CN118096112A - 一种智能建筑设施运维方法、***、设备及介质 - Google Patents
一种智能建筑设施运维方法、***、设备及介质 Download PDFInfo
- Publication number
- CN118096112A CN118096112A CN202410143957.5A CN202410143957A CN118096112A CN 118096112 A CN118096112 A CN 118096112A CN 202410143957 A CN202410143957 A CN 202410143957A CN 118096112 A CN118096112 A CN 118096112A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- facility
- risk
- building
- building facility
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013058 risk prediction model Methods 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 43
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种智能建筑设施运维方法、***、设备及介质，属于建筑设施运维技术领域，方法包括：实时获取建筑内各个建筑设施的运行状态信息；根据各个建筑设施的位置信息，获取各个建筑设施所在建筑内的环境数据信息；将各个建筑设施对应的运行状态信息和环境数据信息输入至建筑设施对应的故障风险预测模型，得到各个建筑设施的故障风险指数；分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则确定建筑设施为风险设施；根据风险设施的故障风险指数，发送运维提示信息至运维终端。本申请具有提高运维效率的效果。
Description
技术领域
本申请涉及建筑设施运维技术领域，尤其是涉及一种智能建筑设施运维方法、***、设备及介质。
背景技术
随着建筑***的复杂性增加，建筑设施的运维管理也面临着越来越多的挑战。传统的建筑运维方法往往依赖于人工巡检和定期维护，这种方式不仅效率低下，而且难以实时发现和处理故障，导致建筑设施故障率高、维修成本和时间长。
目前，随着物联网技术的发展，智能建筑***成为城市建设的一个重要趋势。智能建筑***通过集成先进的信息技术和自动控制技术，依赖各种传感器收集设施运行数据并进行实时监测，从而为设施运维提供数据支持和决策依据。
针对上述中的相关技术，由于建筑设施通常分布在建筑内的多个位置，不同位置的环境条件均可能存在差异，而常见的智能建筑设施运维***往往不便于针对各个位置的建筑设施的实际环境情况进行预警和维护，从而降低了运维效率。
发明内容
为了提高运维效率，本申请提供了一种智能建筑设施运维方法、***、设备及介质。
第一方面，本申请提供一种智能建筑设施运维方法，采用如下的技术方案：
一种智能建筑设施运维方法，包括：
实时获取建筑内各个建筑设施的运行状态信息；
根据各个所述建筑设施的位置信息，获取各个所述建筑设施所在建筑内的环境数据信息；
将各个所述建筑设施对应的所述运行状态信息和所述环境数据信息输入至所述建筑设施对应的故障风险预测模型，得到各个所述建筑设施的故障风险指数；
分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则确定所述建筑设施为风险设施；
根据所述风险设施的故障风险指数，发送运维提示信息至运维终端。
通过采用上述技术方案，监测每个建筑设施的运行状态信息和所在位置的环境数据信息，便于清晰了解建筑设施的即时运行状况以及所在位置的实际环境情况，通过每个建筑设施对应的故障风险预测模型预测该建筑设施未来的故障风险，确保运维人员能够在发现风险设施时迅速响应并采取必要的维护措施，从而减少了建筑设施意外故障导致的停机时间和维修成本，大大提高了运维效率。
可选的，所述方法还包括对所述建筑设施对应的故障风险预测模型进行训练的步骤，所述步骤包括：
获取所述建筑设施的历史数据信息；其中，所述历史数据信息包括历史运行状态信息、历史环境数据信息以及设施故障历史信息；
将所述历史数据信息进行预处理，并划分为训练集和测试集；
将所述训练集输入至预先构建的神经网络模型中进行训练，并优化模型参数，得到故障风险预测模型；
基于所述测试集对所述故障风险预测模型进行测试和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的故障风险预测模型。
通过采用上述技术方案，根据每个建筑设施的历史数据信息分别训练对应的故障风险预测模型，基于机器学习算法实现了对建筑设施故障风险的准确预测，为建筑设施运维***提供了强大的决策支持，提高了建筑设施的安全性和运营效率，增强了***的可靠性和稳定性。
