CN107430387B - 建筑物自动化预测 - Google Patents
建筑物自动化预测 Download PDFInfo
- Publication number
- CN107430387B CN107430387B CN201680014798.2A CN201680014798A CN107430387B CN 107430387 B CN107430387 B CN 107430387B CN 201680014798 A CN201680014798 A CN 201680014798A CN 107430387 B CN107430387 B CN 107430387B
- Authority
- CN
- China
- Prior art keywords
- building
- data
- building automation
- enterprise
- analysis system
- 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
- 238000010801 machine learning Methods 0.000 claims abstract description 70
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 210
- 230000015556 catabolic process Effects 0.000 claims description 41
- 238000006731 degradation reaction Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000009423 ventilation Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000000246 remedial effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 45
- 238000012549 training Methods 0.000 description 37
- 238000007405 data analysis Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 238000012517 data analytics Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- -1 occupancy Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012776 robust process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25011—Domotique, I-O bus, home automation, building automation
-
- 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
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
劣化的或其他性能可用机器学习分类器预测。基于许多建筑物自动化***的运行来应用机器学习。机器学习创建预测器。机器学习预测器被应用于任何建筑物自动化***的运行数据，以预测将来的故障或其他事件，从而提供可用于计划维护和/或安排补救措施的预报。机器学习使用采用来自许多建筑物自动化***的数据的形式的大数据来学习自动预测和/或执行其他建筑物自动化***的预报。
Description
其他申请的交叉引用
本申请要求提交日期为2015年3月11日的美国临时专利申请62/131,749的权益，其在法律允许的范围内通过引用并入本文。
技术领域
本实施例大体涉及建筑物自动化***。
背景技术
建筑物自动化***包括加热、通风和空调(HVAC)***、安全***、消防***或其他***。这些***通常由线连在一起的分布式部件形成。HVAC***可由一个、两个或三个单独的层或架构层形成。在三层***中，楼层网络为建筑物的特定楼层或区域提供总体控制。楼层网络的控制器提供基于传感器输入以操作致动器的处理控制。例如，基于设定点和所测温度来确定阻尼器、加热元件、冷却元件或其他致动器的调节。可提供其他控制功能。建筑物级网络(building level network，建筑层网络)集成了多楼层网络，以在建筑物内的各个区域之间提供一致的控制。面板或其他控制器控制分配***，诸如泵、风扇或用于冷却和加热的其他中央设备。建筑物级控制器(building level controller，建筑层控制器)可在它们之间进行通信并访问楼层控制器以获得数据。管理级网络(management levelnetwork，管理层网络)整合了建筑层网络的控制，以为整体建筑环境和设备提供高级控制处理。
每栋建筑物分开运行。来自不同楼层的数据用于识别给定建筑物的故障或诊断问题。给定建筑物的这些数据可能无法准确反映建筑物自动化对企业的问题或影响。
发明内容
劣化的或其他性能可用机器学习的分类器预测。基于许多建筑物自动化***的运行来应用机器学习。机器学习创建预测器。机器学习预测器被应用于任何建筑物自动化***的运行数据，以预测将来的故障或其他事件，从而提供可用于计划维护和/或安排补救措施的预报。机器学习使用采用来自许多建筑物自动化***的数据的形式的大数据来学习以自动预测和/或执行其他建筑物自动化***的预报。
在一个另外的实施例中，群集和/或其他机器学习可用于(1)识别需要预报和/或故障的建筑物自动化***和/或(2)提取用于预测的信息。群集和/或其他机器学习的输出被用作预测的输入。
一方面，提供了在建筑物管理***中建筑物自动化预测的方法。与多个建筑物相关的第一数据由建筑物管理***的建筑物分析***访问。第一数据包括来自于不同时间的建筑物管理***数据和不同于建筑物管理***数据的企业数据。企业数据针对与多个建筑物相关联的企业，以及建筑物管理***数据针对多个建筑物。建筑物分析***将来自于不同时间的第一子集的第一数据应用于机器学习，来自不同时间的第二子集的第一数据用作基础事实，以用于学习为建筑物管理***的预测。由于应用，建筑物自动化***的运行的机器学习预测器生成输出。
在第二方面，提供了用于建筑物自动化预测的建筑物管理***。用于多个建筑物的加热、通风和空气调节的建筑物自动化***被配置为输出运行输入和输出数据。建筑物处理器被配置为基于应用于从多个实例的时间序列数据训练的机器学习预测器的输入和输出数据来预测建筑物自动化***中至少一个的一部分的将来劣化。显示器被配置为输出将来劣化的预测。
在第三方面，提供了在建筑物管理***中的建筑物自动化预报的方法。建筑物管理***的建筑物分析***访问与第一建筑物自动化***随时间的运行相关的第一时间序列数据。第一机器学习分类器基于第一时间序列数据来预测第一建筑物自动化***的一部分的故障。第一机器学习分类器基于与其他建筑物自动化***随时间的运行相关的第二时间序列数据进行训练。预测结果被呈现在建筑物分析***的显示器上。结果包括故障和部件。
在第四方面，提供了在建筑物管理***中的建筑物自动化预测的方法。建筑物或建筑物中的分布基于来自包括建筑物在内的多个建筑物的无监督群集数据被识别为具有不期望的性能。机器学习的小脑模型关节运动控制器识别建筑物的建筑***内的故障。循环神经网络被应用于故障的时间序列数据。应用预测建筑***内的故障发生。
本实施例的其他***、方法和/或特征对于在检查如下附图和详细描述后的本领域技术人员应变得显而易见。所有这些附加***、方法、特征和优点旨在包含在本说明书内、本发明的范围内，并由所附权利要求保护。所公开的实施例的附加特征在下面的详细描述和附图中描述并且将显而易见。
附图说明
附图中的部件不一定按照比例绘制，其重点被示出以便清晰说明本公开的原理。在附图中，相同的附图标记表示不同视图中的相应部件。
图1为用于企业内建筑物自动化预测的管理***的一个实施例的框图；
图2示出了可在管理***中采用的示例性建筑物自动化***；
图3示出了由管理***的建筑物分析***采用的建筑物级和企业级分析之间的示例性区别；
图4示出了由建筑物分析***采用的建筑物级分析的一个实施例；
图5示出了由建筑物分析***采用的企业级分析的实施例；
图6示出了建筑物自动化***的阻尼器的示例性劣化；
图7示出了建筑物自动化***的阀的示例性劣化；
图8示出了由建筑物分析***采用的机器学习预测器的训练和运行；
图9为由建筑物分析***采用的作为预测的前体的机器学习的一个实施例的流程图；
图10A和图10B示出了由建筑物分析***采用的基于案例的推理的示例群集；
图11示出了使用由建筑物分析***采用的企业数据的群集分析的一个实施例；
图12为用于在由建筑物分析***采用的企业级的群集分析的示例性数据表示；
图13为表示使用由建筑物分析***采用的企业数据的机器学习的框图的一个实施例；
图14为使用由建筑物分析***采用的机器学习来控制企业内的建筑物自动化***的框图的实施例；以及
图15为由管理***中的建筑物分析***采用的用于建筑物自动预测的方法的一个实施方式的流程图。
具体实施方式
分析用于建筑物自动化中。本文公开的实施例提供了采用分析的建筑物自动化***的改进。分析为***地利用物理数据和通过应用分析学科(例如统计学、语境学、量化、预测、认知或其他新兴模式)开发的相关业务观察，以推动用于规划、管理、测量和学习的基于事实的决策。分析可为描述性的、预测性的或指令性的。对于非建筑物自动化***实例，***可使用
数据来精确地预测按区域(例如县)的心脏病发病率。来自twitter信息的数据分析反映了死亡证明的心脏病率。
对于建筑物自动化，性能分析应用于单个建筑物及其所有***中。大数据分析应用于属于给定企业和/或由其控制的多个建筑物。例如，分析数十或数百个分支、特许经营或设施的运行情况。分析被设计为主动和自适应地检测运行性能缺陷，诸如故障检测和诊断。在企业级，特定建筑物自动化***的性能分析和采用建筑物自动化***的企业的大数据分析由可操作基于如本文进一步描述的组合来分析和执行处理的管理***组合。
使用在建筑物自动化中的数据分析的客户或其他人可能会受益。采用本文所述的分析处理和结构的管理***可用来提供质量安全、舒适和生产性的环境。服务中断、故障和拒绝时间会减少。所有权成本会降低，以及设备和/或***的使用寿命会增加。通过根据本文公开的管理***的实施例中采用的处理在企业级进行分析，企业或公司的重点从修复和维护转向预防和预测。总体经营费用、经营支出、运营费用、运营支出(OPEX)会减少，从而更好地利用资本支出(CAPEX)。
通过使用机器学习，来自多个建筑物的数据和/或来自企业的元数据用于创建建筑物自动化劣化的预测器。例如，循环神经网络使用来自许多建筑物的时间序列的运行数据来学习预测在将来时间的劣化或其他事件。学习预测器由建筑物分析***应用于建筑物自动化***的数据，以预测自动化***的一部分的将来劣化。故障被预测以提供建筑物自动化***的预报。预测提前识别故障。预报采取纠正措施提前修复故障。预测或预报用于防止停机和相关成本，诸如在预测故障发生之前通过调度维护，从而更好地利用资源。
用于预测的机器学习由数据驱动，因此适用于大数据或企业级建筑物管理。不是应用可能不适合某些情况的编程算法，而是由管理***使用更强大的机器训练的预测器。机器训练是适应性的，并能够自动预测而不管数据的数量和复杂性。
在另一实施例中，不同的机器学习分类器由混合的建筑物分析***提供。不同类型的神经网络和/或群集技术的混合可使用有监督和无监督的学习方法来分层预测建筑物***中的性能或故障以及故障的预报。具有可能或可能出现的问题和/或多个问题的建筑物自动化***使用群集和/或第一机器学习分类器来识别。例如，群集或基于案例的推理识别较低性能建筑物之间的共同点。机器学习预测器使用第一机器学习分类器的输出来预测是否会发生劣化和/或劣化的时间。
图1示出了用于建筑物自动化预测的管理***8的一个实施例。***实现图15的方法。可实现其他方法。该***使用采用来自许多建筑物的数据的形式或独立地运行自动化***和/或在建筑物中采用的自动化***的控制或运行中未使用的元、业务或其他企业数据的形式的大数据。通过从许多建筑物自动化***的时间序列数据中学习，管理***8能够将基于时间序列数据的机器学习的劣化预测器应用于任何建筑物自动化***12。
管理***8包括与任意数量的建筑物自动化***12和/或元数据数据库14相关联的企业10。具有建筑物处理器16和显示器18的计算机或建筑物分析***17为企业10的一部分或与企业10分开。可提供另外的、不同的或更少的部件。例如，建筑物分析***17可包括用于接收用户输入的键盘或鼠标(图中未示出)，其经由接口19可操作地连接到处理器16。接口19也可包括用于使得处理器16能够与建筑物自动化***12和元数据库14通信的网络通信接口。
企业10为公司、组织、集体、政府实体(例如城市)或使用不同于自动化设施的用于商业活动的自动化设施或建筑物的个体。建筑物自动化包括安全(例如火灾报警)、环境(例如HVAC)、安全性、危险、其组合或其他建筑***。这些自动化的建筑***12为开展业务提供了空间。该业务经设置用于不同于使建筑物自动化的目的，诸如产品销售或服务。企业10进行提供产品或服务的业务，但在具有自动化的一或多个建筑物中运行。例如，银行有数百座用于分行和/或总部的建筑物。企业10提供银行服务，以及企业10被安置在建筑物内。
企业10生成信息或数据。数据为业务数据，诸如用于销售、服务、人力资源、不同于建筑物自动化的网络运营信息技术、会计、预算的数据或其他业务数据。该业务数据为不同于作为建筑物自动化***12的一部分或用于运行建筑物自动化***12而生成的数据的企业10级元数据。
企业或元数据被存储在元数据的数据库14中。数据库14为一或多个存储器，诸如硬盘驱动器、闪存驱动器、磁带驱动器或其他数据库。数据库14作为一个存储器或多个单独的存储器来运行以存储各种元数据。
示例性元数据包括员工或学生表现，诸如考试成绩或评估评分。其他元数据可为企业级的预算、员工考勤、人员配置水平、维护计划或信息、销售、电梯使用情况或其他数据。虽然数据作为企业的一部分生成，但数据的粒度可按区域、员工或甚至建筑物。元数据可包括建筑物的类型、建筑物的朝向、建筑物的位置、建筑物中使用空间的类型或建筑物自动化***12未具体使用或输出的其他建筑物特定信息。
建筑物自动化***12包括安全(例如火灾报警)、环境(例如HVAC)、安全性、危险、其组合或其他建筑***。自动化为建筑物、楼层、房间或托管企业10的一部分的区域的自动化。在图1的实例中，提供了许多(例如，两个或更多、数十或数百个)单独的建筑物自动化***12。建筑物自动化***12中的每个或一些独立于其他***运行。一些建筑物可依赖诸如在共享设备或分配***的地方运行。其他建筑物是独立自动化的，诸如建筑物位于不同的街区、邮政编码、城市、县、州和/或国家的地方。相同的***(例如，HVAC)可在不同的建筑物中，并且可使用相同的自动化***12来控制，但是一个建筑物的传感器和致动器与另一建筑物的传感器和致动器分开进行控制。例如，餐馆或银行可具有相同的建筑设计，因此许多不同的建筑物使用与建筑物自动化***12相同的设计。尽管有这些相似之处，但是每个建筑物自动化***12的运行是独立的，因为一些建筑物处于在给定时间具有不同温度的区域中。
建筑物自动化***的给定实例生成数据，诸如来自传感器、致动器、面板或控制器的数据。传感器可包括温度、湿度、火灾、烟雾、占用、空气质量、气体、二氧化碳或一氧化碳或其他现在已知或以后开发的传感器，诸如用于在医院中使用的氧气传感器。致动器可包括阀门、继电器、螺线管、扬声器、喇叭(bell)、开关、马达、马达启动器、阻尼器、气动装置及其组合，或其他现在已知或以后开发的用于建筑物自动化的致动装置。控制器或面板与其他建筑物自动化装置交互，以用于建立、设置、更改、指导、报告或路由用于控制建筑物自动化功能的信息。控制器为面板、处理器、工作站和/或服务器。
根据每个装置的特定运行的需要，控制处理在控制器、传感器和致动器上运行。传感器报告对传感器适当或特定的信息，诸如报告将所测值与期望的或设定值进行比较的结果。致动器使用输出传感器数据来提供适合致动器的响应。控制器监测传感器和致动器的处理或动作，而无需在一种运行模式下进行控制。在另一运行模式中，控制器置换或影响传感器和/或致动器以基于区域或更大面积的控制过程来改变处理。例如，控制器实现用于置换、设置、调整或改变另一建筑物自动化应用的运行的协调控制应用。可选地，控制器运行处理以测量与设定点的偏差并控制响应。
