：当所述标记数组中元素在预存标签组中无对应的标签或所述标记数组中每个元素对应于不同的标签路径的概率均为零时，获取用户对所述元素输入的标签；根据用户对所述元素输入的标签生成的标签路径，作为所述标记数组的点位识别分类结果；根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。本实施例中，在元素无法识别到对应的标签时，或者标签路径的概率均为零时，能够提示用户输入对所述标记数组中的每个元素输入标签，以确保对点位的识别。

在其中一个实施例中，所述根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表，包括：根据用户对所述元素输入的标签，计算数据库中所述元素归类为所述标签的概率，更新所述预存标签组中所述元素归类为所述标签的概率；根据用户对所述元素输入的标签和所述元素在所述标记数组所处的位置，计算数据库中所述元素对应的标签与前一元素对应的标签的转换概率，后一元素对应的标签与所述元素对应的标签的转换概率，更新所述预存转换概率表；当所述元素为所述标记数组中第一个元素时，计算数据库中所述元素为第一个元素的概率，更新所述预存初始概率表。

上述实施例所述楼宇设备点位识别方法，能够降低设备点位获取确认成本，提高点位数据收集效率。本申请设计的方案实现了智能化识别设备点位，并且自动构建设备系统结构，确认点位设备关系，最终自动化收集整理所有各种点位数据。本申请技术方案给用户带来的好处：

1.高比例的自动化工作，从点位扫描，到识别，构建设备点位结构等等，不需要太多人工干预，节省大量工时。确认点位和构建系统的时间可以缩短80％甚至更多。

2.智能化识别点位，准确对设备点位进行分类确认，并且打通不同协议品牌的技术壁垒，使得楼宇自动化系统里的设备点位可以很容易被组织展示，并且为后期数据分析使用提供良好基础。准确率和覆盖率都有显著提升。

3.针对基本资料不清晰的系统，可以帮助用户发现理清本身楼宇自动化系统中的系统设备和点位，起到系统结构备份的作用。

通过这种自动化智能化的设备点位识别分类，可以将确认点位和构建系统结构的时间缩短80％甚至更多，准确率和覆盖率也能够有显著提升，并且能够帮助用户发现已有系统中可能的错误和缺失的设备点位信息。根据扫描或者数据库获取的点位，我们利用设备/点位名数据(有一些系统也叫点位标签，此处统一叫点位名)和点位元数据，通过人工智能算法和模型，计算点位的分类和指标概率，选取最大可能的分类，构建设备点位结构。

在一具体的实施例中，如图3所示，一种楼宇设备点位识别方法包括：

输入数据包括点位名数据和点位元数据；其中，通过设备网络或者系统数据库获得系统中各个数据点位名数据以及相应的点位元数据。

第一步：拆分标记；将点位名数据根据分隔符拆成有序的标记数组，例如：chwp，ddc等出现在点位名中由一些特殊字符分隔的字母数字组合，拆分以后，形成一个为后续处理准备的数组数据结构。

第二步(可选)：添加其他的点位元数据进入数组作为辅助计算参数，例如点位信息中，描述点位单位的信息(unit:degree-celcius摄氏度)，描述点位数据类型的信息(data-type：analog-input，模拟输入量)。点位元数据主要包括描述点位的其他信息数据(除点位名以外的描述性数据)。

第三步：应用基于统计学的人工智能算法和模型对标记数组进行概率计算，得到最大概率的标签路径。此标签路径包括了该点位所属的协议网络、控制器、设备、点位指标等等，点位指标就是点位名+数据指标，例如“温度差设定”。

具体为：

1.根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表。输出概率表就是一张含有所有标签可能输出概率的二维表。

2.根据数据库中所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表(P(标签a-标签b))。隐马尔可夫模型是建立在有限状态机的基础上，可以理解为要判断的标签是某种状态，那么标记数组里的某个标记所能推导出的标签到下一个标记所能推导出的标签就是一个状态转换的过程。从某个标签转到下一个标签是有概率的，0表示不可能，1表示下一个标签只有从这个标签转过来，例如标签(控制器)只能跟在标签(网络协议)后面出现。转换概率表的形式和上面的输出概率表类似，是一张从所有状态到其他状态的概率数2维表。通过统计计算数据库里所有标签到所有标签的概率生成。