可选的，基于所述测试集对所述故障风险预测模型进行测试的步骤包括：
根据所述测试集建立测试模型，基于所述测试模型对所述故障风险预测的预测能力进行测试；其中，所述测试模型的测试指标包括均方误差、均方根误差。
通过采用上述技术方案，测试模型得到的均方误差和均方根误差可以帮助评估故障风险预测模型的预测准确性和泛化能力，较小的均方误差和均方根误差意味着模型的预测结果与真实值之间的偏差较小，模型的预测能力较强，从而便于了解模型在新数据上的表现，为模型的进一步优化提供指导。
可选的，根据所述风险设施的故障风险指数，发送运维提示信息至运维终端的步骤包括：
基于各个所述风险设施的故障风险指数进行排序，得到各个风险设施的运维优先级；
根据所述各个风险设施的运维优先级，依次发送运维提示信息至运维终端。
通过采用上述技术方案，根据模型输出的故障风险指数对风险设施进行排序，确定运维优先级，然后依次发送运维提示信息，从而使得运维工作更加有序，优先处理风险较高的设施，以优化维护资源的分配，提高了运维效率和设施的稳定性。
可选的，在发送运维提示信息至运维终端的步骤之后还包括：
接收运维终端上传的运维记录并存储至对应设施的运维历史信息；
经过预设时长后对各个所述风险设施的运行状态信息进行异常检测，判断是否存在异常设施；
若存在异常设施，则根据所述异常设施的位置信息，发送异常提示信息至运维终端。
通过采用上述技术方案，在风险设施维护完成后，运维人员及时上传运维记录，强化了运维管理；同时，***通过精确的异常检测和及时的异常提示，提高了设施维护的效率和有效性，实现了建筑设施的全面智能化管理。
可选的，在确定存在异常设施之后还包括：
获取所述异常设施的运维历史信息；
根据所述运维历史信息，生成运维核查提示信息至管理终端。
通过采用上述技术方案，管理人员对运维活动进行监督和评估，不仅能够确保运维活动的质量，还提高了设施维护的效率和有效性，同时也为未来的运维计划提供决策支持。
第二方面，本申请提供一种智能建筑设施运维***，采用如下的技术方案：
一种智能建筑设施运维***，包括：
运行状态获取模块，用于实时获取建筑内各个建筑设施的运行状态信息；
环境数据获取模块，用于根据各个所述建筑设施的位置信息，获取各个所述建筑设施所在建筑内的环境数据信息；
故障风险指数生成模块，用于将各个所述建筑设施对应的所述运行状态信息和所述环境数据信息输入至所述建筑设施对应的故障风险预测模型，得到各个所述建筑设施的故障风险指数；
第一判断模块，用于分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则输入风险判断结果；
风险设施确定模块，用于响应于所述风险判断结果，确定所述建筑设施为风险设施；
运维提示信息发送模块，用于根据所述风险设施的故障风险指数，发送运维提示信息至运维终端。
可选的，所述***还包括：
运维信息存储模块，用于接收运维终端上传的运维记录并存储至对应设施的运维历史信息；
异常检测模块，用于在经过预设时长后对各个所述风险设施的运行状态信息进行异常检测；
第二判断模块，用于判断是否存在异常设施，若是，则输出异常判断结果；
异常提示信息发送模块，用于响应于所述异常判断结果，根据所述异常设施的位置信息，发送异常提示信息至运维终端。
第三方面，本申请提供一种计算机设备，采用如下的技术方案：
一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：监测每个建筑设施的运行状态信息和所在位置的环境数据信息，便于清晰了解建筑设施的即时运行状况以及所在位置的实际环境情况，通过每个建筑设施对应的故障风险预测模型预测该建筑设施未来的故障风险，确保运维人员能够在发现风险设施时迅速响应并采取必要的维护措施，从而减少了建筑设施意外故障导致的停机时间和维修成本，大大提高了运维效率。
附图说明
图1是本申请其中一个实施例的智能建筑设施运维方法的第一流程示意图。
图2是本申请其中一个实施例的智能建筑设施运维方法的第二流程示意图。
图3是本申请其中一个实施例的智能建筑设施运维方法的第三流程示意图。
图4是本申请其中一个实施例的智能建筑设施运维方法的第四流程示意图。
图5是本申请其中一个实施例的智能建筑设施运维方法的第五流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-5及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例公开一种智能建筑设施运维方法。
参照图1，一种智能建筑设施运维方法，包括：
步骤S101，实时获取建筑内各个建筑设施的运行状态信息；
可以理解的是，建筑设施的正常运行对于建筑的日常运营至关重要，具体地，建筑设施可以包括中央空调、通风***、加热***、电力***、照明***等等。