其他建筑物自动化装置可包括个人计算机、面板或监视器。例如，一个建筑物自动化装置为用于控制建筑物范围的部件(诸如冷却器、锅炉、建筑物进气口或建筑物气流排出口)的致动器。通过使用建筑物自动化装置，主要或建筑物范围的设备、个别空间或本地输入和输出点被控制。传感器、致动器和/或控制可用于区域、房间、分配***和/或设备运行。
建筑物自动化***12实施用于控制建筑功能的建筑物自动化应用。建筑物自动化应用程序使用可编程强大的处理控制语言(PPCL)或其他语言编程。
建筑物自动化***12由软件和/或硬件配置以收集、存储和输出图1中的运行数据13a、13b和/或13c。对于给定的建筑物，运行数据用于监测各自建筑物的性能和/或控制其自动化。数据可为管理数据，诸如记录变化和标记的错误。可输出报告数据。其他运行数据包括来自传感器的测量、致动器设置、设定点、警告或在建筑物自动化***12的运行中生成的其他数据。如图2所示，每个建筑物自动化***12可从区域或房间44、分配***42(例如，空气处理单元)和/或运行建筑物自动化***12的建筑物中采用的一或多个设备40(例如，水或空气冷却的冷却器、熔炉或烤焙器)生成运行数据。
运行数据13包括输入和输出数据。输入数据为用于控制建筑物自动化***12的运行的任何数据，诸如传感器值。示例性的输入值包括冷却水供应和返回温度、排气温度(DAT)、供气流量(SA流量)、回风量(RA流量)和外部空气温度(OAT)。输出数据为建筑物自动化***12的任何数据测量性能，诸如能量使用、温度变化、误差信号、外部空气阻尼器％开度(OAD％)和冷却水阀％开度(CHV％)。
提供不同时间的运行数据13。通过建筑物自动化***12提供时间序列数据。在不同的时间，例如周期性地(例如，每秒、每分、每小时或者每天)记录、测量或记载运行数据。两次或更多次重复提供时间序列数据。时间序列可针对任何时间量(诸如超过几个小时、几天、几周或几年)延长。开始可来自最后一次重置。可选地，使用移动窗口，其中，开始为从当前时间起的给定时间量。
建筑物管理数据(诸如运行数据)特定用于建筑物自动化***12，因此与存储在数据库14中的元数据不同。数据库14也可存储建筑物运行数据，或建筑物运行数据被存储在其他存储器中。提供了来自任何数量的建筑物自动化***12的时间序列数据。
建筑物自动化***12响应于查询存储运行数据以用于访问。可选地，建筑物自动化***12将数据推送到建筑物分析***17或另一装置的处理器16。建筑物分析***17的接口19访问元数据的数据库14和/或建筑物自动化***12以抽出或收集数据。可选地，数据由相应的建筑物自动化***12周期性地推送到接口19。接口19为用于联网的端口、通信接口或其他接口。
使用有线或无线通信来传送运行数据13和/或企业数据(诸如企业10的元数据14)。可使用局域网、广域网、因特网或其他计算机网络来将运行数据传送到处理器16。对于在建筑物自动机***12内，使用相同或不同的网络，诸如802.15.4网络、令牌网络或网状网络。可使用蓝牙、Wi-Fi、计算机网络、以太网、专用或其他标准通信协议。802.15.4和802.11x提供介质访问控制和至无线介质的物理接口。可使用任何现在已知或以后开发的网络和传输算法。
可使用任何包大小或数据格式。可提供用于任何给定通信路径的不同带宽，诸如与适于以更高的速率和更长的距离用于较大数据包的更高级网络相比，适于在较短距离内传输的小数据包的较低级网络。
在典型的建筑物自动化中，建筑物性能基于来自传感器的观测数据和来自致动器的运行数据。企业10还生成企业级数据。图3示出了可操作用于由管理***10的建筑物分析***17执行的建筑物级分析22和企业级分析24的这两个源或数据的分析。虽然建筑物自动化***12可由建筑物分析***17使用建筑物级的性能分析22进行诊断，但较少的信息是可用的，并且不提供对企业的运行的影响。如本文进一步描述，通过包括或提供企业级分析24，建筑物自动化对企业10的影响可由建筑物分析***17确定，或反之亦然。数据分析在企业级由建筑物分析***17使用，以用于在具有或不具有元数据14的情况下控制建筑物自动化***12。通过建筑物分析***17进行的企业的元数据分析可通过建筑物类型、时间和/或与业务信息或其他全球数据的关系来识别故障或其他性能。建筑物分析***17可结合性能分析23来利用这样的数据分析24以检测性能测量，诸如用于优化企业10内的资源利用和/或服务器调度的预算支出。
图4示出了可由建筑物分析***17采用的图3的建筑物级性能分析22的示例性表示。由建筑物分析***17接收的来自一或多个建筑物自动化***12的操作或运行数据13可包括来自建筑物内的数据、仪表数据、效用数据和/或第三方(例如，提供HVAC服务的公司)的数据。由建筑物分析***17的处理器16进行的结构化程序、基于物理学的建模或基于启发式或基于统计的分析在显示器18上提供信息和/或提供用于运行相应的建筑物自动化***12的信息。基于分析的信息用于优化性能、指示性能、提高效率或用作控制建筑物自动化***12的反馈。
图5示出了由建筑物分析***17采用的分析中包括建筑物级和企业级数据的示例性表示。来自建筑物自动化***12的运行数据13，诸如上面图4所讨论的数据与建筑物分析***17可访问和接收的数据库14的企业数据包含在一起。企业数据为建筑物地点数据、占用者数据、业务数据或来自元数据的数据库14的其他元数据。处理器16将数据分析应用于来自业务(business)、建筑物、设备、公用事业、第三方、现场、仪表、企业和/或其他来源的聚集数据13和14。处理器16可采用一或多种类型的分析，包括采样、改性、建模、模拟、发现、挖掘和/或学习。分析被建筑物分析***17用于预测、创建规则、导出认知信息、优化行为、规定、在建筑物和业务事务中作出决定、识别模式、找到隐藏的信息或发现未知关系以输出到显示器18或管理***18中的另一装置。性能分析可由建筑物分析***17(例如，由图1中的相应建筑物自动化***12表示)针对建筑物内、整个企业10内、区域内或与由管理***8管理的企业10相关联的集合内的整个能量***采集。结果为建筑物分析***17生成聚集数据13和14，并使用聚集数据采用分析来为企业10创造有价值的知识和见解。建筑物分析***17可使用输入数据和具有各种数据分析中的任一种的建筑物数据的各种来源中的任一种来提供各种信息，诸如控制功能或企业10内建筑物自动化***12或其他装置的潜在故障的诊断。
在一个实施例中，由建筑物分析***17采用的数据分析包括将数据13和14中表示的多个变量与也在数据中表示的一或多个性能标准相关联。可使用其他的性能来源。可使用任何群集或基于案例的分析。通过包括来自多个建筑物自动化***12的数据13和/或企业数据14，建筑物分析***17的这种无监督学习可指示用于诊断、预报、规划或运行的有用信息。由建筑物分析***17采用的无监督学习确定在分类器没有先验训练的情况下，输入变量或变量值与任何用户选择的性能标准或多个性能标准的关系。由建筑物分析***17采用的无监督学习指示基于没有先验建模或模拟的情况下的当前可用数据的关系。建筑物分析***17可使用额外的或不同的机器学习来识别建筑物自动化***12和/或与较差性能相关联的部件，诸如使用用于对故障进行分类的小脑模型关节运动控制器(CMAC)。
通过建筑物分析***17的群集或其他分类输出的信息与许多建筑物自动化***12的运行数据一起或不一起使用，以用于机器训练劣化的或其他运行的预测器或做出预报。群集或其他分类可输出时间序列。运行数据为时间序列。预测器由建筑物分析***17使用时间序列数据进行训练。在可选实施例中，预测器在没有群集或其他分类和/或没有时间序列数据的情况下进行训练。
一旦训练之后，预测器被建筑物分析***17用于预测任何给定的建筑物自动化***12，诸如用于训练的建筑物自动化***12的一个或未用于训练的不同的建筑物自动化***12。运行数据13、分类(例如，群集)输出和/或预测器的其他输入特征被输入到建筑物分析***17的预测器。
参考图1，建筑物处理器16和显示器18为建筑物分析***17的一部分。建筑物分析***17提取包含在运行数据13和/或企业数据14中的数据，该数据被用户隐藏，以便通过由建筑物分析***17执行的机器学习预测器的机器学习处理和/或应用变得可见。
建筑物处理器16为计算机、服务器、面板、工作站、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列、模拟电路、数字电路及其组合或其他现在已知或以后开发的用于处理大数据和确定大数据与建筑物自动化的关系的装置，或反之亦然。建筑物处理器16为用于执行数据分析，诸如机器学习的装置。
处理器16为企业10的一部分。在一个实施例中，数据分析由建筑物自动化***12的管理计算机执行。可选地，处理器16与企业10分开，以通过如图1所示的建筑物分析***17向企业提供如本文所述的数据分析，诸如作为服务来提供。例如，建筑物分析***17可为与企业10的建筑物自动化***12和元数据的数据库14进行网络通信的服务器，以执行如本文所述的数据分析，并然后将控制或其他信息输出到分布在不同建筑物中的企业10和/或不同的建筑物自动化***12以用于进行控制。
建筑物分析***17的处理器16被配置为分析诸如建筑物自动化运行数据13和/或企业数据14的数据。数据表示各种变量。为变量提供值。值可为随时间、按位置(例如，用于每个建筑物自动化***的值)的变量的测量、常数或其组合。对于分类和群集，大数据由用户预选，或使用默认大数据。为了预测，大数据由用户预选，或使用默认的大数据。来自其他分类的输出可另外用于处理器16的预测。大数据表示运行和/或企业数据的变量。大数据被建筑物分析***17用于机器学习。
建筑物分析***17的建筑物处理器16执行机器训练以将输入特征与劣化的预测、其他事件或预测相关联。例如，图6示出了作为随时间的开度百分比的建筑物自动化***12的阻尼器位置。类似地，图7示出了作为随时间的开度百分比的建筑物自动化***12的冷却阀位置。给定小时数后的完全打开位置表示劣化的性能。建筑物处理器16训练机器学习分类器，以基于输入的时间序列来预测是否会发生劣化。
建筑物分析***17的处理器16将机器学习应用于数据。由建筑物分析***17采用的机器学习使得处理器16能够确定数据之间的统计或其他关系。时间序列数据被用于训练以及基础事实。时间的子集被用作输入特征。与时间序列的性能标准(例如，部分故障)相关联的另一子集由建筑物分析***17用作基础事实。由建筑物分析***17采用的机器学习将劣化性能时间之前的时间的输入运行数据相关联，以预测劣化的性能。图8示出了实例。训练数据包括不同时间的输入和输出数据的数据集合60，诸如24小时内的24组。集合60的子集，诸如小时1-20被用作输入。集合60的剩余子集，诸如小时21-24，被用作基础事实。机器学习使用来自许多实例(例如，在同一时间段内运行的许多建筑物自动化***12)的基础事实来学习预测来自输入的运行数据。由建筑物分析***17进行的机器训练确定输入特征之间的关系以预测输入和输出数据集62。在应用时，由处理器16和/或用户分析预测运行数据以识别劣化性能或其他事件。可选地，机器学习学习直接预测故障、劣化或其他事件。
建筑物分析***17可以使用任何现在已知或以后开发的机器学习，诸如神经网络。例如，建筑物分析***17的处理器16使用循环神经网络或基于时间序列的其他机器学习来预测将来的时间序列和/或事件。
由建筑物分析***17所采用的机器学习确定一个或一组变量或值与另一个或一组变量或值的关系。在一个实施例中，一或多个变量被建筑物分析***17选择为性能标准或多个性能标准。例如，识别出显示劣化性能的时间序列。机器训练学习使用时间序列数据来区分劣化的性能与未劣化的性能。将最终劣化性能之前的时间序列数据与最终未劣化性能之前的时间序列数据区分开来。与劣化性能相对应的变量的值被用作性能的测量。表示性能的变量可来自运行数据或可来自企业数据。在一个实例中，劣化的性能可通过增加的企业成本来反映。随时间的企业成本被用作性能的测量。由建筑物分析***17所采用的机器训练学习区分导致企业成本增加的时间序列运行数据与不会导致企业成本增加的时间序列运行数据。作为另一实例，运行数据被用作性能的度量，诸如阀或阻尼器的百分比打开。在其他实例中，机器训练学习预测将来的运行，而不会具体地识别劣化。单独的分析从运行数据的预测集合62识别劣化或其他事件。
在一个实施例中，由建筑物分析***17训练混合的分析***。训练额外的分类器或多个分类器，如图9所示。由建筑物分析***17对一或多个分类器进行训练，以对来自多个建筑物自动化***12的大数据或数据进行分类。相同或不同的训练数据被用来训练预测器64。在图9的实例中，建筑物分析***17使用无监督学习来训练群集分类器70，并且使用其他机器学习(例如，CMAC)来训练另一分类器72。可使用更多、更少或其他训练。每个分类器70、72的训练可以是分开的。可选地，分类器70、72由建筑物分析***17利用反馈或前馈信息或分类器70、72之间的输入或输出信息的其他交换进行训练。这些初始机器训练分类器70、72用于任何目的，诸如识别特定的自动化***12或其感兴趣的部分或者找出信息之间的关系。
一旦经过训练，分类器70、72的输出由建筑物分析***17处理并输出，以用于训练预测器64。类似地，输出用于经过训练的预测器64的预测。可使用来自分类器70、72的输出的任何合成。例如，来自分类器70、72的输出被直接用作预测器训练或应用的输入特征。作为另一实例，建筑物分析***17使用来自每个分类器70、72的一或多个输出来计算一或多个值。所计算的值被用作预测器的输入特征的一部分。
在使用群集分类器70的实例中，建筑物分析***17使用无监督的机器学习。来自大数据的变量用于相对于任何性能的测量进行群集，以便确定哪些变量或变量值区分良好的和坏的性能。变量和相关值的组合可由建筑物分析***17用来区分性能或与性能更强烈地相关。良好的和坏的性能为基于性能测量的值的范围的相对术语。可使用良好的和坏的性能之间的默认或用户选择的描绘。可选地，建筑物分析***17采用的群集或其他无监督学习应用标准偏差或其他分析来区分良好的和坏的性能。
在一个实例中，建筑物分析***17使用群集来测量建筑物的性能。建筑物自动化***的运行数据13和/或企业数据14由建筑物分析***17群集，以确定建筑物自动化***12是否按需要运行。在另一实例中，数据分析由建筑物分析***17用来测量企业、业务单位、员工、客户或其他企业相关组的性能。建筑物自动化***的运行数据和来自控制多个建筑物的业务的业务数据由建筑物分析***17群集，以确定建筑物自动化***12是否影响企业。
由建筑物分析***17所采用的机器学习发现与性能相关的模式、行为、族、群集、分类或其他因素组。在一个实例中，企业10为有许多学校建筑物的学校***。在该实例中，学生表现被用作性能的测量。该企业数据可为测试分数、年级或可用作由建筑物分析***17访问的元数据14的其他信息。建筑物分析***17可分析用于该学校企业10的建筑物自动化***12的任何或所有运行变量，以确定与性能测量的相关性或影响程度。在该实例中，由根据本文公开的实施例的建筑物分析***17识别的群集可指示，如果其他变量保持不变，则教室通风直接影响学生的表现。通风较差的建筑群可被建筑物分析***17识别为群集。
其他变量或值可能影响性能，但影响程度较小，如由建筑物分析***17确定。基于所识别的群集，建筑物分析***17能够确定一组变量或值是否比其他变量或值更显着地影响性能。基于预先选择的标准，诸如相关性排序，群集结果由建筑物分析***17进行排序，以供用户选择和使用。例如，建筑物分析***17使用影响程度、相关系数或相对影响来区分变量或值范围对性能的影响。
图10A示出了由冷却器性能实例中的建筑物分析***17执行的群集的实例。天气数据、由相应的建筑物自动化***12控制的冷却器的龄期、来自大量建筑物(例如，50个建筑物)的冷却器组的类型和地理位置被选择为建筑物分析***17的输入变量。处理器16应用群集来确定各种输入变量与冷却器性能的关系或相关性，这里被测量为性能系数。群集中的每个点代表其中的一个冷却器。性能由处理器16映射到y轴，并且运行小时并被映射到x轴。右上角的群集由处理器16与热气候中的性能相关联，以及左下角的群集由处理器16与寒冷气候相关联。气候(例如，天气数据和位置的组合)为建筑物分析***17的处理器16基于案例的推理沿y和x轴进行群集的第三维度用途。对于基于案例的推理，建筑物分析***17的处理器16使得用户能够选择或识别(经由键盘或通过接口19的其他输入装置)待使用的群集变量(例如，气候)、x轴和/或y轴变量。处理器16也可使用无需用户选择的各种组合来执行如本文所述的群集，以识别具有最大相关性的组合或具有阈值相关性的组合组。其他输入变量可与冷却器性能具有较小的相关性，因此处理器16可将这样的其他输入变量标识为不确定。基于指示由处理器16确定的相关性的群集，一些建筑物的冷却器的设计、维护或更换可根据所确定的群集相关性诸如基于气候与其他建筑物分开处理。由建筑物分析***17使用的基于案例的推理可以用来提高冷却器性能或用于群集的其他变量。