3.根据数据库中起始标签的分布，生成初始概率表(P(标签a…))。起始标签是指能进行第一个(状态)运算的标签。

4.根据所述输出概率表、所述转换概率表和所述初始概率值，按照标记数组的标记顺序，计算每个标记所反映的设备点位标签路径的概率。

6.通过比较获得最大的数字(概率)的标签路径既是我们找到的标签组合

第四步：将得到的最大概率的标签路径构建树状结构，加入到楼宇设备结构中去，存储进入数据库。构建树状结构，根据各个标签的种类，确定层级，比如最高层是网络协议，之后是控制器，再之后是设备，设备下面挂载点位。可以想象是计算机数据结构里的树，根节点是网络协议，下面的子节点是控制器，控制器的子节点是设备，设备下面挂载的点位是叶。

第五步(可选)：将该点位名识别过程得到的标签，添加进隐马尔可夫模型的概率表中，增加训练点位。

第六步(可选)：如果有未识别出的点位，需要人工标注，同时输入模型，重新训练。

例如，如图5、图6和图7所示，得到三条标签路径，分别为标签路径1、标签路径2和标签路径3，标签路径1计算得到概率为0.000003455，标签路径2计算得到概率为0.000000036，标签路径3计算得到概率0.000000054，明显的标签路径1计算得到概率最大，将标签路径1作为所述标记数组的点位识别分类结果，标签路径1为协议网络-控制器-设备-点位-点位-点位-指标。

应该理解的是，虽然图2-图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种楼宇设备点位识别装置，包括：点位名数据获取模块210、数据拆分模块220、输出概率表生成模块230、转换概率表生成模块240、初始概率值获取模块250、路径概率计算模块260和分类结果获得模块270，其中：

点位名数据获取模块210，用于从楼宇自动化系统中获取点位名数据。

数据拆分模块220，将所述点位名数据根据分隔符拆分成有序的标记数组。

输出概率表生成模块230，根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表。

转换概率表生成模块240，用于根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得。

初始概率值获取模块250，用于获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值。

路径概率计算模块260，用于根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率。

分类结果获得模块270，用于将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

在其中一个实施例中，所述楼宇设备点位识别装置，还包括：点位元数据获取模块，用于从楼宇自动化系统中获取点位元数据；数据添加模块，用于将所述点位元数据添加至所述标记数组

在其中一个实施例中，所述数据添加模块，还用于将所述点位元数据添加至所述标记数组末端。

在其中一个实施例中，所述分类结果获得模块270，还用于获取最大概率对应的标签路径，根据所述最大概率对应的标签路径中标签的种类确定层级，构建树状结构，并将所述树状结构作为所述标记数组的点位识别分类结果。

在其中一个实施例中，所述楼宇设备点位识别装置，还包括：概率更新模块，用于根据所述点位识别分类结果中每个元素的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

在其中一个实施例中，所述楼宇设备点位识别装置，还包括：标签输入模块，用于当所述标记数组中元素在预存标签组中无对应的标签或所述标记数组中每个元素对应于不同的标签路径的概率均为零时，获取用户对所述元素输入的标签；所述分类结果获得模块270，还用于根据用户对所述元素输入的标签生成的标签路径，作为所述标记数组的点位识别分类结果；概率更新模块，用于根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

在其中一个实施例中，所述概率更新模块包括：标签概率更新单元，用于根据用户对所述元素输入的标签，计算数据库中所述元素归类为所述标签的概率，更新所述预存标签组中所述元素归类为所述标签的概率；转换概率更新单元，用于根据用户对所述元素输入的标签和所述元素在所述标记数组所处的位置，计算数据库中所述元素对应的标签与前一元素对应的标签的转换概率，后一元素对应的标签与所述元素对应的标签的转换概率，更新所述预存转换概率表；初始概率更新单元，用于当所述元素为所述标记数组中第一个元素时，计算数据库中所述元素为第一个元素的概率，更新所述预存初始概率表。

