CN117634217B - 基于数字孪生的建筑物智能化管理系统及方法 - Google Patents

Abstract

本发明公开了一种基于数字孪生的建筑物智能化管理系统及方法，其获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；对多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；对多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；基于工作状态呈现参数时序关联特征图和工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及，在屏幕显示多个预定时间点的温度值、湿度值、压力值和电流值，以及，空调剩余寿命预测值。这样，可以对空调系统进行有效的监测和管理，提高舒适度。

Description

基于数字孪生的建筑物智能化管理系统及方法

技术领域

本发明涉及智能化管理技术领域，尤其涉及一种基于数字孪生的建筑物智能化管理系统及方法。

背景技术

随着建筑物的规模和复杂度的增加，建筑物的运维管理面临着越来越多的挑战。数字孪生是一种新兴的技术概念，指的是通过数字模型来模拟真实世界中的物理对象或过程，实现对真实对象或过程的实时映射、分析和优化。数字孪生技术可以为建筑物智能化管理系统提供更高层次的数据分析和决策支持，实现对建筑物的全生命周期管理。基于数字孪生的建筑物智能化管理系统可以通过传感器、互联网、云计算等技术，收集并整合建筑物内外的各种数据，构建建筑物的数字模型，并通过人工智能、大数据分析等技术，对建筑物的状态、性能、寿命等进行预测和优化。

空调系统是建筑物中最重要也最耗能的设备之一，其运行状态和性能直接影响到建筑物的节能效果和用户体验。因此，对空调系统进行有效的监测和管理是提高建筑物智能化水平的关键。然而，空调系统由多个部件组成，其工作状态受到多种因素的影响。传统的空调系统寿命预测方法通常基于经验公式或统计模型，缺乏对空调系统内部因-果关系的深入理解，难以准确预测空调系统的剩余寿命。

因而，期待一种基于数字孪生的建筑物智能化管理系统及方法。

发明内容

本发明实施例提供一种基于数字孪生的建筑物智能化管理系统及方法，其获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；对多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；对多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；基于工作状态呈现参数时序关联特征图和工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及，在屏幕显示多个预定时间点的温度值、湿度值、压力值和电流值，以及，空调剩余寿命预测值。这样，可以对空调系统进行有效的监测和管理，提高舒适度。

本发明实施例还提供了一种基于数字孪生的建筑物智能化管理方法，其包括：

获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；

对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；

对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；

基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及

在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值。

本发明实施例还提供了一种基于数字孪生的建筑物智能化管理系统，其包括：

数据获取模块，用于获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；

多参数工作状态特征提取模块，用于对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；

电流时序特征提取模块，用于对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；

寿命预测值确定模块，用于基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及

屏幕显示模块，用于在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理方法的流程图。

图2为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理方法的系统架构的示意图。

图3为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理系统的框图。

图4为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理方法的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

数字孪生技术可以在建筑物的设计、建造、运营和维护等各个阶段提供支持，通过数字孪生模型，可以在设计阶段进行虚拟仿真和优化，提前发现潜在问题并进行改进。在建造阶段，可以实时监测施工进度和质量，确保项目按计划进行，在运营和维护阶段，可以通过数字孪生模型对建筑物进行监测和预测，及时发现异常情况并采取相应措施。

通过数字孪生模型，建筑物智能化管理系统可以收集和整合建筑物内外的各种数据，包括传感器数据、能耗数据、设备运行数据等，通过人工智能和大数据分析技术，可以对这些数据进行深入分析，提取有价值的信息和洞察，并为决策者提供科学依据和预测模型，帮助他们做出更明智的决策，提高建筑物的效率和性能。

数字孪生技术可以通过实时监测建筑物的状态和性能，提前发现潜在的故障和问题，通过与历史数据和模型进行比对和分析，可以预测设备的寿命和维护需求，提前进行维修和替换，避免设备故障对建筑物运营造成的损失和影响。