图10B示出了在基于具有群集案例的推理的学生表现实例中由建筑物分析***17执行的群集的实例。空间二氧化碳、通风、地理位置、分布类型(例如水或空气)、相应建筑物自动化***的龄期、机械***和天气被选择为建筑物分析***17的输入变量，但可使用其他变量。处理器16应用群集(例如，无监督学***均值(GPA))之间的关系或相关性。群集中的每个点代表学生。表现(例如，GPA)被处理器16映射到y轴，以及年级被映射到x轴。右上角的群集被处理器16与更好通风相关联，以及左下方的群集由处理器与通风不良相关联。根据建筑物分析***17的处理器16的基于案例的推理，通风为沿y轴和x轴进行群集的第三维度用途。对于基于案例的推理，建筑物分析***17的处理器16使得用户能够选择或识别(经由键盘或通过接口19的其他输入装置)待使用的群集变量(例如，通风)、x轴和/或y轴变量。处理器16也可使用无需用户选择的各种组合进行群集，以识别具有最大相关性的组合或具有阈值相关性的组合组。其他输入变量可与学生表现具有较小的相关性，因此处理器16可将这样的其他输入变量标识为不确定。基于由根据本文公开的实施例的处理器16确定的相关性的群集，建筑物分析***17可确定学校***企业10的哪些建筑物的通风不良。通过改善通风，学生的表现应该提高。
在一个实施例中，不同类型的无监督学***均化、加权平均化或以其他方式组合。概率分布也可被组合。在其他实施例中，来自不同类型的群集的结果由建筑物分析***17基于预定义的排序自动选择。例如，用户预先选择排序标准或多个标准，诸如相关性排名。来自不同类型的群集的结果由建筑物分析***17排序以供用户选择和/或使用。处理器自动选择较高的N个排名结果，其中N为1或更高的整数。
图11示出了由建筑物分析***17采用的使用企业数据14的群集分析的另一实例。在图11中，每个“良好(good)”、“优(excel)”、“中等(fair)”和“差(poor)”框代表一个位置。建筑物性能指标或标准为服务预算。服务预算由建筑物分析***17从企业数据访问。为查找模式，建筑物分析***17使用了群集、族识别或分组。例如，建筑物分析***17可采用群集来识别开放维护位置的数量与建筑物自动化***12的性能相关，建筑物自动化***12的性能与关联建筑物自动化***12的服务预算有关。数据被建筑物分析***17分类为无监督学***的企业级行为。可通过企业10的管理***8中的建筑物分析***17群集以附加地或替代地确定与性能相关联的位置的共同点，诸如识别在大型水体附近的企业10中的建筑物相对于与水隔开的建筑物群集。
在一个实施例中，建筑物分析***17的处理器16应用无监督学习来识别建筑物自动化***12的子集。子集可为表现不佳的***12或具有最佳或次优性能的***12。例如，在该实施例中，处理器16能够识别运行数据和/或企业数据与建筑物自动化性能的测量的相关性，从而识别建筑物和与差的性能相关联的那些建筑物的变量这两者。在银行企业实例中，根据所公开的实施例的建筑物分析***17可识别银行企业10中的在气候区域中未均等执行的一个冷却器或多个冷却器。冷却器的运行和位置可由建筑物分析***17识别在企业10内的性能不佳的建筑物的群集中。作为执行如本文所公开的群集的结果，银行企业可改变企业10的一些区域中的冷却器的设计，而不会遇到在所有区域中更换冷却器的花费。
企业数据(例如，元数据、服务记录、公用事业数据、业务数据和/或预算信息)、建筑物数据(例如龄期和/或位置)、***数据(例如，分配***的类型-水和/或空气)、应用数据(例如，建筑物传感器和/或运行数据)和/或其他类型的数据由根据所公开的实施例的建筑物分析***17进行分析，诸如分析建筑性能、企业性能或其他因素。在企业10中控制的不同建筑物可为与建筑物分析***17通信的相应建筑物自动化***12、可由建筑物分析***17使用不同的标准和/或数据来源进行性能评估。由建筑物分析***17使用数据来查看性能和/或控制的深入了解，以优化性能或诊断建筑物自动化或企业性能。企业数据被用作与性能相关的输入变量和值和/或用作性能。
建筑物分析***17使用群集来识别由预测器64使用的分组或其他信息。在由建筑物处理器16进行的机器训练预测器64的情况下，可使用群集信息。建筑物分析***17学习预测运行和/或劣化的关系的任何群集区分。可选地，建筑物分析***17使用群集来识别预测器应该向哪一个建筑物自动化***12学习和/或一旦学习应用于哪一个建筑物自动化***12。
在图9中反映的另一实施例中，建筑物分析***17可使用群集信息来识别与差的性能相关联的特定建筑物自动化***12。由建筑物分析***17所采用的其他机器训练学习从群集信息和/或大数据中分类建筑物自动化的部分。该部分信息可由建筑物分析***17在预测器64的训练和/或应用中使用。在一个实例中，群集为可从良好的执行者中大致分类出差的执行者的无监督的学习。这可以是建筑物、建筑物内的***、***内的子***和/或子***内的设备。CMAC为作为故障分类器工作的监督学习。因此，使用CMAC的目标是以级联方式确定问题或故障。最后，预测和预报的作用是采用循环神经网络来预测任何已识别出的差的执行者的故障发生。混合方法的优点在于过程自动化，意味着数据从群集流向CMAC，并最后流向循环神经网络以用于预测和预报。
如图8所示，由建筑物分析***17采用的机器学习包括训练阶段和运行阶段。一旦循环神经网络或其他机器学习算法由建筑物分析***17利用输入特征(例如，运行数据集60)和性能指标或输出(例如，用于T(n+1)的运行数据集合60)来训练，机器学习预测器64用于预测运行阶段。由建筑物分析***17采用的机器学习预测器64为机器学习分类器的矩阵或其他表示，诸如来自学习映射到输出变量的输入变量的在任何数量的层中的节点的多个权重和节点之间的互连。
为了使用或预测，建筑物分析***17的机器学习预测器64接收输入向量。为了预测，输入向量为用于训练的变量的值。在图8的实例中，给定建筑物自动化***12的输入和输出数据集合66的时间序列作为向量或特征被输入到建筑物处理器16。可使用任何次数，诸如用于训练的次数。可在输入的时间序列中使用任何时间范围，诸如分钟、小时、天、周或年份。基于输入向量，建筑物分析***17的机器学习预测器64输出数据。在一个实例中，预测将来的输入和输出数据值的集合68由建筑物分析***17输出。在其他实例中，建筑物分析***17预测其他性能，诸如建筑物自动化***12或部件的劣化运行或故障。
预测学习性能和/或输入和输出数据的预测集合68指示建筑物自动化***12的劣化。一个集合68中的一段时间的预测数据的特定组合或跨时间的数据变化(例如，跨预测集合68)指示建筑物自动化***12的特定部分的劣化或总体的劣化。可选地，预测为部件特定的，诸如被训练成预测不同部件的劣化的建筑物分析***17的不同的机器学习预测器64。在其他替代方案中，建筑物分析***17的机器学习预测器64预测整体建筑物自动化***12的劣化，而不考虑任何特定部件的故障。
在一个实例中，企业10拥有200栋建筑物，并观察同时安装的和类似建筑物处的高能耗冷却器组。进一步调查结果显示，由于建筑物自动化***12的空气处理单元的冷却线圈阀和室外空气(OA)阻尼器似乎打开到最大位置，阻尼器和阀逐渐劣化。因此，建筑物自动化***12的冷却器必须传送更多的能量。通过使用任何数量的发生这种情况的实例结合未发生故障的实例，建筑物分析***17使用机器学习来从适当和不适当运行的时间序列中创建预测器64。采用许多实例的形式的大数据允许建筑物分析***17学习。建筑物分析***17的机器学习预测器64可应用于任何相同或不同的建筑物自动化***12。给定建筑物自动化***12的输入和输出数据的时间序列被输入到建筑物分析***17的机器学习预测器64。然后，预测器64预测将来是否发生和/或何时发生这种不良性能或劣化。建筑物自动化***12中的故障(如果有的话)可由建筑物分析***17预测，从而可提前预防故障。
机器学习预测器64由建筑物分析***17应用于来自任何建筑物自动化***12的数据。预测器64可被训练用于特定建筑物自动化***布置，诸如用于企业10的相似大小的建筑物的重复建筑物自动化***12。在其他实施例中，在建筑物自动化***12上利用任何量的设计变化，诸如不同大小的建筑物的不同布置训练预测器64。预测器64由建筑物分析***17针对特定企业或特定企业10的建筑物的子集进行训练。不同的预测器64针对不同的企业进行训练。不同的预测器64可针对同一企业10中的不同集合的建筑物自动化***12进行训练。不同的预测器64可被训练成预测不同的信息，诸如预测建筑物自动化***12的不同部件的劣化性能。在其他实施例中，预测器64被训练成用于跨多个企业10进行预测。
一旦被训练，预测器64由建筑物分析***17应用于任何建筑物自动化***12。来自许多建筑物自动化***12的数据用于训练预测器64，预测器64然后用于预测给定的建筑物自动化***12。建筑物分析***17可将相同的预测器64应用于不同的建筑物自动化***12。每个建筑物自动化***12的数据由建筑物处理器16分别输入以预测给定建筑物自动化***12的将来运行。
建筑物分析***17可使用其他分类器来确定要测试哪些建筑物自动化***12和/或测试什么类型的劣化。分类用于选择要输入的数据和/或预测器64要使用的数据。例如，企业10的使用无监督学习的群集识别出差性能的建筑物自动化***12和/或差性能的来源(例如阻尼器)。建筑物分析***17的预测器64预测***12的将来劣化或由群集识别的任何建筑物自动化***12的来源。在另一种混合方法中，来自CMAC的输出和企业10的许多建筑物自动化***12的群集被进一步合成和处理，以提供使用训练的神经网络进行进一步预测和预报的输入。经过训练的神经网络可处理大的大数据，诸如随时间进行的相同测量的数据。预测为自动化或半自动化的。机器学习预测器64允许使用特定建筑物自动化***12的大量数据。
建筑物分析***17的机器学习预测器64可预测将来的劣化或其他事件。可使用劣化运行对无劣化运行的任何阈值。由建筑物分析***17进行的预测可为在建筑物自动化***12中的故障或创建不正确的控制回路的预测。预测可以是发生劣化的可能时间或可能的时间范围。该预测可替代地或另外地为哪些部件将具有劣化性能或劣化性能的来源的预测。在其他实施例中，预测是对性能的预测，并且劣化从对预测性能的自动化或编程分析导出。
图12为建筑物分析***17所采用的在建筑物自动化中利用无监督学习使用数据的整体方法的另一表示。企业数据、建筑物自动化***数据(例如，可能是运行数据13的一部分)、来自第三方的数据(例如，天气或服务的运行信息)、效用数据(例如速率)、建筑物数据(例如，位置和大小)、建筑物管理***(BMS)数据(例如，其可为运行数据13的一部分和/或包括不是运行数据13的一部分的建筑物资产跟踪数据)、应用数据(例如，关于建筑物自动化***12的相应应用、BMS或其他建筑物控制器的特定运行数据)和/或其他数据由建筑物分析***17使用作为由建筑物分析***17(如图8所示)实现的数据分析引擎的一部分的无监督学习进行分析。对于建筑物自动化***12的每一个和/或企业10，这种学习可为描述性的、预测性的、指令性的、预兆性的或自适应性的。由根据本文公开的实施例的建筑物分析***17识别的学习关系可用于防止问题、减少能量使用、优化资产、提高效率和/或提供更好的体验。分析由作为企业10的网络部分或作为企业10的远程服务的建筑物分析***17提供，以协助企业提高成本效益、价值服务、敏捷性和/或资源利用。任何变量和任何性能之间的关系可被提供给采用本文公开的群集分析实施例的建筑物分析***17。通过分析大数据、大量变量、广泛的值或具有对许多样本(例如，许多建筑物)的测量的变量，建筑物分析***17可使用群集来识别意外的关系和/或假设，以用于改善在关联企业10内的性能。
除了机器学习预测器64之外或代替机器学习预测器64，还可由建筑物分析***17使用其他类型的机器学习。不同于群集或基于案例的推理，建筑物分析***17所采用的机器学习分类器可被训练成使用建筑物自动化数据和企业数据来诊断企业和/或建筑物自动化***的运行。图13表示一个实例。在离线处理中，建筑物分析***17使用企业数据、效用数据和/或其他数据来训练分类器90。分类器90被训练成估算94运行和/或能量性能。可使用其他性能测量。在反馈或在线学习方法中，建筑物分析***17所采用的训练可包括估值94与实际92性能的比较。通过使用该处理，建筑物分析***17继续训练，直到达到期望的准确度。
外源数据、建筑物管理***数据、其他第三方数据和/或其他数据由建筑物分析***17分析以用于性能91。建筑物分析***17进行的这种数据分析可产生理想或期望的性能98，诸如使用群集来识别具有更好性能的建筑物的相关变量的特征(例如，值)。建筑物分析***17将该期望的性能98与实际性能92进行比较。通过使用预测性、预兆性和/或指令性分析96，建筑物分析***17的比较可触发在线预测器或经过训练的分类器的升级、改变或重新训练。
经过训练之后，建筑物分析***17中所采用的机器学习分类器90从企业、公用事业或其他数据接收输入特征向量以预测性能94。预测性能94可由建筑物分析***17与实际性能92进行比较，以供其他各种分析96使用。机器学习分类器90的输出可用于由建筑物分析***17执行的群集处理，诸如将建筑物自动化的能量或运行的预测性能94与企业性能变量相关联。由建筑物分析***17采用的群集可用于导出机器学习分类器90的输入特征向量的输入。
在图14所示的另一实施例中，在建筑物分析***17中采用逆机器学习分类器100。在该实施例中，建筑物分析***17训练分类器100以基于实际性能92使用各种数据来预测性能94。用作机器学习分类器106的训练的输入的一些数据包括建筑物自动化数据，诸如设定点、运行序列、运行范围或其他控制信息。机器学习分类器106的逆机器学习分类器100可将期望的性能104转换成建筑物管理***运行参数102(例如，设定点、运行序列和/或运行范围，诸如设定点68)。企业和建筑物自动化运行数据用于训练和倒置(inversion)。
用于训练和倒置的数据可由通过根据本文所述的实施例的建筑物分析***17采用的群集来确定。通过建筑物分析***17对预处理进行群集来确定对期望运行或能量性能104最具决定性的变量。
返回到图1，显示器18为液晶显示器、发光二极管显示器、CRT、监视器、等离子体、投影仪、打印机或其他显示器。显示器18由处理器16配置为呈现由建筑物分析***17采用的机器学习预测的结果。在一个实例中，发生的劣化、估算的发生时间、涉及劣化的建筑物自动化***12的一部分和/或部件或建筑物自动化***12的预测运行由建筑物处理器16输出在显示器18上。在另一实例中，遇到问题时由建筑物分析***17识别的建筑物或建筑物自动化***12被输出到显示器18。
在其他实施例中，处理器16发送用于控制或其他用途的结果。可控制建筑物自动化***12以提高性能。可将结果传送给管理器或服务以安排维护以避免故障或劣化。该预测用于避免与不正确运行相关联的停机时间或成本。建筑物处理器16在显示器18上向技术人员输出预测、向主管输出消息或者输出用于训练的日历事件。
图15示出了用于建筑物管理***中的建筑物自动化预测的方法的一个实施例。该方法由图1的建筑物管理***8或不同的***实现。
另外，可提供与图15所示的不同或更少的动作。例如，不执行动作54，而是使用预测或预报结果发生传输、存储或基于规则的动作。
图15表示学习通过机器学习或应用机器学习预测器64来预测。该方法首先在学习或训练阶段讨论。该方法然后在运行或应用阶段讨论。
在用于学习的动作50中，建筑物处理器或建筑物分析***的其他部分通过接口19或从存储器访问与多个建筑物相关的数据。通过接收信息、请求信息或加载信息来进行访问。多个存储器可由与企业中的多个建筑物自动化***有关的管理***10中的处理器挖掘。在替代实施例中，访问与单个建筑物相关的数据。
