CN115577708A - 基于nlp的暖通末端设备维修保养作业自动派单方法 - Google Patents

基于nlp的暖通末端设备维修保养作业自动派单方法 Download PDF

Info

Publication number
CN115577708A
CN115577708A CN202211386795.5A CN202211386795A CN115577708A CN 115577708 A CN115577708 A CN 115577708A CN 202211386795 A CN202211386795 A CN 202211386795A CN 115577708 A CN115577708 A CN 115577708A
Authority
CN
China
Prior art keywords
fault
maintenance
heating
terminal equipment
work order
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
CN202211386795.5A
Other languages
English (en)
Inventor
蒋海刚
许芸
夏臻
唐林峰
凌瑞
朱贇
吴增强
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.)
Shanghai Installation Engineering Group Co Ltd
Original Assignee
Shanghai Installation Engineering Group Co Ltd
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 Shanghai Installation Engineering Group Co Ltd filed Critical Shanghai Installation Engineering Group Co Ltd
Priority to CN202211386795.5A priority Critical patent/CN115577708A/zh
Publication of CN115577708A publication Critical patent/CN115577708A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于NLP技术的暖通末端设备维修保养作业自动派单方法，属于民用建筑机电智能化运维技术领域。本发明的一种基于NLP技术的暖通末端设备维修保养作业自动派单方法，从源系统抽取暖通末端设备维修和保养的工单数据集，依据中文分词器配置设定进行维保文本内容的中文分词工作。为解决人工工单分配模式，由于受到工作时间限制无法做到全覆盖响应用户报修信息，影响暖通末端设备处置及时性的问题，通过训练和调试完成暖通末端设备维修和保养故障分类自动标注单元，制作暖通末端设备维修和保养工单的故障自动识别装置，并在此基础上构建暖通末端设备故障处理决策表通过机器学习方式实现暖通末端设备维保工单的自动分配。

Description

基于NLP的暖通末端设备维修保养作业自动派单方法
技术领域
本发明涉及民用建筑机电智能化运维技术领域，具体为基于NLP的暖通末端设备维修保养作业自动派单方法。
背景技术
随着建筑全生命周期概念的逐步普及并深入到建筑设施管理的运维阶段，越来越多的建筑设施运维项目正处于数字化运维的转型阶段，在这些采用建筑数字化运维的项目中一般都会使用建筑设施管理系统，用于建筑物内的设备维修和保养管理实现建筑物内设备维保作业的数字化管理。传统的暖通末端设备维修和保养的作业是由客服人员接到暖通设备的用户报障或系统告警后，依据经验将维修和保养工单指派到对应的暖通作业班组执行，此种派工方式依赖客服人员的经验判断，存在着人工派工速度滞后现场要求的情况发生，造成暖通末端设备维修服务滞后等问题的产生，根据统计人工派单方式暖通末端设备维修工单处理及时率仅为85%，末端节点设备是面向最终用户，因此会造成用户服务满意度下降。
1）在实际派工过程中会存在暖通维修和保养工单报障问题描述同具体暖通末端设备维修专业分类不同的问题产生，导致“误派工”事件发生概率约为15%，由于“误派工”会导致工单被分配到错误维修对象，进而工单正确响应时间变长，导致客户服务体验差。