在本申请的其中一个实施例中，通过安装在建筑设施上的传感器收集实时数据，如电流、电压、振动等，这些数据能够反映设施的即时运行状况，可通过有线或无线网络传输至中央监控***，从而确保了对设施状态的持续监控，为故障预测提供实时数据支持，有助于及时发现问题并采取预防措施。
步骤S102，根据各个建筑设施的位置信息，获取各个建筑设施所在建筑内的环境数据信息；
其中，环境数据信息例如环境温度、湿度、CO2浓度等，可通过环境监测传感器对建筑设施所在位置进行监测，从而更准确地了解设施所在位置的实际情况，以便于分析设备的运行状况和故障风险。
步骤S103，将各个建筑设施对应的运行状态信息和环境数据信息输入至建筑设施对应的故障风险预测模型，得到各个建筑设施的故障风险指数；
在一些实施例中，建筑设施对应的故障风险预测模型根据该建筑设施的历史运行状态信息、历史环境数据信息以及设施故障历史信息预先训练得到；
其中，可通过机器学习算法，结合大量历史数据进行训练，以便于根据当前和历史数据预测建筑设施未来的故障风险，帮助运维人员提前准备和规划维护工作。
步骤S104，分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则跳转至步骤S105；若否，则对下一建筑设施重新执行步骤S104；
步骤S105，确定建筑设施为风险设施；
其中，故障风险指数作为一个量化指标，表示建筑设施发生故障的可能性大小；通过设定一个预设风险阈值，可以判断设备是否处于高风险状态，从而使得运维团队能够快速识别出风险设施并优先处理，以减少故障发生的概率。
步骤S106，根据风险设施的故障风险指数，发送运维提示信息至运维终端。
上述实施方式中，监测每个建筑设施的运行状态信息和所在位置的环境数据信息，便于清晰了解建筑设施的即时运行状况以及所在位置的实际环境情况，通过每个建筑设施对应的故障风险预测模型预测该建筑设施未来的故障风险，确保运维人员能够在发现风险设施时迅速响应并采取必要的维护措施，从而减少了建筑设施意外故障导致的停机时间和维修成本，大大提高了运维效率。
参照图2，作为智能建筑设施运维方法的一种实施方式，方法还包括对建筑设施对应的故障风险预测模型进行训练的步骤，步骤包括：
步骤S201，获取建筑设施的历史数据信息；其中，历史数据信息包括历史运行状态信息、历史环境数据信息以及设施故障历史信息；
其中，这些历史数据信息将作为训练模型的数据基础，用来训练神经网络模型以学习数据之间的关系，有助于创建出更准确的预测模型。
步骤S202，将历史数据信息进行预处理，并划分为训练集和测试集；
其中，预处理步骤包括数据清洗、缺失值处理、数据标准化等，以提高数据质量；同时，将历史数据信息划分为训练集和测试集，训练集用于训练模型，而测试集则用于评估模型的性能和泛化能力；
步骤S203，将训练集输入至预先构建的神经网络模型中进行训练，并优化模型参数，得到故障风险预测模型；
其中，将训练集的数据输入到预先构建好的神经网络模型中进行训练，神经网络模型将通过学习训练集中的数据，调整模型参数以最小化预测值与实际值之间的误差，从而建立数据之间的关系，使模型能够在给定输入数据时准确预测建筑设施的故障风险。
在本申请的其中一种实施例中，可以采用长短期记忆网络（LSTM）模型，作为一种特殊类型的递归神经网络模型，该模型非常适合处理和预测时间序列数据中的重要事件。由于建筑设施的运行状态信息和环境数据信息往往是随时间变化的序列数据，LSTM能够有效地捕捉这些数据中的长期依赖关系，这对于预测设施的运行状态和故障风险至关重要。
步骤S204，基于测试集对故障风险预测模型进行测试和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的故障风险预测模型。
其中，可通过反向传播算法和优化器（如Adam）来优化模型参数以最小化损失函数；其中，可设置一个合适的损失函数，例如均方误差（MSE）或交叉熵损失函数，用于评估模型的预测能力和泛化能力，减少过拟合或欠拟合的可能性。
上述实施方式中，根据每个建筑设施的历史数据信息分别训练对应的故障风险预测模型，基于机器学习算法实现了对建筑设施故障风险的准确预测，为建筑设施运维***提供了强大的决策支持，提高了建筑设施的安全性和运营效率，增强了***的可靠性和稳定性。
参照图3，作为步骤S204的一种实施方式，基于测试集对故障风险预测模型进行测试的步骤包括：
根据测试集建立测试模型，基于测试模型对故障风险预测的预测能力进行测试；其中，测试模型的测试指标包括均方误差、均方根误差。
具体地，利用测试集的真实安全风险指数和模型的预测结果，可以计算出各项测试指标，如均方误差和均方根误差，来评估故障风险预测模型的预测能力。
其中，均方误差（MSE）是预测值与真实值之间差值的平方的平均值，可以用以下公式表示：MSE=Σ(预测值-真实值)^2/n；均方根误差（RMSE）是均方误差的平方根，用于衡量预测值与真实值之间的平均偏差，可以用以下公式表示：RMSE=sqrt(MSE)。