数据包括建筑物管理***或建筑物自动化***运行数据，其具有或不具有与建筑物管理***不同的企业数据或建筑物自动化***数据不同的企业数据。在企业中并与建筑物管理***通信的建筑物自动化***生成建筑物自动化专用的数据。例如，访问致动器设置、传感器读数、设定点、仪表信息、天气、效用信息、性能测试或用于相应建筑物自动化***的日常运行的其他输入或输出数据。建筑物管理***包括用于加热、冷却、通风、消防安全或其组合数据的自动化。
企业生成专用于企业业务的数据。企业的业务不是建筑物的自动化。相反，可以访问企业的预算、维护、员工投诉或人力资源数据。
企业数据由处理器从企业数据库14访问。企业数据库14为被组织为一个数据库或分离的数据结构的一或多个存储器。访问表示一或多个变量的企业数据。给定变量的值在多个建筑物中可相同或不同。例如，建筑物的维护预算与多个建筑物相关联，但对于不同的建筑物可能不同也可能相同。对于不同的建筑物，偏离预算的量更有可能不同。
所访问的数据可为所有可用数据的全部或默认子集。可选地，用户指示要访问的数据。用户通过指示要进行的预测来配置分析，诸如用户指示阀或阻尼器运行是否劣化的预测。该输入可指示要访问的特定数据，诸如可能由机器学习用于预测运行的数据。在其他实施例中，未指示特定部件。相反，预测建筑物自动化的自动化***的总体、所有部件或默认部件的运行。机器学习可指示哪些变量和相应的数据与预测相关以及哪些不相关。少于所有初始选择的数据用于训练预测器64，诸如仅使用确定性变量。
一些被访问的数据包括时间序列。访问来自不同时间的数据以用于学习预测。在不同时间提供相同装置(例如，建筑物自动化部件)的相同变量的值。例如，访问图8的集合60。对于不同的建筑物自动化***12，测量时间可能不同，诸如测量一天内每小时的每个建筑物自动化***12，但是在不同天测量。测量可重复，诸如对于相同的建筑物自动化***，在一年内测量多个24小时窗口。所访问的数据提供了任何一个或多个部件的好和差的性能的许多实例，其中，来自不同时间的数据被访问。在可选实施例中，不使用时间序列数据。
在一个实施例中，数据也被处理器访问以进行不同于预测的分类。例如，访问机器训练分类器的数据和/或用于无监督(例如，群集)机器学习的数据。分类器被训练成输出期望信息，诸如识别故障源和/或识别性能差的建筑物自动化***12。分类的作用是从差的执行者中大致分类出良好的执行者。然后将结果反馈到CMAC学习中以识别故障的来源。这可用于将预测器64的训练限制到特定建筑物自动化***12、部件或故障。例如，处理器使用群集来区分性能好和差的建筑物自动化***12。从来自性能差的建筑物自动化***12的数据，诸如在好性能以及差性能期间的数据学习预测。不使用来自性能良好的建筑物的数据。可选地，使用来自两组建筑物的数据，但在学习中使用不同建筑物数据来预测。
在用于学习的动作52中，建筑物分析***17的建筑物处理器16将机器学习应用于所访问的数据。为了学习预测，一些数据被用作学习的输入，而其他数据被用作性能测量或预测运行的基础事实。例如并且如图8所示，一些数据集60被处理器用作输入范围(inputhorizon)，从而提供运行的时间序列作为输入。其他集合60被处理器用来表示要预测的运行。可选地或另外地，性能测量(例如，能量使用、误差、故障)被处理器用作预测范围的基础事实，以用于学习预测事件的发生和时间。可以将来自其他分类(例如，群集和/或CMAC)的输出用作用于学习的输入数据和/或基础事实。
处理器所采用的机器学习为神经网络、循环神经网络或用于处理时间序列或预测的其他机器学习。机器学习学习将输入值与基础事实统计学相关。对于神经网络，学习节点层、节点的权重和节点之间的连接以从输入向量(即，输入范围集合60)预测或预报表示将来运行的输出集合62。不是时间序列的其他数据可用作输入，诸如为将来故障或运行的预测的企业变量。
使用管理***的训练中的许多实例，由处理器进行的机器学习会更准确。许多实例可以使机器学习更能够学习预测与任何训练数据不同的给定输入值。
在学习的动作54中，分析***17的建筑物处理器16将机器学习的应用结果输出到显示器18、网络、存储器或其他处理器。输出建筑物自动化***12的运行的机器学习预测器64。例如，输出用于预测劣化的采用诸如矩阵的形式的学习神经网络。可输出不止一个的机器学习预测器64，诸如输出经过训练以做出不同预测的预测器64。例如，对预测器64进行训练以预测建筑物自动化***12的部件或子***的运行。预测器64可另外地或可选地预测发生劣化或其他性能的时间。
使用或应用输出机器学习预测器64。相对于训练数据后来获取的数据被输入到机器学习预测器64。机器学习预测器64基于输入数据来预测事件的运行或发生(例如，劣化性能)而无需基础事实。预测将来的运行。图15表示机器学习预测器64的这种应用。
相同或不同的建筑物处理器16和/或建筑物分析***17应用学习预测器64。在其他实施例中，给定的建筑物自动化***12应用预测器64。
在动作50中，建筑物分析***17、建筑物处理器16或建筑物管理***8的其他装置访问输入数据。输入数据来自给定的建筑物自动化***12。单独分析不同的建筑物自动化***12。一些相同的数据可用于不同的建筑物自动化***12，诸如与不同的自动化***12相关联的企业数据或由其他机器学习分类输出的数据。
用于训练的相同类型的数据由处理器访问。由于机器学习预测器64预测将来或进行预报，所以用于基础事实的数据类型不被访问。在图8的实例中，从存储器、传输或接收中访问在一段时间范围内来自运行的数据集合66。这些集合66为被分析的建筑物自动化***12的运行数据的时间序列。
在由处理器应用学习预测器64的动作52中，机器学习分类器(即，预测器64)预测建筑物自动化***12或建筑物自动化***12的一部分的运行。分析***17或建筑物处理器16将所访问的输入向量的数据输入到机器学习预测器64中。
基于输入数据，由处理器采用的机器学习分类器输出预报或预测。例如，基于具有或不具有其他数据的输入时间序列数据来预测部件的故障。作为另一实例，预测劣化性能的时间(例如，起始时间或时间范围)。在其他实施例中，预测随时间的运行。分析预测运行以识别感兴趣的信息(例如，使用来自预测运行数据的任何标准来识别故障)。
机器学习分类器由处理器应用于任何建筑物自动化***12。在一个实施例中，使用不同的机器学习分类器来识别将应用预测器64的建筑物自动化***12。例如，群集用于识别性能差的建筑物自动化***12。任何数据，诸如相同或不同的数据用于此初始分类。来自所有或许多建筑物自动化***12的数据被输入以分类成员资格或群集。然后将预测器64应用于性能差的建筑物自动化***12。预测器64基于给定建筑物自动化***12的输入数据指示是否和/或何时发生故障或进一步劣化。例如，经过训练的循环神经网络分开被应用于来自每个性能差的建筑物自动化***12的运行时间序列数据。神经网络输出每个自动化***12的预测。在其他实施例中，预测器64被应用于用户选择的、全部的或其他建筑物自动化***12。
在机器学习预测器64的应用的动作54中，预报、预测和/或预报由处理器16呈现在建筑物分析***17的显示器18上。输出可改为在另一装置上传输和输出，诸如打印或远程显示。
输出任何结果，诸如故障发生、预期故障的建筑物自动化***12、预期故障的部件、预期故障的时间或其他故障预测。结果可为故障、劣化性能、增强的性能或与建筑物自动化相关联的其他事件。可输出预测运行。可选地，输出从预测运行导出的信息，诸如时间和/或以不期望的方式运行的装置。可输出概率信息，诸如提供设置有每个时刻的劣化的概率的预期性能劣化的时间范围。
输出可用于调度维护，诸如在破损之前和/或在已经预定的关机期间更换部件。输出可用于识别改变设计的共同点。输出可用于改变企业10的运行，诸如在预期关机之前重新安置员工。该输出可被技术人员用于开始努力识别控制问题的分析。
尽管以上已经参考各种实施例描述了本发明，但是应理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，上述详细描述被认为是说明性的而不是限制性的，并且应理解的是，以下权利要求及其所有等同物旨在限定本发明的精神和范围。
Claims (16)
1.一种建筑物管理***中的建筑物自动化预测的方法，所述方法包括：
通过所述建筑物管理***的建筑物分析***访问(50)与多个建筑物相关的第一数据，所述第一数据包括不同时间的建筑物管理***数据和不同于所述建筑物管理***数据的企业数据，所述企业数据是针对与所述多个建筑物相关联的企业的，并且所述建筑物管理***数据是针对所述多个建筑物的；
所述建筑物分析***将来自不同时间的第一子集的第一数据应用于(52)机器学习，来自不同时间的第二子集的第一数据用作基础事实，以用于学习所述建筑物管理***的预测，其中，通过使用机器学习，将所述建筑物管理***数据和所述企业数据用于创建建筑物自动化劣化的预测器，并且所述机器学习用于使用时间序列数据来区分劣化的性能与未劣化的性能，其中将最终劣化性能之前的所述时间序列数据与最终未劣化性能之前的所述时间序列数据区分开来，其中学习的所述预测器被所述建筑物分析***用于预测建筑物自动化***的一部分在未来时间的未来劣化，使得能够预测到故障以提供对所述建筑物自动化***的预报并且能够在所预测的故障发生之前调度维护；以及
作为应用(52)的结果，输出(54)建筑物自动化***的运行的机器学习预测器。
2.根据权利要求1所述的方法，其中，访问(50)所述企业数据包括访问(50)所述企业的预算、维护、员工投诉或人力资源数据。
3.根据权利要求1所述的方法，其中，访问(50)所述建筑物管理***数据包括访问(50)加热、冷却、通风、消防安全或其组合数据。
4.根据权利要求1所述的方法，其中，应用(52)包括应用于神经网络。
5.根据权利要求4所述的方法，其中，应用于所述神经网络包括应用于循环神经网络。
6.根据权利要求1所述的方法，其中，应用(52)包括：利用包括所述建筑物管理***的所述建筑物自动化***的输入和输出的时间序列的所述第一子集和所述第二子集进行应用(52)。
7.根据权利要求1所述的方法，其中，输出(54)包括输出(54)用于预测所述建筑物自动化***中的劣化的学习神经网络。
8.根据权利要求1所述的方法，其中，输出(54)包括输出(54)作为所述建筑物自动化***的一部分或子***的劣化性能的预测器的所述机器学习预测器。
9.根据权利要求1所述的方法，其中，输出(54)包括输出(54)作为所述建筑物自动化***的一部分或子***的劣化性能的发生时间的预测器的所述机器学习预测器。
10.根据权利要求1所述的方法，还包括将所述机器学习预测器应用于多个建筑物自动化***中的每一个的后来获取的第二数据。
11.根据权利要求1所述的方法，还包括使用机器学习分类器将所述建筑物自动化***划分为第一组和第二组，其中，对所述第一组执行所述应用和输出。
12.一种用于建筑物自动化预测的建筑物管理***，所述***包括：
用于加热、通风和空气调节的建筑物自动化***(12)，所述建筑物自动化***(12)用于多个建筑物并被配置为输出运行的输入和输出数据；
建筑物处理器(16)，被配置为基于应用于从多个实例的时间序列数据训练的机器学习预测器的所述输入和输出数据来预测所述建筑物自动化***中至少一个的一部分的将来劣化，其中所述机器学习预测器用于使用时间序列数据来区分劣化的性能与未劣化的性能，其中将最终劣化性能之前的所述时间序列数据与最终未劣化性能之前的所述时间序列数据区分开来，其中学习的所述预测器被所述建筑物处理器用于预测所述建筑物自动化***的一部分在未来时间的未来劣化，使得能够预测到故障以提供对所述建筑物自动化***的预报并且能够在所预测的故障发生之前调度维护；以及
显示器(18)，被配置为输出所述将来劣化的预测。
13.根据权利要求12所述的建筑物管理***，其中，所述建筑物处理器(16)被配置为将所述机器学习预测器应用于所述建筑物自动化***(12)中的每一个的所述输入数据和输出数据。
14.根据权利要求12所述的建筑物管理***，其中，所述机器学习预测器包括循环神经网络。
15.根据权利要求12所述的建筑物管理***，其中，对所述将来劣化的预测包括故障时间。
16.根据权利要求12所述的建筑物管理***，其中，所述建筑物处理器(16)被配置为基于机器学习分类器的输出进行预测，所述机器学习分类器的所述输出基于所述输入和输出数据。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562131749P | 2015-03-11 | 2015-03-11 | |
| US62/131,749 | 2015-03-11 | ||
| PCT/US2016/020025 WO2016144586A1 (en) | 2015-03-11 | 2016-02-29 | Prediction in building automation |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107430387A CN107430387A (zh) | 2017-12-01 |
| CN107430387B true CN107430387B (zh) | 2021-12-24 |
Family
ID=55527671
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680014769.6A Pending CN107430715A (zh) | 2015-03-11 | 2016-02-29 | 建筑物自动化中的级联识别 |
| CN201680013547.2A Active CN107408230B (zh) | 2015-03-11 | 2016-02-29 | 在建筑物管理***中进行建筑物自动化诊断的***和方法 |
| CN201680014798.2A Active CN107430387B (zh) | 2015-03-11 | 2016-02-29 | 建筑物自动化预测 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680014769.6A Pending CN107430715A (zh) | 2015-03-11 | 2016-02-29 | 建筑物自动化中的级联识别 |
| CN201680013547.2A Active CN107408230B (zh) | 2015-03-11 | 2016-02-29 | 在建筑物管理***中进行建筑物自动化诊断的***和方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (3) | US20180046149A1 (zh) |
| EP (3) | EP3268821B1 (zh) |
| CN (3) | CN107430715A (zh) |
| CA (4) | CA2979193C (zh) |
| WO (3) | WO2016144586A1 (zh) |
Families Citing this family (128)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9411327B2 (en) | 2012-08-27 | 2016-08-09 | Johnson Controls Technology Company | Systems and methods for classifying data in building automation systems |
| GB201313444D0 (en) * | 2013-07-29 | 2013-09-11 | Ambi Labs Ltd | Energy efficient indoor climate controller |
| US10592821B2 (en) * | 2015-06-19 | 2020-03-17 | Trane International Inc. | Self-learning fault detection for HVAC systems |
| US10534326B2 (en) | 2015-10-21 | 2020-01-14 | Johnson Controls Technology Company | Building automation system with integrated building information model |