2）既有工单分配方式是依赖人工，因此派单速度和正确性依赖人员经验和判断，当工单量派单负荷大时候会出现人为失误导致工单分配到错误作业班组，影响工单执行及时性。根据数据显示人为失误导致“误派工”概率约3%-5%。
3）人工工单分配模式，由于受到工作时间限制无法做到7*24的全覆盖响应用户报修信息，影响暖通末端设备处置及时性；因此，不满足现有的需求，对此提出了基于NLP的暖通末端设备维修保养作业自动派单方法。
发明内容
本发明的目的在于提供基于NLP的暖通末端设备维修保养作业自动派单方法，通过对暖通末端设备维保工单描述中文文本语义的机器学习，搭建并配置暖通末端设备故障分类器预测模型网络和参数，通过训练和调试完成暖通末端设备维修和保养故障分类自动标注单元，制作暖通末端设备维修和保养工单的故障自动识别装置，并在此基础上构建暖通末端设备故障处理决策表通过机器学习方式实现暖通末端设备维保工单的自动分配，可以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：基于NLP的暖通末端设备维修保养作业自动派单方法，包括如下步骤：
步骤一：从源系统抽取暖通末端设备维修和保养的工单数据集，依据中文分词器配置设定进行维保文本内容的中文分词工作，为了保证分词效果正确，应预先设置停用词库将无意义的分词结果排除；
步骤二：根据维保工单装置属性从原始工单文本中抽取所述目标关键词，可以包括：设备位置关键词、设备故障问题类型关键词中的至少之一；
所述设备位置关键词，可以包括：所述建筑维修工单集合的每条建筑维修工单所对应的建筑、楼层、空间和房间的名称及编号信息中的至少之一；
所述设备故障关键词可包括：暖通末端设备、暖通末端节点和暖通末端设备构件的名称、编号至少之一；
所述问题类型关键词，可以包括：建筑维修中的常见问题描述和常用词语中的至少之一；
步骤三：搭建故障分类器网络，并配置预训练模型参数和训练、测试数据集路径后启动故障分类器的预训练过程，在预训练结束后进行故障分类器效果评估，并根据评估结果进行模型预训练过程迭代调适；
步骤四：自动派工装置在配置故障流程节点自动判断时，应制作该单元决策表判断机构，确定暖通末端设备故障判断规则的个数，有n个条件的决策表有2n个规则；
列出暖通末端设备故障判断的所有条件桩和动作桩；
填入判断暖通末端设备故障判断的条件项；
填入暖通末端设备故障处理的动作项，得到初始决策表；
简化故障决策表，合并相似规则；
采用ID3算法为基准，测算其装置决策信息增益计算公式如下：
暖通末端设备故障决策信息熵公式：
Figure 100002_DEST_PATH_IMAGE002
分别计算出风量、制冷效果、制热效果、其他四列公式：
Figure 100002_DEST_PATH_IMAGE004
信息增益公式：
Figure 100002_DEST_PATH_IMAGE006
最后选择信息增益最高的一个属性进行分裂；
步骤五：暖通末端设备维修和保养工单派单动态工作量评估装置单元设置， 该处理单元装置派工约束条件为作业队列长度、作业工作质量、作业时长三个因素，装置选择逻辑为当前作业队列长度最小且作业工作质量最高且历史作业时长最短的候选作业人员指派维保工单；
步骤六：在自动派工装置同建筑设施管理系统联动机构设置上，对故障类型按照标准映射流程进行维修服务流程规则库设定；
步骤七：在自动派工装置同建筑设施管理系统联动机构设置上，对故障类型按照标准映射流程进行工单触发流程适用性验证。
优选的，所述步骤一中，对抽取维保工单数据集按8:2比例进行训练集和测试集的数据切分，对训练集和测试集进行数据类别标注。
优选的，所述步骤一中，暖通末端维修保养作业自动派单装置包括暖通末端设备维修和保养中文语料库、停用词库、故障分类器预训练模型、故障类别决策判断表、服务流程库、派单联动机构、工单执行机构、工单规则库、维修和保养评价单元；
暖通末端设备维修和保养中文语料库：由维修和保养词汇表和词频组成，是对暖通末端设备维保工单进行中文分词后，根据一般维保词汇和暖通末端设备专有词汇进行词库设置；
停用词库：由停用词汇表组成，能将无需要的或者无意义的词汇进行排除；
