數(shù)字化的浪潮席卷全球,帶來了全新的樓宇管理模式,智慧樓宇已經(jīng)成為建筑智能化的發(fā)展趨勢。物聯(lián)網(wǎng)技術(shù)、AI人工智能以及云計算的興起,給智慧樓宇增添了新的發(fā)展活力,并產(chǎn)生了巨大的效益。
目前,大樓管理主要是依賴人力后期維護和預防性維護,屬于“被動式”管理,依靠人力完成工作,而勞動成本率57.7%即為“勞動密集型”,成本高效率低,加之面臨人力短缺的現(xiàn)實問題,企業(yè)營業(yè)利潤率低至2.4%。因此,提高樓宇維護作業(yè)效率是當務(wù)之急。
NO.1 人力作業(yè)為主,運營成本高
傳統(tǒng)的大樓監(jiān)測基本上由“人、紙、筆”組成,需要大量人力來完成。人工作業(yè)存在勞動強度大、巡檢不及時、人工經(jīng)驗有誤差以及誤檢漏檢等問題,長此以往,運營成本居高不下。
NO.2 各種管理系統(tǒng)分散,效率低下
傳統(tǒng)樓宇監(jiān)測系統(tǒng)孤立分散,集成化水平低,需要對設(shè)備進行定期的檢查、維修、更換、保養(yǎng)工作,備件采購成本高,任務(wù)繁重,過多占用運維資源,工作效率低下。
近年來,為應對智能化管理的趨勢,越來越多的企業(yè)借助于物聯(lián)網(wǎng)和人工智能技術(shù),對大樓和傳感器狀態(tài)進行實時監(jiān)控和數(shù)據(jù)分析,這使得樓宇管理進行“主動式”的預測性維護成為可能。
自2018年起,日本東京建物在八重洲大樓、日本橋大樓等,部署了“ZETA網(wǎng)絡(luò)監(jiān)測方案”,在關(guān)鍵監(jiān)測點位安裝ZETA傳感器,采集水位、水壓、液壓、電流等運行數(shù)據(jù),對大樓進行全方位集約化監(jiān)控。
與此同時,管理方還引進了Amazon Lookout for Equipment,通過獨特的機器學習模型,實時分析傳入的傳感器數(shù)據(jù),并識別機器故障的早期預警信號,幫助管理方提前做出決策,實現(xiàn)預測性維護,進而降低長期運營成本并提高工作效率。
01
“7×24H實時監(jiān)管”
智能化監(jiān)測減少人力檢查工作
遍布樓宇內(nèi)部的ZETA網(wǎng)絡(luò)、傳感器,配合亞馬遜云計算服務(wù)(以下簡稱為 AWS),構(gòu)成了樓宇智能監(jiān)測的軟硬一體化管理體系。這些工具可以7×24H不間斷地監(jiān)控大樓和設(shè)備狀態(tài),還可以預測所需的維護任務(wù),不僅降低了人工作業(yè)量,還減少了不必要的檢查、維保次數(shù),避免過度保養(yǎng)增加采購成本。
供水泵壓力測試圖
以大樓內(nèi)的水泵水壓和雜廢水輸送泵的電流監(jiān)測為例,通過ZETA 4-20mA采集終端和基恩士壓力傳感器的設(shè)備組合監(jiān)測,實時監(jiān)測水壓和水泵的電流變化,確保穩(wěn)定的測量,智能化的監(jiān)測方式大大減少了日常人力檢查工作。
02
“狀態(tài)可視、云端應用”
及時準確發(fā)現(xiàn)問題并通知預警
樓宇管理系統(tǒng)中,由于涉及到數(shù)量眾多的監(jiān)測點位和終端設(shè)備,會遇到一些網(wǎng)絡(luò)問題和安全響應問題,影響正常的數(shù)據(jù)通信和實時監(jiān)測。
云應用傳感器可視化功能
HAKKEN是一款基于ZETA服務(wù)器的ZETA通信狀態(tài)可視化,并排查問題的云應用。通過ZETA服務(wù)器API檢索、分析、展示數(shù)據(jù),可以快速發(fā)現(xiàn)問題,及時獲取準確信息。同時,還能以郵件等形式發(fā)送預警通知信息,幫助管理方有效預防并精準處理問題。
03
“ZETA+AI檢測設(shè)備早期異常”
從事后維修轉(zhuǎn)為事前預測性維護
Amazon Lookout for Equipment可以基于樓宇現(xiàn)有的ZETA傳感器,將傳感器數(shù)據(jù)發(fā)送到AWS,AI工具會自動分析數(shù)據(jù),評估正常或健康的模式;然后借助從數(shù)據(jù)中學習到的知識進行訓練,建立一個為樓宇管理環(huán)境定制的模型,并反饋預測結(jié)果,以檢測異常的設(shè)備行為。
類似于污水泵水壓和電流監(jiān)測等點位檢查,以前通過人工每天檢查一次,發(fā)現(xiàn)問題較晚,成本高、效率低,為大樓維護帶來極大不便。
隨著“ZETA+AWS”方案的實施,通過引入機器學習ML,輸入水泵正常運行的負載數(shù)據(jù)進行學習,可以通過AI分析快速準確地預測到人工無法檢測到的設(shè)備異常,平臺會自動判定設(shè)備的“正常”和“異常”行為。傳統(tǒng)的傳感器監(jiān)測只能通過水泵運行數(shù)據(jù)超出預先設(shè)定閾值時,以實時發(fā)出警報或停止設(shè)備等方式來降低故障發(fā)生后造成的損失。
而導入機器學習以后,可以在沒有發(fā)生超出預先設(shè)定閾值的情況下,提前3天就對異常現(xiàn)象發(fā)出預警;再通過對模型的監(jiān)督學習,發(fā)現(xiàn)同樣的異常現(xiàn)象,ML甚至可以提前10天發(fā)出預警。這樣可以幫助管理人員實現(xiàn)“主動響應式”的預測性維護,在故障發(fā)生之前防患于未然。這個結(jié)果預示著未來的設(shè)備管理維護,完全可以通過傳感器數(shù)據(jù)和AI學習由現(xiàn)有的預防性維護進化到預測性維護。
此外,Amazon Lookout for Equipment可以讓管理方從ZETA傳感器中獲得更多價值,這些工具從端側(cè)采集到邊緣計算,能夠準確識別出那些可能導致機器故障的早期預警信號,幫助客戶及時做出決策,改善管理流程,從而真正地實現(xiàn)大樓管理的預測性維護。
未來,東京建物將結(jié)合ZETA樓宇監(jiān)測方案,與各種物聯(lián)網(wǎng)方案、人工智能及云計算系統(tǒng)深度整合,助力實現(xiàn)樓宇管理的智慧化。
-
傳感器
+關(guān)注
關(guān)注
2550文章
51039瀏覽量
753088 -
ZETA
+關(guān)注
關(guān)注
0文章
121瀏覽量
10303
發(fā)布評論請先 登錄
相關(guān)推薦
評論