| US10055114B2 (en) | 2016-01-22 | 2018-08-21 | Johnson Controls Technology Company | Building energy management system with ad hoc dashboard |
| US11947785B2 (en) | 2016-01-22 | 2024-04-02 | Johnson Controls Technology Company | Building system with a building graph |
| US10289509B2 (en) * | 2016-04-06 | 2019-05-14 | Nec Corporation | System failure prediction using long short-term memory neural networks |
| US10216160B2 (en) | 2016-04-21 | 2019-02-26 | Honeywell International Inc. | Matching a building automation algorithm to a building automation system |
| US11774920B2 (en) | 2016-05-04 | 2023-10-03 | Johnson Controls Technology Company | Building system with user presentation composition based on building context |
| US10417451B2 (en) | 2017-09-27 | 2019-09-17 | Johnson Controls Technology Company | Building system with smart entity personal identifying information (PII) masking |
| US10505756B2 (en) | 2017-02-10 | 2019-12-10 | Johnson Controls Technology Company | Building management system with space graphs |
| US11226598B2 (en) | 2016-05-04 | 2022-01-18 | Johnson Controls Technology Company | Building system with user presentation composition based on building context |
| US10495334B2 (en) | 2016-09-28 | 2019-12-03 | Johnson Controls Techology Company | Systems and methods for steady state detection |
| US20180087790A1 (en) * | 2016-09-28 | 2018-03-29 | Johnson Controls Technology Company | Systems and methods for automatically creating and using adaptive pca models to control building equipment |
| US10761516B2 (en) | 2016-11-02 | 2020-09-01 | Johnson Controls Technology Company | Systems and methods for real-time detection and communication of health and performance degradation in a distributed building automation network |
| US11494654B2 (en) * | 2016-11-03 | 2022-11-08 | Avanseus Holdings Pte. Ltd. | Method for machine failure prediction using memory depth values |
| SG10201610116PA (en) * | 2016-11-03 | 2018-06-28 | Avanseus Holdings Pte Ltd | Method and system for machine failure prediction |
| US10324483B2 (en) | 2017-01-12 | 2019-06-18 | Johnson Controls Technology Company | Building energy storage system with peak load contribution cost optimization |
| US10282796B2 (en) | 2017-01-12 | 2019-05-07 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
| US11010846B2 (en) | 2017-01-12 | 2021-05-18 | Johnson Controls Technology Company | Building energy storage system with multiple demand charge cost optimization |
| US10949777B2 (en) | 2017-06-07 | 2021-03-16 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization |
| US11238547B2 (en) | 2017-01-12 | 2022-02-01 | Johnson Controls Tyco IP Holdings LLP | Building energy cost optimization system with asset sizing |
| US11061424B2 (en) | 2017-01-12 | 2021-07-13 | Johnson Controls Technology Company | Building energy storage system with peak load contribution and stochastic cost optimization |
| US11847617B2 (en) | 2017-02-07 | 2023-12-19 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with financial analysis functionality |
| US11487277B2 (en) | 2017-05-25 | 2022-11-01 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system for building equipment |
| US11900287B2 (en) | 2017-05-25 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with budgetary constraints |
| US11994833B2 (en) | 2017-02-10 | 2024-05-28 | Johnson Controls Technology Company | Building smart entity system with agent based data ingestion and entity creation using time series data |
| US11764991B2 (en) | 2017-02-10 | 2023-09-19 | Johnson Controls Technology Company | Building management system with identity management |
| US11360447B2 (en) | 2017-02-10 | 2022-06-14 | Johnson Controls Technology Company | Building smart entity system with agent based communication and control |
| US10452043B2 (en) | 2017-02-10 | 2019-10-22 | Johnson Controls Technology Company | Building management system with nested stream generation |
| US11307538B2 (en) | 2017-02-10 | 2022-04-19 | Johnson Controls Technology Company | Web services platform with cloud-eased feedback control |
| US10515098B2 (en) | 2017-02-10 | 2019-12-24 | Johnson Controls Technology Company | Building management smart entity creation and maintenance using time series data |
| US20180268258A1 (en) * | 2017-03-14 | 2018-09-20 | TUPL, Inc. | Automated decision making using staged machine learning |
| US11327737B2 (en) | 2017-04-21 | 2022-05-10 | Johnson Controls Tyco IP Holdings LLP | Building management system with cloud management of gateway configurations |
| US11747800B2 (en) | 2017-05-25 | 2023-09-05 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with automatic service work order generation |
| US11120411B2 (en) | 2017-05-25 | 2021-09-14 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with incentive incorporation |
| US11636429B2 (en) | 2017-05-25 | 2023-04-25 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance systems and methods with automatic parts resupply |
| US11416955B2 (en) | 2017-05-25 | 2022-08-16 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system with integrated measurement and verification functionality |
| US11409274B2 (en) | 2017-05-25 | 2022-08-09 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system for performing maintenance as soon as economically viable |
| US11022947B2 (en) | 2017-06-07 | 2021-06-01 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization and ELDR user interfaces |
| WO2018232147A1 (en) | 2017-06-15 | 2018-12-20 | Johnson Controls Technology Company | Building management system with artificial intelligence for unified agent based control of building subsystems |
| US10782680B2 (en) * | 2017-07-20 | 2020-09-22 | Genral Electric Company | Cumulative cost model for predicting asset maintenance cost from distress models |
| US10737904B2 (en) | 2017-08-07 | 2020-08-11 | Otis Elevator Company | Elevator condition monitoring using heterogeneous sources |
| US10878144B2 (en) * | 2017-08-10 | 2020-12-29 | Allstate Insurance Company | Multi-platform model processing and execution management engine |
| EP3451243A1 (de) * | 2017-08-28 | 2019-03-06 | Siemens Aktiengesellschaft | Klassifizierung mindestens eines elementes mit mindestens einer unbestimmten eigenschaft |
| CN109507893B (zh) * | 2017-09-14 | 2021-10-29 | 宁波方太厨具有限公司 | 一种智能家居设备的自学习告警控制方法 |
| US10962945B2 (en) | 2017-09-27 | 2021-03-30 | Johnson Controls Technology Company | Building management system with integration of data into smart entities |
| US11314788B2 (en) | 2017-09-27 | 2022-04-26 | Johnson Controls Tyco IP Holdings LLP | Smart entity management for building management systems |
| US11120012B2 (en) | 2017-09-27 | 2021-09-14 | Johnson Controls Tyco IP Holdings LLP | Web services platform with integration and interface of smart entities with enterprise applications |
| US11258683B2 (en) | 2017-09-27 | 2022-02-22 | Johnson Controls Tyco IP Holdings LLP | Web services platform with nested stream generation |
| US11126692B2 (en) * | 2017-09-29 | 2021-09-21 | Rockwell Automation Technologies, Inc. | Base analytics engine modeling for monitoring, diagnostics optimization and control |
| US10809682B2 (en) | 2017-11-15 | 2020-10-20 | Johnson Controls Technology Company | Building management system with optimized processing of building system data |