上述实施方式中，测试模型得到的均方误差和均方根误差可以帮助评估故障风险预测模型的预测准确性和泛化能力，较小的均方误差和均方根误差意味着模型的预测结果与真实值之间的偏差较小，模型的预测能力较强，从而便于了解模型在新数据上的表现，为模型的进一步优化提供指导。
参照图3，作为步骤S106的一种实施方式，根据风险设施的故障风险指数，发送运维提示信息至运维终端的步骤包括：
步骤S301，基于各个风险设施的故障风险指数进行排序，得到各个风险设施的运维优先级；
其中，利用排序算法对故障风险指数进行依次排序，以确定哪些风险设施需要优先进行运维处理，故障风险指数越高，则运维优先级越高；
步骤S302，根据各个风险设施的运维优先级，依次发送运维提示信息至运维终端。
其中，运维终端可以为运维人员的智能移动终端，例如手机、平板电脑等。
上述实施方式中，根据模型输出的故障风险指数对风险设施进行排序，确定运维优先级，然后依次发送运维提示信息，从而使得运维工作更加有序，优先处理风险较高的设施，以优化维护资源的分配，提高了运维效率和设施的稳定性。
参照图4，作为智能建筑设施运维方法进一步的实施方式，在发送运维提示信息至运维终端的步骤之后还包括：
步骤S401，接收运维终端上传的运维记录并存储至对应设施的运维历史信息；
其中，运维终端在维护完成后，可通过运维终端同步上传所维护的风险设施的运维记录，以确保每个风险设施的维护历史可追溯，从而为后续的运维评估提供数据支持；
步骤S402，经过预设时长后对各个风险设施的运行状态信息进行异常检测；
步骤S403，判断是否存在异常设施；若存在异常设施，则跳转至步骤S404；若不存在异常设施，则不执行任何操作；
其中，可以利用数据分析和算法来判断是否存在异常设施，例如设施故障、过载、温度异常等，可通过比较当前运行状态与正常运行参数的差异来实现对设施状态的异常判断；
可以理解的是，在确定运维完成后，***会等待一个预设时长，然后再次获取风险设施的运行状态信息，从而便于对运维后的设施状态进行评估，确保运维质量；在一些实施例中，预设时长可根据实际情况进行预先设置和调整，例如设置为20分钟、30分钟等等；
步骤S404，根据异常设施的位置信息，发送异常提示信息至运维终端。
其中，一旦检测到异常设施，***将根据设施的位置信息生成并发送异常提示信息至运维终端，以确保运维人员能够快速准确地找到并采取措施，提高了运维响应的速度和精确性，减少了由于延迟响应而可能导致的进一步损害。
上述实施方式中，在风险设施维护完成后，运维人员及时上传运维记录，强化了运维管理，同时，***通过精确的异常检测和及时的异常提示，提高了设施维护的效率和有效性，实现了建筑设施的全面智能化管理。
参照图5，作为智能建筑设施运维方法进一步的实施方式，在确定存在异常设施之后还包括：
步骤S501，获取异常设施的运维历史信息；
其中，通过分析运维历史信息，可以识别设施的维护模式和维护频率，便于及时发现历史未解决的问题或反复出现的问题；
步骤S502，根据运维历史信息，生成运维核查提示信息至管理终端。
其中，运维核查提示信息用于提示管理人员对风险设施的运维历史信息进行核查；在一些实施例中，管理终端可以为管理人员的智能移动终端，如手机、平板电脑等，也可以为管理室内的计算机终端。
可以理解的是，***会根据风险设施的运维历史记录生成运维核查提示信息并发送至管理终端，通过分析历史维护记录，可以优化未来的维护计划和策略，提高预防性维护的能力。
上述实施方式中，管理人员对运维活动进行监督和评估，不仅能够确保运维活动的质量，还提高了设施维护的效率和有效性，同时也为未来的运维计划提供决策支持。
本申请实施例还公开一种智能建筑设施运维***。
一种智能建筑设施运维***，包括：
运行状态获取模块，用于实时获取建筑内各个建筑设施的运行状态信息；
环境数据获取模块，用于根据各个建筑设施的位置信息，获取各个建筑设施所在建筑内的环境数据信息；
故障风险指数生成模块，用于将各个建筑设施对应的运行状态信息和环境数据信息输入至建筑设施对应的故障风险预测模型，得到各个建筑设施的故障风险指数；
第一判断模块，用于分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则输入风险判断结果；
风险设施确定模块，用于响应于风险判断结果，确定建筑设施为风险设施；
运维提示信息发送模块，用于根据风险设施的故障风险指数，发送运维提示信息至运维终端。
上述实施方式中，通过每个建筑设施对应的故障风险预测模型预测该建筑设施未来的故障风险，确保运维人员能够在发现风险设施时迅速响应并采取必要的维护措施，从而减少了建筑设施意外故障导致的停机时间和维修成本，大大提高了运维效率。
作为智能建筑设施运维***进一步的实施方式，***还包括：
运维信息存储模块，用于接收运维终端上传的运维记录并存储至对应设施的运维历史信息；
异常检测模块，用于在经过预设时长后对各个风险设施的运行状态信息进行异常检测；
第二判断模块，用于判断是否存在异常设施，若是，则输出异常判断结果；