故障分类器预训练模型：由分类器网络模型、预训练数据集、测试数据集组成，依据暖通末端设备故障分类数据标注的结果进行暖通末端设备故障分类器的预训练用于产生针对暖通末端设备故障报修文本语义特征识别的预测模型输出；
故障类别决策判断表：由故障代码、故障描述、故障类型、作业班组组成，基于决策表机制构建暖通末端设备指派作业班组的判断逻辑，并设定服务优先级；
服务流程库：由故障代码、服务流程代码、服务流程优先级组成，依据故障类别决策判断表识别的服务优先级和故障分类器识别故障类型进行工单服务流程匹配；
派单联动机构：由服务流程代码、工单流程代码、触发指令组成，依据服务流程库设定的派单规则进行工单分配动作；
工单执行机构：工单工作流引擎和工单消息通知模块组成，依据派单联动机构消息机制触发工单工作流引擎动作；
工单规则库：服务流程代码、维修班组代码组成，依据工单规则库生成短信通知维修人员；
维修和保养评价单元：工单处理单元、工单评价单元、评价标准库组成，依据工单处理记录进行统计分析，评估维修和保养执行情况。
优选的，所述工单处理单元包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行以上所述的暖通末端设备维修工单分析方法。
优选的，所述装置应最少配置有两个联动执行机构用于触发维保工单生成，每个联动执行机构能单独执行、同时也能并行执行，满足在不同工作载荷条件下的派单处理需求。
优选的，所述步骤三中，在预训练模型调适完成后，将调适后的推理模型封装到自动派工装置端部署调用。
优选的，所述步骤四中，暖通末端设备故障决策树算法流程，包括如下步骤：
S1：参数初始化；
S2：创建故障节点；
S3：如果故障类型代码都属于同一决策类，则该故障节点作为叶节点；
S4：如果决策表属性集合为空，则该故障节点作为叶节点；
S5：选择故障决策表属性集合中条件熵下降最大属性a，则该节点标记设为属性a；
S6：将故障类型按照属性a进行划分；
S7：由故障节点长出一个条件为属性a的分支；
S8：设s是故障类型集合中属性a的样本集合；
S9：如果s为空，加上一个叶节点
S10：否则加上一个故障类型集合为s，并属性集合为提出属性α的属性集合的返回节点，返回S2；
S11：输出最终暖通末端设备故障决策树。
优选的，所述步骤六中，装置故障响应等级分为三个级别：
Level1： 非常紧急，维修作业需要在15分钟响应；
Level2：紧急，维修作业需要在1小时内响应；
Level3：一般，维修作业需要在4小时内响应。
优选的，所述步骤六中，维修服务流程规则库设定包括故障决策代码、故障响应等级、预计维修时长、故障升级的时长、故障处理作业班组、故障处理作业人。
优选的，所述步骤七中，对联动机构的响应机构进行装置鲁棒性和一定作业负载下的压力强度测试，保证联动机构能在设计的作业负荷内正常工作。
与现有技术相比，本发明的有益效果是：
1、本发明采用NLP中文语义识别与分析技术，因此可以实现在不修改既有建筑设施管理系统工单处理装置及其附属配套执行机构的基础上，通过附加接口机构联动装置实现暖通末端设备故障的自动分类和派单指令传输，而基于NLP技术的自动派工装置同传统的派工方式相比其优势如下：
1）可以显著降低客服人员的派单作业工作负荷约达90%以上；
2） 降低暖通末端设备维保派单的错误率约10%；
3）提升暖通末端设备的维修和保养绩效约30%；
4）显著的缩短建筑暖通末端设备的故障处理时间约50%。
附图说明
图1为本发明所述自动派工方法的数据流程图；
图2为本发明所述自动派工装置的配置示意图；
图3为本发明所述的暖通末端设备故障决策树；
图4为本发明所述的暖通末端设备故障诊断决策树生成算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
请参阅图1-4，本发明提供的一种实施例：基于NLP的暖通末端设备维修保养作业自动派单方法，包括如下步骤：
步骤一：从源系统抽取暖通末端设备维修和保养的工单数据集，依据中文分词器配置设定进行维保文本内容的中文分词工作，为了保证分词效果正确，应预先设置停用词库将无意义的分词结果排除；
步骤二：根据维保工单装置属性从原始工单文本中抽取目标关键词，可以包括：设备位置关键词、设备故障问题类型关键词中的至少之一；
设备位置关键词，可以包括：建筑维修工单集合的每条建筑维修工单所对应的建筑、楼层、空间和房间的名称及编号信息中的至少之一；