| US11105528B2 (en) * | 2017-11-15 | 2021-08-31 | Johnson Controls Tyco IP Holdings LLP | Building management system with automatic synchronization of point read frequency |
| US11281169B2 (en) | 2017-11-15 | 2022-03-22 | Johnson Controls Tyco IP Holdings LLP | Building management system with point virtualization for online meters |
| WO2019107360A1 (ja) | 2017-11-28 | 2019-06-06 | 株式会社安川電機 | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 |
| CN108061014A (zh) * | 2017-12-15 | 2018-05-22 | 上海电机学院 | 一种用于设备性能评估的多级层叠cmac模型 |
| JP7121891B2 (ja) * | 2017-12-27 | 2022-08-19 | 株式会社竹中工務店 | 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置 |
| EP3514737A1 (en) | 2018-01-19 | 2019-07-24 | Siemens Aktiengesellschaft | System and method for detecting and forecasting the behavior of a system |
| CN108268748A (zh) * | 2018-04-26 | 2018-07-10 | 南京信息工程大学 | 一种基于机器学习的住宅户型图电气设计方法 |
| EP3576029A1 (en) * | 2018-05-31 | 2019-12-04 | IMEC vzw | Method and device for determining energy system operating scenarios |
| US11531310B2 (en) * | 2018-06-15 | 2022-12-20 | Johnson Controls Tyco IP Holdings LLP | Adaptive selection of machine learning/deep learning model with optimal hyper-parameters for anomaly detection of connected chillers |
| US11859846B2 (en) | 2018-06-15 | 2024-01-02 | Johnson Controls Tyco IP Holdings LLP | Cost savings from fault prediction and diagnosis |
| US11347213B2 (en) * | 2018-06-22 | 2022-05-31 | Siemens Industry, Inc. | Deep-learning-based fault detection in building automation systems |
| CN108960320B (zh) * | 2018-06-26 | 2021-04-27 | 湖北工业大学 | 列车折角塞门故障图像实时检测方法 |
| CN110737214A (zh) | 2018-07-18 | 2020-01-31 | 开利公司 | 基于分析的致冷器排序 |
| CN109102016B (zh) * | 2018-08-08 | 2019-05-31 | 北京新桥技术发展有限公司 | 一种用于桥梁技术状况的测试方法 |
| US11411999B2 (en) | 2018-10-29 | 2022-08-09 | Johnson Controls Tyco IP Holdings LLP | Building system with dynamic manufacturer usage description (MUD) files based on building model queries |
| US11016648B2 (en) | 2018-10-30 | 2021-05-25 | Johnson Controls Technology Company | Systems and methods for entity visualization and management with an entity node editor |
| US11334044B2 (en) | 2018-11-19 | 2022-05-17 | Johnson Controls Tyco IP Holdings LLP | Building system with semantic modeling based searching |
| US11927925B2 (en) | 2018-11-19 | 2024-03-12 | Johnson Controls Tyco IP Holdings LLP | Building system with a time correlated reliability data stream |
| US11092954B2 (en) * | 2019-01-10 | 2021-08-17 | Johnson Controls Technology Company | Time varying performance indication system for connected equipment |
| US11164159B2 (en) | 2019-01-18 | 2021-11-02 | Johnson Controls Tyco IP Holdings LLP | Smart building automation system with digital signage |
| US11714397B2 (en) * | 2019-02-05 | 2023-08-01 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| US20200265119A1 (en) * | 2019-02-14 | 2020-08-20 | Accenture Global Solutions Limited | Site-specific anomaly detection |
| JP7156975B2 (ja) * | 2019-02-26 | 2022-10-19 | 三菱重工業株式会社 | 運営評価装置、運営評価方法、およびプログラム |
| US11677576B2 (en) * | 2019-03-07 | 2023-06-13 | Honeywell International Inc. | Systems and approaches for establishing relationships between building automation system components |
| SG10201903611RA (en) * | 2019-03-20 | 2020-10-29 | Avanseus Holdings Pte Ltd | Method and system for determining an error threshold value for machine failure prediction |
| CN109887228A (zh) * | 2019-03-21 | 2019-06-14 | 杭州虹晟信息科技有限公司 | 基于大数据的安全预警*** |
| WO2020193330A1 (en) * | 2019-03-23 | 2020-10-01 | British Telecommunications Public Limited Company | Automated device maintenance |
| EP3715987A1 (de) * | 2019-03-29 | 2020-09-30 | Siemens Aktiengesellschaft | Verfahren und system zum management von meldungen eines automatisierungssystems |
| US10776100B1 (en) * | 2019-04-05 | 2020-09-15 | Sap Se | Predicting downtimes for software system upgrades |
| US11663375B2 (en) | 2019-05-03 | 2023-05-30 | Willow Technology Corporation Pty Ltd | Configuration of a digital twin for a building or other facility via BIM data extraction and asset register mapping |
| US11283769B2 (en) | 2019-05-06 | 2022-03-22 | Willow Technology Corporation Pty Ltd | Systems configured to enable isolated client device interaction with building automation and control (BAC) networks, including third-party application access framework |
| CN110119851B (zh) * | 2019-05-23 | 2021-11-09 | 上海建工四建集团有限公司 | 一种建筑机电***故障智能预测方法和*** |
| US11605011B2 (en) * | 2019-05-31 | 2023-03-14 | Johnson Controls Tyco IP Holdings LLP | Analysis system with machine learning based interpretation |
| EP3764179A1 (en) * | 2019-07-08 | 2021-01-13 | ABB Schweiz AG | Assessing conditions of instustrial equipment and processes |
| US11480360B2 (en) | 2019-08-06 | 2022-10-25 | Johnson Controls Tyco IP Holdings LLP | Building HVAC system with modular cascaded model |
| CN110425694B (zh) * | 2019-08-09 | 2021-05-25 | 长江慧控科技(武汉)有限公司 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
| WO2021042233A1 (en) * | 2019-09-02 | 2021-03-11 | Robert Bosch Gmbh | Remote diagnosis system, apparatus and method for power tool |
| US11734300B2 (en) * | 2019-09-19 | 2023-08-22 | International Business Machines Corporation | Archival of digital twin based on IoT sensor activity |
| US11556737B2 (en) | 2019-12-04 | 2023-01-17 | At&T Intellectual Property I, L.P. | System, method, and platform for auto machine learning via optimal hybrid AI formulation from crowd |
| CN111240279B (zh) * | 2019-12-26 | 2021-04-06 | 浙江大学 | 一种面向工业不平衡数据的对抗增强故障分类方法 |
| US11894944B2 (en) | 2019-12-31 | 2024-02-06 | Johnson Controls Tyco IP Holdings LLP | Building data platform with an enrichment loop |
| US20210200912A1 (en) | 2019-12-31 | 2021-07-01 | Johnson Controls Technology Company | Building data platform with graph based policies |
| US20210225529A1 (en) * | 2020-01-20 | 2021-07-22 | Honeywell International, Inc. | Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring |
| US11769099B2 (en) | 2020-01-20 | 2023-09-26 | Honeywell International Inc. | Apparatuses, computer-implemented methods, and computer program products for improved monitored building environment monitoring and scoring |
| US11620344B2 (en) | 2020-03-04 | 2023-04-04 | Honeywell International Inc. | Frequent item set tracking |
| US11438434B2 (en) | 2020-05-07 | 2022-09-06 | Carrier Corporation | System and a method for generating service actionable for equipment |
| US11874809B2 (en) | 2020-06-08 | 2024-01-16 | Johnson Controls Tyco IP Holdings LLP | Building system with naming schema encoding entity type and entity relationships |
| US20210390474A1 (en) * | 2020-06-15 | 2021-12-16 | Honeywell International Inc. | Dashboard for multi site management system |
| US20220026879A1 (en) * | 2020-07-22 | 2022-01-27 | Micron Technology, Inc. | Predictive maintenance of components used in machine automation |
| US20220035357A1 (en) * | 2020-07-30 | 2022-02-03 | Johnson Controls Tyco IP Holdings LLP | Building management system with supervisory fault detection layer |