异常提示信息发送模块，用于响应于异常判断结果，根据异常设施的位置信息，发送异常提示信息至运维终端。
上述实施方式中，在风险设施维护完成后，运维人员及时上传运维记录，强化了运维管理；同时，***通过精确的异常检测和及时的异常提示，提高了设施维护的效率和有效性，实现了建筑设施的全面智能化管理。
本申请实施例的智能建筑设施运维***能够实现上述智能建筑设施运维方法的任一种方法，且智能建筑设施运维***中各个模块的具体工作过程可参考上述方法实施例中的对应过程。
在本申请所提供的几个实施例中，应该理解到，所提供的方法和***，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的；例如，某个模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
本申请实施例还公开一种计算机设备。
计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的智能建筑设施运维方法。
本申请实施例还公开一种计算机可读存储介质。
计算机可读存储介质，存储有能够被处理器加载并执行如上述的智能建筑设施运维方法中任一种方法的计算机程序。
其中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用；计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
Claims (10)
1.一种智能建筑设施运维方法，其特征在于，包括：
实时获取建筑内各个建筑设施的运行状态信息；
根据各个所述建筑设施的位置信息，获取各个所述建筑设施所在建筑内的环境数据信息；
将各个所述建筑设施对应的所述运行状态信息和所述环境数据信息输入至所述建筑设施对应的故障风险预测模型，得到各个所述建筑设施的故障风险指数；
分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则确定所述建筑设施为风险设施；
根据所述风险设施的故障风险指数，发送运维提示信息至运维终端。
2.根据权利要求1所述的一种智能建筑设施运维方法，其特征在于，所述方法还包括对所述建筑设施对应的故障风险预测模型进行训练的步骤，所述步骤包括：
获取所述建筑设施的历史数据信息；其中，所述历史数据信息包括历史运行状态信息、历史环境数据信息以及设施故障历史信息；
将所述历史数据信息进行预处理，并划分为训练集和测试集；
将所述训练集输入至预先构建的神经网络模型中进行训练，并优化模型参数，得到故障风险预测模型；
基于所述测试集对所述故障风险预测模型进行测试和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的故障风险预测模型。
3.根据权利要求2所述的一种智能建筑设施运维方法，其特征在于，基于所述测试集对所述故障风险预测模型进行测试的步骤包括：
根据所述测试集建立测试模型，基于所述测试模型对所述故障风险预测的预测能力进行测试；其中，所述测试模型的测试指标包括均方误差、均方根误差。
4.根据权利要求1所述的一种智能建筑设施运维方法，其特征在于，根据所述风险设施的故障风险指数，发送运维提示信息至运维终端的步骤包括：
基于各个所述风险设施的故障风险指数进行排序，得到各个风险设施的运维优先级；
根据所述各个风险设施的运维优先级，依次发送运维提示信息至运维终端。
5.根据权利要求1到4任一所述的一种智能建筑设施运维方法，其特征在于，在发送运维提示信息至运维终端的步骤之后还包括：
接收运维终端上传的运维记录并存储至对应设施的运维历史信息；
经过预设时长后对各个所述风险设施的运行状态信息进行异常检测，判断是否存在异常设施；
若存在异常设施，则根据所述异常设施的位置信息，发送异常提示信息至运维终端。
6.根据权利要求5所述的一种智能建筑设施运维方法，其特征在于，在确定存在异常设施之后还包括：
获取所述异常设施的运维历史信息；
根据所述运维历史信息，生成运维核查提示信息至管理终端。
7.一种智能建筑设施运维***，其特征在于，包括：
运行状态获取模块，用于实时获取建筑内各个建筑设施的运行状态信息；
环境数据获取模块，用于根据各个所述建筑设施的位置信息，获取各个所述建筑设施所在建筑内的环境数据信息；
故障风险指数生成模块，用于将各个所述建筑设施对应的所述运行状态信息和所述环境数据信息输入至所述建筑设施对应的故障风险预测模型，得到各个所述建筑设施的故障风险指数；
第一判断模块，用于分别判断每个建筑设施的故障风险指数是否大于预设风险阈值，若是，则输入风险判断结果；
风险设施确定模块，用于响应于所述风险判断结果，确定所述建筑设施为风险设施；
运维提示信息发送模块，用于根据所述风险设施的故障风险指数，发送运维提示信息至运维终端。
8.根据权利要求7所述的一种智能建筑设施运维***，其特征在于，所述***还包括：
运维信息存储模块，用于接收运维终端上传的运维记录并存储至对应设施的运维历史信息；