设备故障关键词可包括：暖通末端设备、暖通末端节点和暖通末端设备构件的名称、编号至少之一；
问题类型关键词，可以包括：建筑维修中的常见问题描述和常用词语中的至少之一；
步骤三：搭建故障分类器网络，并配置预训练模型参数和训练、测试数据集路径后启动故障分类器的预训练过程，在预训练结束后进行故障分类器效果评估，并根据评估结果进行模型预训练过程迭代调适；
模型启动参数配置
参数 缺省值 优化值
loss squared_hinge· hinge
fit_intercept True False
intercept_scaling 1 0.33
class_weight None balanced
verbose 0 1
max_iter 1000 3000
步骤四：自动派工装置在配置故障流程节点自动判断时，应制作该单元决策表判断机构，确定暖通末端设备故障判断规则的个数，有n个条件的决策表有2n个规则；
列出暖通末端设备故障判断的所有条件桩和动作桩；
填入判断暖通末端设备故障判断的条件项；
填入暖通末端设备故障处理的动作项，得到初始决策表；
简化故障决策表，合并相似规则；
采用ID3算法为基准，测算其装置决策信息增益计算公式如下：
暖通末端设备故障决策信息熵公式：
Figure DEST_PATH_IMAGE007
分别计算出风量、制冷效果、制热效果、其他四列公式：
Figure 376019DEST_PATH_IMAGE004
信息增益公式：
Figure DEST_PATH_IMAGE008
最后选择信息增益最高的一个属性进行分裂；
步骤五：暖通末端设备维修和保养工单派单动态工作量评估装置单元设置， 该处理单元装置派工约束条件为作业队列长度、作业工作质量、作业时长三个因素，装置选择逻辑为当前作业队列长度最小且作业工作质量最高且历史作业时长最短的候选作业人员指派维保工单；
工单队列最小化函数f1(x)如下：f1(x)＝MaxQ
Figure DEST_PATH_IMAGE010
（1）
公式1：M为作业人员工单集合中工单数量，W为所述已派发集合中的第i个工单；
工单完成满意度之和最大化函数f2(x)如下：f2(x)＝MaxS
Figure DEST_PATH_IMAGE012
（2）
公式2：M为所述备选作业人员历史工单数量，W为所述历史工单的第i个工单，为该作业人员历史工单W历史完成满意度；
工单完成时间之和最小化函数f3(x)如下：f3(x)＝MinT
Figure DEST_PATH_IMAGE014
（3）
公式3：作业人员历史完成工单W的历史平均完成时间；
待派发工单集合，所述约束条件包括工作状态（队列长度）约束条件、历史工作质量约束条件和历史完成时间约束条件的同时满足；
步骤六：在自动派工装置同建筑设施管理系统联动机构设置上，对故障类型按照标准映射流程进行维修服务流程规则库设定；
步骤七：在自动派工装置同建筑设施管理系统联动机构设置上，对故障类型按照标准映射流程进行工单触发流程适用性验证。
步骤一中，对抽取维保工单数据集按8:2比例进行训练集和测试集的数据切分，对训练集和测试集进行数据类别标注。
步骤一中，暖通末端维修保养作业自动派单装置包括暖通末端设备维修和保养中文语料库、停用词库、故障分类器预训练模型、故障类别决策判断表、服务流程库、派单联动机构、工单执行机构、工单规则库、维修和保养评价单元；
暖通末端设备维修和保养中文语料库：由维修和保养词汇表和词频组成，是对暖通末端设备维保工单进行中文分词后，根据一般维保词汇和暖通末端设备专有词汇进行词库设置，由于实现暖通末端设备维修和保养的自动分类和识别，需要基于NLP技术的中文语义识别，因此需要首先构建暖通末端设备维保的中文语料库，为了排除无意义的维保词汇影响语料库的判断应设置停用词库解决，提高语料库的分析和识别质量；
停用词库：由停用词汇表组成，能将无需要的或者无意义的词汇进行排除；
故障分类器预训练模型：由分类器网络模型、预训练数据集、测试数据集组成，依据暖通末端设备故障分类数据标注的结果进行暖通末端设备故障分类器的预训练用于产生针对暖通末端设备故障报修文本语义特征识别的预测模型输出；
故障类别决策判断表：由故障代码、故障描述、故障类型、作业班组组成，基于决策表机制构建暖通末端设备指派作业班组的判断逻辑，并设定服务优先级；