| US11553618B2 (en) * | 2020-08-26 | 2023-01-10 | PassiveLogic, Inc. | Methods and systems of building automation state load and user preference via network systems activity |
| US20220138492A1 (en) * | 2020-10-30 | 2022-05-05 | Johnson Controls Technology Company | Data preprocessing and refinement tool |
| CN112380217B (zh) * | 2020-11-17 | 2024-04-12 | 安徽鸿程光电有限公司 | 数据处理方法、装置、设备及介质 |
| CN112289063A (zh) * | 2020-11-20 | 2021-01-29 | 烟台职业学院 | 基于物联网的智慧城市数据迁移存储管理*** |
| CN112524772B (zh) * | 2020-11-30 | 2021-12-10 | 珠海格力电器股份有限公司 | 空调的控制方法和装置、存储介质、电子装置 |
| US20220197235A1 (en) * | 2020-12-18 | 2022-06-23 | Johnson Controls Tyco IP Holdings LLP | Building management system performance index |
| US11316908B1 (en) | 2021-02-01 | 2022-04-26 | Zurn Industries, Llc | BACnet conversion of water management data for building management solutions |
| US11480358B2 (en) | 2021-02-25 | 2022-10-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
| US20220366170A1 (en) * | 2021-04-21 | 2022-11-17 | Meta Platforms, Inc. | Auto-Capture of Interesting Moments by Assistant Systems |
| US11861315B2 (en) | 2021-04-21 | 2024-01-02 | Meta Platforms, Inc. | Continuous learning for natural-language understanding models for assistant systems |
| US11221601B1 (en) | 2021-05-24 | 2022-01-11 | Zurn Industries, Llc | Various IoT sensory products and cloud-purge for commercial building solutions utilizing LoRa to BACnet conversion for efficient data management and monitoring |
| US11769066B2 (en) | 2021-11-17 | 2023-09-26 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin triggers and actions |
| US11899723B2 (en) | 2021-06-22 | 2024-02-13 | Johnson Controls Tyco IP Holdings LLP | Building data platform with context based twin function processing |
| US11573539B1 (en) * | 2021-09-03 | 2023-02-07 | Zurn Industries, Llc | Managing edge devices in building management systems |
| US20230094187A1 (en) * | 2021-09-24 | 2023-03-30 | Rockwell Automation Technologies, Inc. | Variable relationship discovery and recommendations for industrial automation environments |
| US11796974B2 (en) | 2021-11-16 | 2023-10-24 | Johnson Controls Tyco IP Holdings LLP | Building data platform with schema extensibility for properties and tags of a digital twin |
| US11934966B2 (en) | 2021-11-17 | 2024-03-19 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin inferences |
| US11704311B2 (en) | 2021-11-24 | 2023-07-18 | Johnson Controls Tyco IP Holdings LLP | Building data platform with a distributed digital twin |
| DE102021130996A1 (de) * | 2021-11-25 | 2023-05-25 | Viessmann Climate Solutions Se | Verfahren zur fehlerprädiktion in einer hvac-anlage |
| US11714930B2 (en) | 2021-11-29 | 2023-08-01 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin based inferences and predictions for a graphical building model |
| US11694540B1 (en) | 2021-12-17 | 2023-07-04 | Honeywell International Inc. | Fire events pattern analysis and cross-building data analytics |
| WO2023141174A1 (en) * | 2022-01-19 | 2023-07-27 | Nufam Llc | Systems and methods for predictive holistic facility management |
| US11940767B2 (en) * | 2022-03-10 | 2024-03-26 | Johnson Controls Tyco IP Holdings LLP | Systems and methods of operating a collaborative building network |
| US12013823B2 (en) | 2022-09-08 | 2024-06-18 | Tyco Fire & Security Gmbh | Gateway system that maps points into a graph schema |
| CN115374881B (zh) * | 2022-10-17 | 2023-01-17 | 图林科技(深圳)有限公司 | 一种制冷设备运行状态故障诊断方法 |
| CN116455944B (zh) * | 2023-06-14 | 2023-09-05 | 北京东方广厦模块化房屋有限公司 | 一种基于物联网采集的装配式建筑监测预警方法及*** |
Family Cites Families (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4230646B2 (ja) * | 2000-08-28 | 2009-02-25 | 大和ハウス工業株式会社 | 建物振動障害予測システム |
| US20070028220A1 (en) * | 2004-10-15 | 2007-02-01 | Xerox Corporation | Fault detection and root cause identification in complex systems |
| US7519564B2 (en) * | 2004-11-16 | 2009-04-14 | Microsoft Corporation | Building and using predictive models of current and future surprises |
| CN100387901C (zh) * | 2005-08-10 | 2008-05-14 | 东北大学 | 基于Internet网的锅炉传感器故障诊断和容错一体化方法及装置 |
| US20070112701A1 (en) * | 2005-08-15 | 2007-05-17 | Microsoft Corporation | Optimization of cascaded classifiers |
| CN101288031B (zh) * | 2005-09-06 | 2012-07-18 | 西门子工业公司 | 利用***知识库的建筑物***微***的应用 |
| US20100169030A1 (en) * | 2007-05-24 | 2010-07-01 | Alexander George Parlos | Machine condition assessment through power distribution networks |
| EP2223260A2 (en) * | 2007-11-07 | 2010-09-01 | EDSA Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
| US8600556B2 (en) * | 2009-06-22 | 2013-12-03 | Johnson Controls Technology Company | Smart building manager |
| US9606520B2 (en) * | 2009-06-22 | 2017-03-28 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
| US8731724B2 (en) * | 2009-06-22 | 2014-05-20 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
| EP2302470A3 (en) * | 2009-09-29 | 2014-06-11 | Honeywell International Inc. | Systems and methods for configuring a building management system |
| US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
| EP2400440A1 (en) * | 2009-12-23 | 2011-12-28 | Pulse Energy Inc. | Systems and methods for predictive building energy monitoring |
| US20110161124A1 (en) * | 2009-12-31 | 2011-06-30 | Duane Lappinga | Method and system for enterprise building automation |
| US8719184B2 (en) * | 2010-01-04 | 2014-05-06 | Daniel Buchanan | Energy consumption reporting and modification system |
| EP2539861A4 (en) * | 2010-02-24 | 2013-08-07 | Univ Columbia | METRIC MONITORING AND FINANCIAL VALIDATION SYSTEM FOR PURSUIT OF PERFORMANCE IN IMPROVING INFRASTRUCTURE |
| US8510255B2 (en) * | 2010-09-14 | 2013-08-13 | Nest Labs, Inc. | Occupancy pattern detection, estimation and prediction |
| US8918492B2 (en) * | 2010-10-29 | 2014-12-23 | Siemens Industry, Inc. | Field panel with embedded webserver and method of accessing the same |
| CN102063472B (zh) * | 2010-12-10 | 2012-08-22 | 北京大学 | 图片搜索方法、图片搜索***、客户端和服务器 |
| US9366451B2 (en) * | 2010-12-24 | 2016-06-14 | Commonwealth Scientific And Industrial Research Organisation | System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation |
| US20130030875A1 (en) * | 2011-07-29 | 2013-01-31 | Panasonic Corporation | System and method for site abnormality recording and notification |
| US20130027561A1 (en) | 2011-07-29 | 2013-01-31 | Panasonic Corporation | System and method for improving site operations by detecting abnormalities |
| US9092802B1 (en) * | 2011-08-15 | 2015-07-28 | Ramakrishna Akella | Statistical machine learning and business process models systems and methods |
| WO2013043863A1 (en) * | 2011-09-20 | 2013-03-28 | The Trustees Of Columbia University In The City Of New York | Adaptive stochastic controller for energy efficiency and smart buildings |
| US9251472B1 (en) * | 2011-09-26 | 2016-02-02 | 31North, Inc. | Method and system for monitoring a building |
| CA3044757C (en) * | 2011-10-21 | 2021-11-09 | Google Llc | User-friendly, network connected learning thermostat and related systems and methods |
| US8712945B2 (en) * | 2012-01-31 | 2014-04-29 | International Business Machines Corporation | System and method for optimizing teams |
| AU2013225926B2 (en) * | 2012-02-28 | 2016-01-07 | Emerson Electric Co. | HVAC system remote monitoring and diagnosis |