异常检测模块，用于在经过预设时长后对各个所述风险设施的运行状态信息进行异常检测；
第二判断模块，用于判断是否存在异常设施，若是，则输出异常判断结果；
异常提示信息发送模块，用于响应于所述异常判断结果，根据所述异常设施的位置信息，发送异常提示信息至运维终端。
9.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1到6任一所述方法。
10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1到6任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410143957.5A CN118096112A (zh) | 2024-01-31 | 2024-01-31 | 一种智能建筑设施运维方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410143957.5A CN118096112A (zh) | 2024-01-31 | 2024-01-31 | 一种智能建筑设施运维方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118096112A true CN118096112A (zh) | 2024-05-28 |
Family
ID=91143558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410143957.5A Pending CN118096112A (zh) | 2024-01-31 | 2024-01-31 | 一种智能建筑设施运维方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096112A (zh) |
-
2024
- 2024-01-31 CN CN202410143957.5A patent/CN118096112A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及*** | |
| KR102464762B1 (ko) | 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법 | |
| CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
| CN112016743A (zh) | 电网设备的检修预测方法、装置、计算机设备和存储介质 | |
| CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及*** | |
| CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
| CN117764422B (zh) | 智慧节能运维管理云平台 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和*** | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和*** | |
| CN116523498A (zh) | 基于ai的电力设施巡视方法、***、装置和存储介质 | |
| CN118096112A (zh) | 一种智能建筑设施运维方法、***、设备及介质 | |
| CN115936663A (zh) | 一种电力***的维护方法及装置 | |
| CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
| CN118150943B (zh) | 配电网接地故障定位方法、***、电子设备及存储介质 | |
| CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
| CN117474357B (zh) | 基于深度学习的配电房运维管理方法及*** | |
| CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析*** | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN117455028A (zh) | 一种企业运维管理***及其监控方法 | |
| CN118313688A (zh) | 核电设备的可靠性评估方法、***、设备、介质和程序 | |
| Xu et al. | Research on executing equipment control algorithm based on multi-sensor pipe gallery |
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 |