数字孪生技术可以对建筑物的能耗进行监测和分析，识别能耗高峰和能耗异常，并提供相应的优化建议，通过模拟和预测建筑物的能耗情况，可以制定合理的能源管理策略，提高能源利用效率，降低能耗成本，实现建筑物的可持续发展目标。

对空调系统进行有效的监测和管理是提高建筑物智能化水平的关键之一，空调系统在建筑物中起着至关重要的作用，对室内温度、湿度和空气质量进行调节，保证人们的舒适度和健康。通过传感器和监测设备，可以实时监测空调系统的运行状态和性能参数，如温度、湿度、风速、能耗等。这些数据可以被收集和记录，用于后续的分析和决策支持。通过对空调系统数据的分析，可以识别出异常情况和潜在故障。例如，温度异常偏高或偏低、能耗异常增加等，这些异常情况可以及时发现并采取措施，避免系统故障和损失。空调系统通常是建筑物中能耗较高的设备之一，通过对空调系统能耗的监控和分析，可以识别出能耗高峰和能耗异常，找到节能的潜力和优化的方向。例如，根据不同时间段和使用需求，调整空调系统的运行策略，合理分配能源资源，降低能耗成本。基于数字孪生技术和人工智能算法，可以实现空调系统的自动化控制和智能调节，通过建立数字孪生模型和对实时数据的分析，可以根据室内外环境和人员需求，自动调节空调系统的运行参数和模式，提供最佳的舒适度和能效。

在本发明的一个实施例中，图1为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理方法的流程图。图2为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的基于数字孪生的建筑物智能化管理方法，包括：110，获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；120，对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；130，对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；140，基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及，150，在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值。

针对上述技术问题，本申请的技术构思为监测空调系统的运行参数，并利用智能化算法挖掘蕴藏在多个运行参数之中的因果响应性时序关联关系，同时基于这种关联关系来进行空调系统剩余寿命的预测。

基于此，在本申请的技术方案中，首先获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值。其中，空调设备在运行过程中，过高或过低的温度可能导致设备的磨损加剧，甚至产生故障。通过监测和分析空调设备的温度变化，可以反映设备的工作状态和负荷情况。在本申请的应用场景中，湿度是指空气中水分的含量，高湿度环境可能导致空调设备的腐蚀、漏电和绝缘性能下降，从而影响设备的寿命。通过监测和分析空调设备所处环境的湿度变化，可以反映设备的工作环境。此外，空调系统中的压力通常是由制冷剂的循环和压缩过程产生的。过高或过低的压力可能导致设备的负荷增加、制冷效果下降，甚至引发泄漏和故障。通过监测和分析空调设备的压力变化，可以反映设备的工作状态和制冷效果。还有，空调设备的运行需要消耗电能，电流是衡量设备电能消耗的重要指标。通过监测和分析空调设备的电流变化，可以反映设备的能耗情况和运行效率，进而预测设备的寿命。

接着，将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为工作状态呈现参数输入矩阵；并将所述工作状态呈现参数输入矩阵通过基于卷积神经网络模型的呈现参数时序关联特征提取器以得到工作状态呈现参数时序关联特征图。这里，应当可以理解，通过将所述多个预定时间点的温度值、湿度值和压力值按照时间维度可以将空调系统在不同时间点的工作状态变化进行有序呈现，揭示出设备的周期性行为、工作负荷的变化以及可能存在的故障模式。例如，可以从数据中更直观地观察到空调系统在白天和夜晚温度变化的规律性，以及季节性的温度波动。而通过将所述多个预定时间点的温度值、湿度值和压力值按照样本维度排列可以将不同参数的信息进行整合和对应。这样做有助于系统捕捉到不同参数之间的相互影响和关联关系。例如，温度和湿度之间可能存在一定的关联性，通过将它们按照样本维度排列，所述基于卷积神经网络模型的呈现参数时序关联特征提取器可以更好地学习到它们之间的关联规律。

