什么是建筑物的预见性维护?｜智能百科

什么是建筑物的预见性维护?｜智能百科

在建筑维护领域的流行术语中，预测性维修大有耳闻。近年来，这个术语在工业和制造业与工业设备有关的术语中日益突出。然而，这个术语的含义远不止于此。随着物联网(IoT)在整个建筑环境领域的扩展，预测性维护正在为解决建筑系统和设备维护需求的革命铺平道路。

什么是建筑物的预见性维修?  

预测维修是一种依靠实时监测设备状态和数据来预测设备故障的设备维护策略。高级数据模型、分析和机器学习(ML)可以可靠地评估最有可能发生故障的时间和地点，包括哪些组件最有可能受到影响。

预测性维护是如何工作的?

预测维修技术使用连接的建筑系统和设备的历史和实时数据来模拟性能、监控条件，并在设备或系统故障发生之前预测。来自设备、系统、传感器和环境因素的历史数据被用于模拟所谓的P-F曲线。

P-F曲线描述了一个设备或系统在一段时间内的性能，并表示了设备可能发生故障的点——潜在故障或方程式中的“P”，以及设备确实发生故障的点——功能故障或等式中的“F”。提供给该模型的数据越多，预测性维护程序就越能更好地确定潜在故障点和功能故障点之间的间隔。

为了实现这一点，构建系统集成是预测性维护策略的关键组成部分。也就是说，一个成功的项目是通过物联网、ML和系统集成的战略融合来实现的。

当这些技术协同工作时，会利用产生的大量数据来模拟P-F曲线。该曲线可以精确地确定可能发生故障的时间间隔，准确率无可挑剔。然后，建筑工程师和维修团队通过软件访问这些信息，如集成建筑管理平台(IBMP)，以便在故障发生时解决故障。

成功实现预测性维护需要什么?

如前所述，成功的预测性维护策略依赖于物联网、ML和系统集成的战略融合。目前市场上的许多预测性维护解决方案缺乏这种战略融合，但不是故意的，而是因为建筑物比工业设备、车辆或任何其他使用预测性维护的实体要复杂得多。

这种复杂性意味着影响P-F曲线所需的数据通常被孤立在各自的系统中，使得在原始状态下几乎不可能应用先进的机器学习能力，这些能力依赖于多个因素来通知P-F曲线模型。一个具有独立数据层(IDL)的智能建筑集成平台解决了这个问题。

通过简化和规范化来自建筑生态系统中不同实体的数据，这些中间件技术充当预测性维护背后的大脑和神经系统。一旦数据被简化和规范化，机器学习就可以开始分析整个建筑生态系统的数据，以识别表明潜在故障点的事件。

为了实现利用智能建筑集成平台和IDL的预测性维护解决方案，首先需要确定建筑是否已经已做好数字化准备，以及哪些系统和技术可以轻松集成到预测性维护软件中。

如果建筑已做好数字化准备，那么应该能够相对快速地开始获得预测性维护策略的好处。但，如果发现建筑缺乏进入智能建筑集成平台的必要要求，就可能需要可信赖的主系统集成商的帮助。

----------------------------