服务流程库：由故障代码、服务流程代码、服务流程优先级组成，依据故障类别决策判断表识别的服务优先级和故障分类器识别故障类型进行工单服务流程匹配，在暖通末端设备维修和保养故障分类器预训练完成后，构建暖通末端设备维保故障分类与暖通末端设备维保流程的规则库，其中应包括暖通末端设备故障分类与维保流程的映射关系、末端设备维保分类服务等级设置、末端设备维保工时阈值、末端设备维保事件升级规则，同时规定所述暖通末端设备维修和保养作业自动派单装置配置调试完成后，其装置内设定的服务流程和规范应同时符合国家对于民用建筑机电维修和保养规范中建筑暖通系统部分的要求；
暖通末端设备故障判断决策表
代码 问题描述 电气问题 机械问题 环境问题 决策
01-1 出风量小 Y N N 电机损坏
01-2 出风量小 N Y N 吊柜，盘管内的风机不转
01-3 出风量小 N N Y 吊柜，盘管的回风口被尘埃堵塞
02-1 制热效果差 Y N N 电机自身损坏
02-2 制热效果差 N Y N 吊柜，盘管内的风机不转
02-3 制热效果差 N N Y 吊柜，盘管的回风口被尘埃堵塞
03-1 制冷效果差 Y N N 电机自身损坏
03-2 制热效果差 N Y N 吊柜，盘管内的风机不转
03-3 制热效果差 N N Y 吊柜，盘管的回风口被尘埃堵塞
04-1 不制热 Y N N 电动二通阀损坏，更换电动二通阀
04-2 不制热 N N Y 滤网被杂质污物堵塞；拆下过滤网用水清洗
05-1 不制冷 Y N N 电动二通阀损坏，更换电动二通阀
05-2 不制冷 N N Y 滤网被杂质污物堵塞；拆下过滤网用水清洗
暖通末端设备故障工单处理规则配置表
Figure DEST_PATH_IMAGE016
派单联动机构：由服务流程代码、工单流程代码、触发指令组成，依据服务流程库设定的派单规则进行工单分配动作，自动派工装置的暖通末端设备故障分类与故障服务流程的映射关系是一个可配置的决策树判断处理单元，使派工装置可以依据不同业务场景进行用户端的决策表装置机构的配置，装置会依据配置结果通过决策二分法查找到最匹配的符合故障业务场景的暖通末端设备服务流程节点，并激活该节点下的建筑设施管理系统工单服务工作流引擎执行机构动作，自动派工装置计算作业班组工作负荷的优化算法和评估作业任务复杂度的判断逻辑，因此自动派工装置能动态评估各作业执行人的当前工作负荷，有效将维保工单赋予最合适的作业执行人，避免暖通末端设备维保作业执行人之间工作负荷不均衡问题的发生；
工单执行机构：工单工作流引擎和工单消息通知模块组成，依据派单联动机构消息机制触发工单工作流引擎动作；
工单规则库：服务流程代码、维修班组代码组成，依据工单规则库生成短信通知维修人员；
维修和保养评价单元：工单处理单元、工单评价单元、评价标准库组成，依据工单处理记录进行统计分析，评估维修和保养执行情况。
工单处理单元包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，多条指令，用于由存储器存储，并由处理器加载并执行以上的暖通末端设备维修工单分析方法。
装置应最少配置有两个联动执行机构用于触发维保工单生成，每个联动执行机构能单独执行、同时也能并行执行，满足在不同工作载荷条件下的派单处理需求。
步骤三中，在预训练模型调适完成后，将调适后的推理模型封装到自动派工装置端部署调用。
步骤四中，暖通末端设备故障决策树算法流程，包括如下步骤：
S1：参数初始化；
S2：创建故障节点；
S3：如果故障类型代码都属于同一决策类，则该故障节点作为叶节点；
S4：如果决策表属性集合为空，则该故障节点作为叶节点；
S5：选择故障决策表属性集合中条件熵下降最大属性a，则该节点标记设为属性a；
S6：将故障类型按照属性a进行划分；
S7：由故障节点长出一个条件为属性a的分支；
S8：设s是故障类型集合中属性a的样本集合；
S9：如果s为空，加上一个叶节点
S10：否则加上一个故障类型集合为s，并属性集合为提出属性α的属性集合的返回节点，返回S2；
S11：输出最终暖通末端设备故障决策树。
步骤六中，装置故障响应等级分为三个级别：
Level1： 非常紧急，维修作业需要在15分钟响应；
Level2：紧急，维修作业需要在1小时内响应；
Level3：一般，维修作业需要在4小时内响应。
步骤六中，维修服务流程规则库设定包括故障决策代码、故障响应等级、预计维修时长、故障升级的时长、故障处理作业班组、故障处理作业人。