| CN103048967B (zh) * | 2012-05-09 | 2016-03-23 | 济南华汉电气科技有限公司 | 一种建筑物资源消耗监控管理*** |
| JP6313757B2 (ja) * | 2012-06-21 | 2018-04-18 | フィリップ モリス プロダクツ エス アー | 統合デュアルアンサンブルおよび一般化シミュレーテッドアニーリング技法を用いてバイオマーカシグネチャを生成するためのシステムおよび方法 |
| TWI463334B (zh) * | 2012-07-20 | 2014-12-01 | Univ Nat Cheng Kung | 標的裝置的基底預測保養方法與其電腦程式產品 |
| WO2014022154A1 (en) * | 2012-08-02 | 2014-02-06 | Siemens Corporation | Building a failure-predictive model from message sequences |
| US9411327B2 (en) * | 2012-08-27 | 2016-08-09 | Johnson Controls Technology Company | Systems and methods for classifying data in building automation systems |
| CN104281113A (zh) * | 2013-07-12 | 2015-01-14 | 李文嵩 | 智能住宅***及其运作方法 |
| US20150046233A1 (en) * | 2013-08-06 | 2015-02-12 | Thrive Metrics, Inc. | Methods and systems for providing the effectiveness of an entity |
| CN103399239B (zh) * | 2013-08-12 | 2016-03-02 | 四川大学 | 工业设备电压暂降免疫力的检测方法 |
| US10114721B2 (en) * | 2013-08-18 | 2018-10-30 | Sensibo Ltd. | Power consumption assesment of an HVAC system |
| US20150168003A1 (en) * | 2013-12-18 | 2015-06-18 | Google Inc. | Systems and methods for signature-based thermostat control |
| US10402767B2 (en) * | 2014-02-13 | 2019-09-03 | Johnson Controls Technology Company | Systems and methods for monetizing and prioritizing building faults |
| US9092741B1 (en) * | 2014-04-21 | 2015-07-28 | Amber Flux Private Limited | Cognitive platform and method for energy management for enterprises |
| CN103970892B (zh) * | 2014-05-23 | 2017-03-01 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 基于智能家居设备的多维度观影***控制方法 |
| US20160018835A1 (en) * | 2014-07-18 | 2016-01-21 | Retroficiency, Inc. | System and method for virtual energy assessment of facilities |
| CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
| CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
| CN104361712A (zh) * | 2014-12-02 | 2015-02-18 | 四川创嘉上善网络科技有限公司 | 智能管控工作站及管控***以及使用方式 |
| US20160210569A1 (en) * | 2015-01-19 | 2016-07-21 | Harry Jay Enck | Systems and methods for building performance improvement |
-
2016
- 2016-02-29 WO PCT/US2016/020025 patent/WO2016144586A1/en active Application Filing
- 2016-02-29 CA CA2979193A patent/CA2979193C/en active Active
- 2016-02-29 CA CA2979202A patent/CA2979202C/en active Active
- 2016-02-29 EP EP16719557.7A patent/EP3268821B1/en active Active
- 2016-02-29 WO PCT/US2016/020068 patent/WO2016144591A1/en active Application Filing
- 2016-02-29 CA CA3015407A patent/CA3015407C/en active Active
- 2016-02-29 EP EP16719556.9A patent/EP3268820A1/en active Pending
- 2016-02-29 US US15/549,644 patent/US20180046149A1/en active Pending
- 2016-02-29 CN CN201680014769.6A patent/CN107430715A/zh active Pending
- 2016-02-29 CN CN201680013547.2A patent/CN107408230B/zh active Active
- 2016-02-29 EP EP16709893.8A patent/EP3268819B1/en active Active
- 2016-02-29 CN CN201680014798.2A patent/CN107430387B/zh active Active
- 2016-02-29 CA CA2979201A patent/CA2979201A1/en active Pending
- 2016-02-29 US US15/549,622 patent/US20180046151A1/en active Pending
- 2016-02-29 US US15/549,629 patent/US10824120B2/en active Active
- 2016-02-29 WO PCT/US2016/020028 patent/WO2016144587A1/en active Application Filing
Non-Patent Citations (1)
| Title |
|---|
| 智能楼宇空调***故障预测与诊断的研究;李杨;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20110115(第1期);C042-355 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2016144587A1 (en) | 2016-09-15 |
| WO2016144591A1 (en) | 2016-09-15 |
| CN107408230A (zh) | 2017-11-28 |
| US20180046151A1 (en) | 2018-02-15 |
| CA3015407C (en) | 2022-05-17 |
| CA2979202A1 (en) | 2016-09-15 |
| US20180046149A1 (en) | 2018-02-15 |
| CA2979193A1 (en) | 2016-09-15 |
| WO2016144586A1 (en) | 2016-09-15 |
| EP3268821A1 (en) | 2018-01-17 |
| CA2979201A1 (en) | 2016-09-15 |
| EP3268819B1 (en) | 2021-05-12 |
| CA2979202C (en) | 2019-08-27 |
| US10824120B2 (en) | 2020-11-03 |
| CN107430387A (zh) | 2017-12-01 |
| CN107408230B (zh) | 2021-06-01 |
| CA3015407A1 (en) | 2016-09-15 |
| CA2979193C (en) | 2021-09-14 |
| CN107430715A (zh) | 2017-12-01 |
| EP3268820A1 (en) | 2018-01-17 |
| EP3268821B1 (en) | 2020-07-15 |
| EP3268819A1 (en) | 2018-01-17 |
| US20180046173A1 (en) | 2018-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107430387B (zh) | 建筑物自动化预测 | |
| Gunay et al. | Data analytics to improve building performance: A critical review | |
| Lin et al. | Building fault detection and diagnostics: Achieved savings, and methods to evaluate algorithm performance | |
| Yang et al. | A systematic approach to occupancy modeling in ambient sensor-rich buildings | |
| US11347213B2 (en) | Deep-learning-based fault detection in building automation systems | |
| Anvari et al. | Automated Box–Jenkins forecasting tool with an application for passenger demand in urban rail systems | |
| Hosamo et al. | Digital Twin framework for automated fault source detection and prediction for comfort performance evaluation of existing non-residential Norwegian buildings | |
| Bengea et al. | Fault-tolerant optimal control of a building HVAC system | |
| Lazarova-Molnar et al. | Collaborative data analytics for smart buildings: opportunities and models | |
| Xie et al. | Does historical data still count? Exploring the applicability of smart building applications in the post-pandemic period | |
| Hosamo et al. | Improving building occupant comfort through a digital twin approach: A Bayesian network model and predictive maintenance method | |
| Koukaras et al. | Proactive buildings: A prescriptive maintenance approach | |
| Nastro et al. | A machine learning approach based on neural networks for energy diagnosis of telecommunication sites | |
| Carlander et al. | Integration of cost-risk assessment of denial of service within an intelligent maintenance system | |
| Bechina et al. | A system of systems approach to smart Building Management: an AI vision for Facility Management | |
| Shi | Building operation specialist: A probabilistic distributed fault detection, diagnostics and evaluation framework for building systems | |
| Chowdhury | The impact of occupancy on baseline building energy modelling performance | |
| Torres | Piecewise Deterministic Markov Processes for Condition-based Maintenance Modelling: Applications to Critical Infrastructures | |
| Gunderi | Fault detection and diagnosis of low delta-T syndrome in air handling unit cooling coils | |
| Wickramasinghe et al. | An anomaly detection method for identifying locations with abnormal behavior of temperature in school buildings | |
| Thamban | Fault detection and diagnosis of the low∆ T syndrome in cooling coils of chilled water systems | |
| Kaushik et al. | Detecting faults in the cooling systems by monitoring temperature and energy | |
| Berardino | Modeling and Analysis of Commercial Building Electrical Loads for Demand Side Management | |
| Nasser et al. | Contemporary affirmation of machine learning models for sensor validation and recommendations for future research directions | |
| Belikov et al. | XAI-BASED FAULT DETECTION, DIAGNOSIS AND MONITORING METHOD FOR AIR HANDLING UNITS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |