virn / 待分類 / 淺論建筑運維數據應用

分享

   

淺論建筑運維數據應用

2019-07-09  virn

隨著建筑智能集成運維管理平臺從必無用無雞肋逐漸被物業業主和管理者認識、接受、重視、使用,已經向成為物業管理上不可或缺的智能助手。在平臺使用的過程中一定會產生大量設備運行工況數據和維保等動態數據,以及設備臺賬和電子化技術資料等靜態數據。

目前一般上這些數據只是做為查詢之用,后續沒有利用,而且由于目前大部分平臺都是單機版,資源有限。因此,為了節省有效的存儲資源,這些數據在保存一段一個階段(通常2到3個月,很少超過1年)就被丟棄或由后續數據覆蓋掉了。

自從2010年代以來,隨著云計算、大數據、AI人工智能等新技術的興起,以及網絡的泛在化蔓延,給這些數據賦予了新的用途的可能性,比如:智能在線診斷、智能在線預警、基于大數據的智能輔助決策、智能自學習適應、智能運行優化等。

但是如何將上述新技術用于對這些大數據進行有效、及時、綜合分析卻成為智能型集成運維管理平臺向智慧型集成運維管理平臺發展的制約瓶頸,筆者也一直在持續關注、思考這個問題,本文筆者結合有限工作實踐經驗簡單梳理出一點心得與思路,與讀者分享、交流。

首先對建筑智能運維大數據做一個粗略的分類:

01 首先交易數據

來自平臺實時采集的現場設備與環境的監測數據、運行工況數據與設備操作控制指令執行數據,其采集在“端”,也就是各類傳感器和執行器;其處理在“邊”,也就是各機電子系統監控中心。

02 其次互動數據

指的是來自用戶在平臺上或移動端操作所產生的數據,其采集在“邊”,也就是各類人機交互界面,通常是工作站、個人PC和移動終端;其處理在“管”,也就是各物業項目的集成運維管理平臺,在這里我們把這類數據視作用戶的行為數據。

03 再次觀察數據

指的是基于交易數據與互動數據的匯總統計與交互比較分析產生的數據,幫助具有專業背景的工程師能夠利用經驗從統計、分析結果中發現問題點并作為決策參考,其處理在“云”,也就是在物業集團管理云平臺,在這里我們把這類數據稱為可視化數據。

04 最后特征數據

主要指的是指物業項目、運營空間、設備設施、信息采集點的靜態特征數據,比如:BIM數據、物業地理位置與業態數據、空間用途與幾何數據、設備臺賬等。其處理一般在“云”,“管”作為結果使用者。

利用上述四類數據積累,通過大數據分析工具能夠進行獨立與綜合再加工,挖掘深層次的價值并用于建筑物業管理上的智能在線診斷、智能在線預警、基于大數據的智能輔助決策、智能自學習適應、智能運行優化等就構建了建筑AI人工智能基礎形式。但構建建筑AI人工智能不要指望一蹴而就,而應該由表及里、由顯及潛、由淺入深、由專向泛扒洋蔥皮式發展,歸納起來應該有如下三個應用場景維度、五個數據分析層級。

三個應用場景維度:

01 海量重復場景

主要是在管理實踐中尋找高頻出現的重復場景,厘清那些與實際管理痛點相關聯,針對其編制標準化處置流程,并通過實踐優化,然后覆蓋其它類似項目的類似場景。

02 專家經驗場景

通過結合專家或一線管理者積累的建筑運行管理經驗與知識(行業智慧),使用經驗和專業小樣本數據模型逐項構建深層次的數據分析工具,優化使其達到專家智能助手的水平。

03 多域協同場景

最后針對大寫依賴關系復雜、高維度錯綜交叉的場景,再利用AI大數據分析理論、技術、工具發現其中的關系,或通過機器學習達到自優化、自適應的水平。

五個分析層級:

01 描述式數據分析

對實施設備設施實時與歷史運行數據統計與展示,這是數據分析的第一層級,主要應用于數據可視化。

02 預測性數據分析

通過對設備運行狀態和維保工作的持續監測,預測設備設施近期將可能發生的故障,這是數據分析的第二層級,主要應用于指導一線執行員工及時對可能發生故障的設備設施提前干預維護,將故障扼殺在搖籃中。

03 診斷式數據分析

通過對設備運行工況數據和環境數據的綜合分析,診斷設備設施的工作效率、能源利用效率等,這是數據分析的第三層級,主要應用于指導一線工程師針對單個設備進行效率調優。

04 處方性數據分析

通過對場景化相關系統、設備運行,環境與建筑負載,管理制度流程等協同分析,這個分析過程融合了機電設備運行專家、能源管理專家和物業管理專家的集體智慧,這是數據分析的第四層級,主要應用于給出該建筑從設備運行效率、系統運行效率、能源利用效率、管理服務效率等綜合性解決方案。

05 交互行為數據分析

通過針對各類操作者的交互操作行為數據進行分析,從而發現用戶使用偏好、交互體驗優劣、使用容錯問題、新的功能需求等,這是數據分析的第五層級,主要應用于系統平臺軟件的設計、研發、市場、服務等團隊,進行持續產品優化,增添新功能,精準市場營銷,改進服務質量。

一個主意事項:在利用集成建筑智能運維管理平臺采集的建筑大數據進行分析,并建立AI人工智能學習模型算法時,一定不要照搬電商平臺與社交平臺的做法,摒棄完全機器學習與關聯分析的訴求,要引入行業專家,在對小樣本數據進行因果分析的基礎上,創建白盒模型,然后再利用運行這個模型產生的大數據對原模型進行調整,這是即安全又快熟的折中方式,因為在傳統to B行業厭惡甚至不允許試錯式迭代優化,尤其是生產型企業。

本文轉自小溪節能,如內容涉及侵權請及時聯系刪除

    本站是提供個人知識管理的網絡存儲空間,所有內容均由用戶發布,不代表本站觀點。請注意甄別內容中的聯系方式、誘導購買等信息,謹防詐騙。如發現有害或侵權內容,請點擊一鍵舉報。

    0條評論

    發表

    請遵守用戶 評論公約

    類似文章 更多
    喜歡該文的人也喜歡 更多

    ×
    ×

    .00

    微信或支付寶掃碼支付:

    開通即同意《個圖VIP服務協議》

    全部>>
    爆乳美女午夜福利视频_久久精品国产99国产精品_欧美午夜福利1000集2019年