步骤七中，对联动机构的响应机构进行装置鲁棒性和一定作业负载下的压力强度测试，保证联动机构能在设计的作业负荷内正常工作。
工作原理，建立某三甲医院暖通末端设备故障中文语料库，并将无用的和无意义的词汇进行排除，将某三甲医院暖通末端设备故障维保工单进行数据标注，并将标注好的数据集放入故障自动分类器中进行预训练，生成建工医院暖通末端设备故障分类器，配置某三甲医院暖通末端设备故障类型决策表，并根据故障类型和维保专业类型进行工单服务类型配置，配置工单服务类型与工单执行机构的联动触发装置，通过上述配置后，本发明所述装置可以自动根据用户报障信息进行暖通末端设备故障工单的自动分配。通过本发明所述装置，某三甲医院缩短暖通末端设备的维修和保养作业时长 50%，显著减少客服人员派单的工作量达95%，派单错误率下降20%，同时提升运维人员处置效率达15%，其维保人员综合效率提升8%。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于NLP的暖通末端设备维修保养作业自动派单方法，其中，包括如下步骤：
步骤一：从源系统抽取暖通末端设备维修和保养的工单数据集，依据中文分词器配置设定进行维保文本内容的中文分词工作；
步骤二：根据维保工单装置属性从原始工单文本中抽取目标关键词，目标关键词包括：设备位置关键词、设备故障问题类型关键词中的至少之一；
所述设备位置关键词，包括：所述建筑维修工单集合的每条建筑维修工单所对应的建筑、楼层、空间和房间的名称及编号信息中的至少之一；
所述设备故障关键词包括：暖通末端设备、暖通末端节点和暖通末端设备构件的名称、编号至少之一；
所述问题类型关键词包括：建筑维修中的常见问题描述和常用词语中的至少之一；
步骤三：搭建故障分类器网络，并配置预训练模型参数和训练、测试数据集路径后启动故障分类器的预训练过程，在预训练结束后进行故障分类器效果评估，并根据评估结果进行模型预训练过程迭代调适；
步骤四：自动派工装置在配置故障流程节点自动判断时，应制作该单元决策表判断机构，确定暖通末端设备故障判断规则的个数，有n个条件的决策表有2n个规则；
列出暖通末端设备故障判断的所有条件桩和动作桩；
填入判断暖通末端设备故障判断的条件项；
填入暖通末端设备故障处理的动作项，得到初始决策表；
简化故障决策表，合并相似规则；
采用ID3算法为基准，测算其装置决策信息增益计算公式如下：
暖通末端设备故障决策信息熵公式：
Figure DEST_PATH_IMAGE002
分别计算出风量、制冷效果、制热效果、其他四列公式：
Figure DEST_PATH_IMAGE004
信息增益公式：
Figure DEST_PATH_IMAGE006
最后选择信息增益最高的一个属性进行分裂；
步骤五：暖通末端设备维修和保养工单派单动态工作量评估装置单元设置，该处理单元装置派工约束条件为作业队列长度、作业工作质量、作业时长三个因素，装置选择逻辑为当前作业队列长度最小且作业工作质量最高且历史作业时长最短的候选作业人员指派维保工单；
步骤六：在自动派工装置同建筑设施管理系统联动机构设置上，对故障类型按照标准映射流程进行维修服务流程规则库设定；
步骤七：在自动派工装置同建筑设施管理系统联动机构设置上，对故障类型按照标准映射流程进行工单触发流程适用性验证。
2.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤一中，对抽取维保工单数据集按8:2比例进行训练集和测试集的数据切分，对训练集和测试集进行数据类别标注。
3.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤一中，暖通末端维修保养作业自动派单装置包括暖通末端设备维修和保养中文语料库、停用词库、故障分类器预训练模型、故障类别决策判断表、服务流程库、派单联动机构、工单执行机构、工单规则库、维修和保养评价单元；
暖通末端设备维修和保养中文语料库：由维修和保养词汇表和词频组成，是对暖通末端设备维保工单进行中文分词后，根据一般维保词汇和暖通末端设备专有词汇进行词库设置；
停用词库：由停用词汇表组成，能将无需要的或者无意义的词汇进行排除；
故障分类器预训练模型：由分类器网络模型、预训练数据集、测试数据集组成，依据暖通末端设备故障分类数据标注的结果进行暖通末端设备故障分类器的预训练用于产生针对暖通末端设备故障报修文本语义特征识别的预测模型输出；