在本申请的一个具体实施例中，对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图，包括：对所述多个预定时间点的温度值、湿度值和压力值进行数据预处理以得到工作状态呈现参数输入矩阵；以及，所述工作状态呈现参数输入矩阵通过基于卷积神经网络模型的呈现参数时序关联特征提取器以得到所述工作状态呈现参数时序关联特征图。

具体地，对所述多个预定时间点的温度值、湿度值和压力值进行数据预处理以得到工作状态呈现参数输入矩阵，包括：将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为所述工作状态呈现参数输入矩阵。

然后，将所述多个预定时间点的电流值按照时间维度排列为工作状态因参数输入向量；并将所述工作状态因参数输入向量通过基于一维卷积层的电流时序特征提取器以得到工作状态因参数时序关联特征向量。这里，通过使用一维卷积层作为电流时序特征提取器，可以有效地提取电流数据中的时序特征。一维卷积层具有局部感知能力和参数共享的特点，可以捕捉到输入数据中的时序模式和变化趋势。通过一维卷积层提取的时序特征，可以为后续的剩余寿命预测建模提供更有价值的信息。

在本申请的一个具体实施例中，对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量，包括：将所述多个预定时间点的电流值按照时间维度排列为工作状态因参数输入向量；以及，将所述工作状态因参数输入向量通过基于一维卷积层的电流时序特征提取器以得到所述工作状态因参数时序关联特征向量。

进一步地，将所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图通过基于Meta网络的因-果参数语义空间融合器以得到被监控空调设备因-果参数时序语义融合特征图。应可以理解，工作状态因参数时序关联特征向量包含了从电流值中提取的时序关联特征。电流时序关联特征可以反映出设备工作状态的本质变化、能耗模式以及可能存在的异常行为。而工作状态呈现参数时序关联特征图是基于温度、湿度、压力等呈现参数构建的时序关联特征分布。所述工作状态呈现参数时序关联特征图可以反映出设备环境的变化和影响，如温度变化、湿度波动等。通过提取这些呈现参数的时序关联特征，可以更好地理解设备的工作状态。其中，所述电流时序关联特征和基于温度、湿度、压力等呈现参数构建的时序关联特征分布之间存在一定的因果响应性关联关系。因而在本申请的技术方案中，利用基于Meta网络的因-果参数语义空间融合器来将两者进行关联和交互融合，即学习到不同特征之间的关联和影响权重，并将它们融合到一个统一的特征表示中。

在本申请的一个实施例中，基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值，包括：融合所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图以得到被监控空调设备因-果参数时序语义融合特征图；及，基于所述被监控空调设备因-果参数时序语义融合特征图来确定所述空调剩余寿命预测值。

具体地，融合所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图以得到被监控空调设备因-果参数时序语义融合特征图，包括：将所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图通过基于Meta网络的因-果参数语义空间融合器以得到所述被监控空调设备因-果参数时序语义融合特征图。

在本申请的一个具体实施例中，将所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图通过基于Meta网络的因-果参数语义空间融合器以得到所述被监控空调设备因-果参数时序语义融合特征图，包括：将所述工作状态呈现参数时序关联特征图通过所述基于Meta网络的因-果参数语义空间融合器的卷积神经网络以得到工作状态呈现参数特征图；将所述工作状态因参数时序关联特征向量通过所述基于Meta网络的因-果参数语义空间融合器的一维卷积层以得到工作状态因参数特征向量；以及，以所述工作状态因参数特征向量对所述工作状态呈现参数特征图进行通道加权以得到所述被监控空调设备因-果参数时序语义融合特征图。