关于楼宇设备点位识别装置的具体限定可以参见上文中对于楼宇设备点位识别方法的限定，在此不再赘述。上述楼宇设备点位识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于预存转换概率表、预存初始概率表数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种楼宇设备点位识别方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种楼宇设备点位识别方法，其特征在于，所述方法包括：

从楼宇自动化系统中获取点位名数据；

将所述点位名数据根据分隔符拆分成有序的标记数组；

从楼宇自动化系统中获取点位元数据；

将所述点位元数据添加至所述标记数组末端；

根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；其中，预存标签组为根据楼宇自动化系统中按照分层定义的各种设备的分类标签集合，预存标签组包括多个标签；

根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；

获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；

根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；其中，所述标签路径为所述标记数组中各元素所对应的标签形成的路径；

将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

2.根据权利要求1所述的方法，其特征在于，所述将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果，包括：

获取最大概率对应的标签路径，根据所述最大概率对应的标签路径中标签的种类确定层级，构建树状结构，并将所述树状结构作为所述标记数组的点位识别分类结果。

3.根据权利要求1所述的方法，其特征在于，在将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果之后，包括：

根据所述点位识别分类结果中每个元素的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

4.根据权利要求1所述的方法，其特征在于，还包括：

当所述标记数组中元素在预存标签组中无对应的标签或所述标记数组中每个元素对应于不同的标签路径的概率均为零时，获取用户对所述元素输入的标签；

根据用户对所述元素输入的标签生成的标签路径，作为所述标记数组的点位识别分类结果；

根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

5.根据权利要求4所述的方法，其特征在于，所述根据用户对所述元素输入的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表，包括：

根据用户对所述元素输入的标签，计算数据库中所述元素归类为所述标签的概率，更新所述预存标签组中所述元素归类为所述标签的概率；

根据用户对所述元素输入的标签和所述元素在所述标记数组所处的位置，计算数据库中所述元素对应的标签与前一元素对应的标签的转换概率，后一元素对应的标签与所述元素对应的标签的转换概率，更新所述预存转换概率表；

当所述元素为所述标记数组中第一个元素时，计算数据库中所述元素为第一个元素的概率，更新所述预存初始概率表。

6.一种楼宇设备点位识别装置，其特征在于，所述装置包括：

点位名数据获取模块，用于从楼宇自动化系统中获取点位名数据；

数据拆分模块，将所述点位名数据根据分隔符拆分成有序的标记数组；

输出概率表生成模块，根据所述标记数组中每个元素为预存标签组中对应标签的概率，获得所述标记数组中每个元素的标签概率，生成输出概率表；

转换概率表生成模块，用于根据所述标记数组中当前元素对应的标签与前一元素对应的标签的转换概率，生成转换概率表；其中，当前元素对应的标签与前一元素对应的标签的转换概率从预存转换概率表中查询获得；

初始概率值获取模块，用于获取所述标记数组中第一个元素对应的标签在预存初始概率表中对应的初始概率值；

路径概率计算模块，用于根据所述输出概率表、所述转换概率表和所述初始概率值，通过隐马尔可夫模型算法，计算所述标记数组中不同的标签路径的概率；

分类结果获得模块，用于将最大概率对应的标签路径，作为所述标记数组的点位识别分类结果。

7.根据权利要求6所述的装置，其特征在于，所述分类结果获得模块，还用于获取最大概率对应的标签路径，根据所述最大概率对应的标签路径中标签的种类确定层级，构建树状结构，并将所述树状结构作为所述标记数组的点位识别分类结果。

8.根据权利要求6所述的装置，其特征在于，还包括：

概率更新模块，用于根据所述点位识别分类结果中每个元素的标签，更新所述预存标签组中所述元素归类为所述标签的概率、预存转换概率表和预存初始概率表。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

Images