故障类别决策判断表：由故障代码、故障描述、故障类型、作业班组组成，基于决策表机制构建暖通末端设备指派作业班组的判断逻辑，并设定服务优先级；
服务流程库：由故障代码、服务流程代码、服务流程优先级组成，依据故障类别决策判断表识别的服务优先级和故障分类器识别故障类型进行工单服务流程匹配；
派单联动机构：由服务流程代码、工单流程代码、触发指令组成，依据服务流程库设定的派单规则进行工单分配动作；
工单执行机构：工单工作流引擎和工单消息通知模块组成，依据派单联动机构消息机制触发工单工作流引擎动作；
工单规则库：服务流程代码、维修班组代码组成，依据工单规则库生成短信通知维修人员；
维修和保养评价单元：工单处理单元、工单评价单元、评价标准库组成，依据工单处理记录进行统计分析，评估维修和保养执行情况。
4.根据权利要求3所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述工单处理单元包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行以上所述的暖通末端设备维修工单分析方法。
5.根据权利要求3所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述装置应最少配置有两个联动执行机构用于触发维保工单生成，每个联动执行机构能单独执行、同时也能并行执行，满足在不同工作载荷条件下的派单处理需求。
6.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤三中，在预训练模型调适完成后，将调适后的推理模型封装到自动派工装置端部署调用。
7.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤四中，暖通末端设备故障决策树算法流程，包括如下步骤：
S1：参数初始化；
S2：创建故障节点；
S3：如果故障类型代码都属于同一决策类，则该故障节点作为叶节点；
S4：如果决策表属性集合为空，则该故障节点作为叶节点；
S5：选择故障决策表属性集合中条件熵下降最大属性a，则该节点标记设为属性a；
S6：将故障类型按照属性a进行划分；
S7：由故障节点长出一个条件为属性a的分支；
S8：设s是故障类型集合中属性a的样本集合；
S9：如果s为空，加上一个叶节点
S10：否则加上一个故障类型集合为s，并属性集合为提出属性α的属性集合的返回节点，返回S2；
S11：输出最终暖通末端设备故障决策树。
8.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤六中，装置故障响应等级分为三个级别：
Level1： 非常紧急，维修作业需要在15分钟响应；
Level2：紧急，维修作业需要在1小时内响应；
Level3：一般，维修作业需要在4小时内响应。
9.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤六中，维修服务流程规则库设定包括故障决策代码、故障响应等级、预计维修时长、故障升级的时长、故障处理作业班组、故障处理作业人。
10.根据权利要求1所述的基于NLP的暖通末端设备维修保养作业自动派单方法，其特征在于：所述步骤七中，对联动机构的响应机构进行装置鲁棒性和一定作业负载下的压力强度测试。
CN202211386795.5A 2022-11-07 2022-11-07 基于nlp的暖通末端设备维修保养作业自动派单方法 Pending CN115577708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211386795.5A CN115577708A (zh) 2022-11-07 2022-11-07 基于nlp的暖通末端设备维修保养作业自动派单方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211386795.5A CN115577708A (zh) 2022-11-07 2022-11-07 基于nlp的暖通末端设备维修保养作业自动派单方法

Publications (1)