继而，将所述被监控空调设备因-果参数时序语义融合特征图通过基于解码器的预测器以得到解码值，所述解码值用于表示空调剩余寿命预测值；并在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述解码值。其中，所述基于解码器的预测器用于将所述被监控空调设备因-果参数时序语义融合特征图进行解码和重构，进而来预测空调设备的剩余寿命。更具体地，所述基于解码器的预测器可以学习到所述被监控空调设备因-果参数时序语义融合特征图所表达的设备参数语义关联特征分布和设备剩余寿命之间的关联和映射关系，从而对剩余寿命进行估计。这样的预测结果可以为设备维护和管理提供重要的参考信息。在本申请的实际应用场景中，通过在屏幕上显示多个预定时间点的温度值、湿度值、压力值和电流值，可以直观地展示设备的工作状态和环境条件。这样的可视化展示可以帮助用户和维护人员更好地了解设备的运行情况，并及时发现异常或问题。

在本申请的一个具体实施例中，基于所述被监控空调设备因-果参数时序语义融合特征图来确定所述空调剩余寿命预测值，包括：将所述被监控空调设备因-果参数时序语义融合特征图通过基于解码器的预测器以得到解码值，所述解码值用于表示所述空调剩余寿命预测值。

在本申请的一个实施例中，所述基于数字孪生的建筑物智能化管理方法，还包括训练步骤：对所述基于卷积神经网络模型的呈现参数时序关联特征提取器、所述基于一维卷积层的电流时序特征提取器、所述基于Meta网络的因-果参数语义空间融合器和所述基于解码器的预测器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的训练温度值、训练湿度值、训练压力值和训练电流值，以及，空调剩余寿命预测值的真实值；将所述多个预定时间点的训练温度值、训练湿度值和训练压力值按照时间维度和样本维度排列为训练工作状态呈现参数输入矩阵；将所述多个预定时间点的训练电流值按照时间维度排列为训练工作状态因参数输入向量；将所述训练工作状态呈现参数输入矩阵通过所述基于卷积神经网络模型的呈现参数时序关联特征提取器以得到训练工作状态呈现参数时序关联特征图；将所述训练工作状态因参数输入向量通过所述基于一维卷积层的电流时序特征提取器以得到训练工作状态因参数时序关联特征向量；将所述训练工作状态因参数时序关联特征向量和所述训练工作状态呈现参数时序关联特征图通过所述基于Meta网络的因-果参数语义空间融合器以得到训练被监控空调设备因-果参数时序语义融合特征图；将所述训练被监控空调设备因-果参数时序语义融合特征图通过基于解码器的预测器以得到解码损失函数值；计算所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图的特定损失函数值；以及，以所述解码损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的呈现参数时序关联特征提取器、所述基于一维卷积层的电流时序特征提取器、所述基于Meta网络的因-果参数语义空间融合器和所述基于解码器的预测器进行训练。

在上述技术方案中，所述训练工作状态呈现参数时序关联特征图的特征矩阵表达训练温度值、训练湿度值和训练压力值的样本-时序交叉维度局部关联特征，而各个特征矩阵之间遵循所述基于卷积神经网络模型的呈现参数时序关联特征提取器的通道分布，由此，将所述训练工作状态因参数时序关联特征向量和所述训练工作状态呈现参数时序关联特征图通过基于Meta网络的因-果参数语义空间融合器后，会基于所述训练工作状态因参数时序关联特征向量表达的电流值局部时序关联特征来对所述训练工作状态呈现参数时序关联特征图的特征矩阵间的通道分布进行约束，由此，所述训练被监控空调设备因-果参数时序语义融合特征图相对于所述训练工作状态呈现参数时序关联特征图在整体特征图分布维度上的特征群密度表示也会具有差异，这样，在模型整体训练时，所述基于卷积神经网络模型的呈现参数时序关联特征提取器与所述基于Meta网络的因-果参数语义空间融合器之间会存在迭代不均衡，影响模型的整体训练效率。

因此，本申请的申请人考虑提升所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图的特征群密度表示一致性，从而进一步引入了针对所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图的特定损失函数，表示为：以如下优化公式计算所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图的特定损失函数值；其中，所述优化公式为：其中，/>是所述训练被监控空调设备因-果参数时序语义融合特征图展开后得到的第一特征向量，/>是所述训练工作状态呈现参数时序关联特征图展开后得到的第二特征向量，/>是特征向量的长度，且/>表示向量的二范数的平方，/>是所述第一特征向量中的特征值，/>是所述第二特征向量中的特征值，/>是特定损失函数值，/>表示计算以数值为幂的自然指数函数值，/>表示按位置减法。

这里，所述损失函数基于特征群密度来进行群计数注意力，其通过将群计数作为输出特征群密度的递归映射，来进行所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型，可以使得模型针对所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图的特征分布下的不同密度模式来避免过估计和欠估计，并学习特征值分布与群密度分布之间的对应关系，从而实现具有不同特征密度的所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图之间的特征群密度表示一致性优化，以提升模型的整体训练效率。

综上，基于本发明实施例的基于数字孪生的建筑物智能化管理方法被阐明，其监测空调系统的运行参数，并利用智能化算法挖掘蕴藏在多个运行参数之中的因果响应性时序关联关系，同时基于这种关联关系来进行空调系统剩余寿命的预测。

图3为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理系统的框图。如图3所示，所述基于数字孪生的建筑物智能化管理系统200，包括：数据获取模块210，用于获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；多参数工作状态特征提取模块220，用于对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；电流时序特征提取模块230，用于对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；寿命预测值确定模块240，用于基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及，屏幕显示模块250，用于在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值。

本领域技术人员可以理解，上述基于数字孪生的建筑物智能化管理系统中的各个步骤的具体操作已经在上面参考图1到图2的基于数字孪生的建筑物智能化管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本发明实施例的基于数字孪生的建筑物智能化管理系统200可以实现在各种终端设备中，例如用于基于数字孪生的建筑物智能化管理的服务器等。在一个示例中，根据本发明实施例的基于数字孪生的建筑物智能化管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于数字孪生的建筑物智能化管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于数字孪生的建筑物智能化管理系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于数字孪生的建筑物智能化管理系统200与该终端设备也可以是分立的设备，并且该基于数字孪生的建筑物智能化管理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图4为本发明实施例中提供的一种基于数字孪生的建筑物智能化管理方法的应用场景图。如图4所示，在该应用场景中，首先，获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值（例如，如图4中所示意的C1）、湿度值（例如，如图4中所示意的C2）、压力值（例如，如图4中所示意的C3）和电流值（例如，如图4中所示意的C4）；然后，将获取的温度值、湿度值、压力值和电流值输入至部署有基于数字孪生的建筑物智能化管理算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于数字孪生的建筑物智能化管理算法对所述温度值、所述湿度值、所述压力值和所述电流值进行处理，以确定空调剩余寿命预测值；以及，在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于数字孪生的建筑物智能化管理方法，其特征在于，包括：

获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；

对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；

对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；

基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及

在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值；

其中，对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图，包括：

对所述多个预定时间点的温度值、湿度值和压力值进行数据预处理以得到工作状态呈现参数输入矩阵；以及

将所述工作状态呈现参数输入矩阵通过基于卷积神经网络模型的呈现参数时序关联特征提取器以得到所述工作状态呈现参数时序关联特征图；

其中，对所述多个预定时间点的温度值、湿度值和压力值进行数据预处理以得到工作状态呈现参数输入矩阵，包括：

将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为所述工作状态呈现参数输入矩阵；

其中，对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量，包括：

将所述多个预定时间点的电流值按照时间维度排列为工作状态因参数输入向量；以及

将所述工作状态因参数输入向量通过基于一维卷积层的电流时序特征提取器以得到所述工作状态因参数时序关联特征向量；

其中，基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值，包括：

融合所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图以得到被监控空调设备因-果参数时序语义融合特征图；及

基于所述被监控空调设备因-果参数时序语义融合特征图来确定所述空调剩余寿命预测值；

其中，融合所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图以得到被监控空调设备因-果参数时序语义融合特征图，包括：