Publication Number Publication Date
CN115577708A true CN115577708A (zh) 2023-01-06

Family

ID=84589714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211386795.5A Pending CN115577708A (zh) 2022-11-07 2022-11-07 基于nlp的暖通末端设备维修保养作业自动派单方法

Country Status (1)

Country Link
CN (1) CN115577708A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449809A (zh) * 2023-06-16 2023-07-18 成都瀚辰光翼生物工程有限公司 一种故障处理方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449809A (zh) * 2023-06-16 2023-07-18 成都瀚辰光翼生物工程有限公司 一种故障处理方法、装置、电子设备及存储介质
CN116449809B (zh) * 2023-06-16 2023-09-05 成都瀚辰光翼生物工程有限公司 一种故障处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109065135B (zh) 一种医院后勤设备全生命周期管理云平台、方法和系统
CN110704231A (zh) 一种故障处理方法及装置
CN115496625A (zh) 一种用于智慧燃气的管网安全联动处置方法和物联网系统
CN113918141B (zh) 基于图形化策略编程引擎的智慧工单系统及其工作方法
CN109102157A (zh) 一种基于深度学习的银行工单派单方法及系统
MX2013000577A (es) Aprendizaje de maquina para redes electricas.
CN106533754A (zh) 用于高校教学服务器故障诊断的方法及专家系统
EP3577580A1 (en) A method for retrieving a recommendation from a knowledge database of a ticketing system
CN113282461A (zh) 传输网的告警识别方法和装置
CN115577708A (zh) 基于nlp的暖通末端设备维修保养作业自动派单方法
CN111179115A (zh) 故障处理辅助决策方法、装置、存储介质及电子设备
CN108710959A (zh) 降低核电机组故障率的方法、核电机组和存储介质
EP3759662A1 (en) System and method for maintenance of a fleet of machines
CN107666148A (zh) 基于配变停电信号的线路故障研判方法
CN112434838A (zh) 一种隔离推演模型及评估方法
CN116415923B (zh) 智慧燃气工单实施管理方法与物联网系统及装置
CN113313409A (zh) 基于数据关联的电力系统二次设备缺陷分析方法及系统
CN113672427A (zh) 基于rpa及ai的异常处理方法、装置、设备及介质
CN111651603A (zh) 一种基于lav参数微调的电力工单层次文本分类方法及系统
CN112488549A (zh) 发电设备的运维方法、装置及计算机可读存储介质
CN111898918A (zh) 一种设备使用跟踪管理方法、装置、设备及存储介质
US20060143037A1 (en) System for taking over and operating services and installations at a site
CN111831286B (zh) 一种用户投诉处理方法和设备
CN116881752A (zh) 数据的聚类方法和装置、存储介质及电子设备
CN101226666A (zh) 一种银行自助设备及提升其性能的方法

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