将所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图通过基于Meta网络的因-果参数语义空间融合器以得到所述被监控空调设备因-果参数时序语义融合特征图；

其中，将所述工作状态因参数时序关联特征向量和所述工作状态呈现参数时序关联特征图通过基于Meta网络的因-果参数语义空间融合器以得到所述被监控空调设备因-果参数时序语义融合特征图，包括：

将所述工作状态呈现参数时序关联特征图通过所述基于Meta网络的因-果参数语义空间融合器的卷积神经网络以得到工作状态呈现参数特征图；

将所述工作状态因参数时序关联特征向量通过所述基于Meta网络的因-果参数语义空间融合器的一维卷积层以得到工作状态因参数特征向量；以及

以所述工作状态因参数特征向量对所述工作状态呈现参数特征图进行通道加权以得到所述被监控空调设备因-果参数时序语义融合特征图；

其中，基于所述被监控空调设备因-果参数时序语义融合特征图来确定所述空调剩余寿命预测值，包括：

将所述被监控空调设备因-果参数时序语义融合特征图通过基于解码器的预测器以得到解码值，所述解码值用于表示所述空调剩余寿命预测值；

其中，还包括训练步骤：对所述基于卷积神经网络模型的呈现参数时序关联特征提取器、所述基于一维卷积层的电流时序特征提取器、所述基于Meta网络的因-果参数语义空间融合器和所述基于解码器的预测器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的训练温度值、训练湿度值、训练压力值和训练电流值，以及，空调剩余寿命预测值的真实值；

将所述多个预定时间点的训练温度值、训练湿度值和训练压力值按照时间维度和样本维度排列为训练工作状态呈现参数输入矩阵；

将所述多个预定时间点的训练电流值按照时间维度排列为训练工作状态因参数输入向量；

将所述训练工作状态呈现参数输入矩阵通过所述基于卷积神经网络模型的呈现参数时序关联特征提取器以得到训练工作状态呈现参数时序关联特征图；

将所述训练工作状态因参数输入向量通过所述基于一维卷积层的电流时序特征提取器以得到训练工作状态因参数时序关联特征向量；

将所述训练工作状态因参数时序关联特征向量和所述训练工作状态呈现参数时序关联特征图通过所述基于Meta网络的因-果参数语义空间融合器以得到训练被监控空调设备因-果参数时序语义融合特征图；

将所述训练被监控空调设备因-果参数时序语义融合特征图通过基于解码器的预测器以得到解码损失函数值；

计算所述训练被监控空调设备因-果参数时序语义融合特征图和所述训练工作状态呈现参数时序关联特征图的损失函数值；以及

以所述解码损失函数值和所述损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的呈现参数时序关联特征提取器、所述基于一维卷积层的电流时序特征提取器、所述基于Meta网络的因-果参数语义空间融合器和所述基于解码器的预测器进行训练。

2.一种基于数字孪生的建筑物智能化管理系统，使用如权利要求1所述的基于数字孪生的建筑物智能化管理方法，其特征在于，包括：

数据获取模块，用于获取由传感器组采集的被监控空调设备在预定时间段内多个预定时间点的温度值、湿度值、压力值和电流值；

多参数工作状态特征提取模块，用于对所述多个预定时间点的温度值、湿度值和压力值进行多参数工作状态特征提取以得到工作状态呈现参数时序关联特征图；

电流时序特征提取模块，用于对所述多个预定时间点的电流值进行电流时序特征提取以得到工作状态因参数时序关联特征向量；

寿命预测值确定模块，用于基于所述工作状态呈现参数时序关联特征图和所述工作状态因参数时序关联特征向量之间的因果语义特征，确定空调剩余寿命预测值；以及

屏幕显示模块，用于在屏幕显示所述多个预定时间点的温度值、湿度值、压力值和电流值，以及，所述空调剩余寿命预测值。