基于人工智能和大數據技術的新型自動故障檢測器設計

摘要：經過系統化分析，人工智能技術和大數據技術的應用，可以促進建筑行業能源消耗量的降低。為了達到降低能耗的目標，核心在于通過分析、檢測能源應用情況，借助智能化算法模型對數據進行分析，從而識別存在的異常情況并做出有針對性的處理。以樓宇管理系統（building management system，BMS）為基礎，發揮神經網絡和大數據技術功能優勢，提出一種故障檢測器設計方案，并通過試驗分析，確定該檢測器具備實用性和準確性，可以高效識別分析故障。

關鍵詞：人工智能；大數據技術；自動故障檢測器；設計方案

中圖分類號：TN806；TP277；TU201.4 文獻標識碼：A

0 引言

隨著科技的發展，人工智能技術和大數據技術日益成熟，其在我國多領域發揮重要作用。對于建筑行業而言，智能化成為主要發展方向，依托自動化技術實現數據信息采集和分析，以實現處理效率的提升和更為精準的故障識別。本文以人工智能技術和大數據技術為基礎，提出一種新型自動故障檢測器設計方案，旨在為我國建筑領域智能化發展提供更多參考。

1 研究背景

隨著新技術的發展，人工智能技術、大數據技術等得到進一步應用，其為自動化、智能化建設提供更多支持。對于建筑行業而言，基于節能、環保等理念，如何降低能耗成為關鍵任務。

目前，人工智能技術和大數據技術聯系更為緊密。人工智能作為一種新興技術，其可以在經驗中學習，掌握更多知識點。目前，自動駕駛汽車等技術與人工智能存在不可分割的聯系，在技術應用過程中，可以通過大量信息智能化處理，從而識別信息模式并且訓練其掌握的基本規律，進而依據該基本規律執行任務。大數據技術的應用為人工智能應用提供多元化數據，可以助力其在更短時間內掌握需要的信息數據并完成智能化分析[1]。

基于人工智能技術發展， 人工神經網絡（artificial neural network，ANN）作為一種機器學習技術，已在多領域得到應用，該技術可以降低誤差帶來的干擾。該技術由輸入層、隱藏層和輸出層3 個部分組成，3 個層級之間聯系緊密、不可分離。以建筑工程故障檢測為基礎進行分析，當前樓宇管理系統（building management system，BMS）應用較為廣泛，其是現代化商業樓宇實現智能化管控的關鍵。該系統的科學應用不僅可以保證樓宇各個部分按照預設標準運行，達到預期設定目標，還可以降低人工勞動強度，提升管理效率。該系統的應用在降低安全風險、提升客戶滿意度等方面具有重要意義。

基于此，本文提出了一種新型自動故障檢測器設計方案，該檢測器以人工智能技術和大數據技術為基礎。

2 基于人工智能和大數據技術的新型自動故障檢測器設計方案分析

2.1 設計思路

當前多數建筑以電力為主要能源，但在實際應用過程中，會由于BMS 出現設備故障和錯誤配置等問題，導致整體運行無法達到預期，造成能源損失。例如，錯誤配置的設定值會導致傳感器和執行器無法正常發揮作用，其獲取的實際信息與預測值之間存在差異，使故障檢測器失去作用。

基于這些問題，BMS 的應用可以為建筑智能化管控提供支持，但該技術對硬件、軟件提出高要求。因此，本文基于成本、性能和可靠性3 個方面內容，以BMS 為基礎，結合人工智能技術和大數據技術對其進行改進，提出更為完善的方案。

2.2 設計原理

本文以BMS 為例，發揮大數據技術和人工智能技術優勢，提出故障檢測器設計方案。該檢測器可以發揮人工智能和大數據功能，實現數據信息自動化集成，并通過人工智能分析，自動檢測和診斷故障[2]。以BMS 為核心，其中大數據平臺發揮存儲和處理功能，對新收集及歷史BMS 數據進行智能化檢測，判定是否存在故障，基于大數據技術的BMS 架構如圖1 所示。

基于系統設計思路，本文提出一款基于大數據分析技術的檢測器設計方案，該檢測器本質是一款新型故障監測工具（fault detection tool，FDT），以BMS 為基礎，在日常檢測過程中，發揮大數據技術優勢，實現異常能耗智能化檢測和自動化識別。該軟件在應用過程中，大數據技術發揮效用，輔助BMS 采集數據，如建筑溫度、電力運行參數等，然后通過整合分析收集的數據，對照預設模型，判斷數據是否存在異常。但是，由于獲取的數據集合具備時間序列特征，因此，需要利用時態數據庫模型完成數據分析和模型構建。FDT 軟件基本架構如圖2 所示。

2.3 神經網絡故障檢測

為了提升系統自動化檢測功能優勢，除了發揮大數據功能外，還需要確保系統具備基于歷史數據和實時采集數據分析能力，以實現自動化故障檢測。本文以神經網絡為基礎，并結合FDT 軟件基本架構、BMS 和大數據平臺架構特點，提出一種更為智能的自動故障檢測器設計方案。

第一，保證FDT 具備實時性。想要達成該目標需要對數據進行預處理，在此過程中，以采集的數據信息為基礎，判斷信息數據是否完整，并且對于存在缺失的數據需要進行替換；對于不完整數據信息需要標注，并將其剔除出應用數據類別；對于極端數值需要舍去。同時，還需要基于實際需求，對采集的數據信息進行智能化處理，如數據集成、數據還原、數據離散化及數據轉換等。在此過程中，為了保證處理效率會應用各種工具，但預處理環節產生的數據是后續分析和故障診斷的基礎，所以必須保證數據的真實性和完整性[3]。

第二，構建可行的模型和指標。經過系統分析，本文選擇以重要度評分為基礎，構建源元素對目標元素行為影響模型。利用該模型分析輸入數據對輸出數據行為的影響作用，確定可操作的數據處理量和范圍。在此過程中，將源元素的讀數、目標元素的讀數、源元素對記錄的目標元素的累積影響進行關聯，然后利用ANN 模型進行模型訓練，進而通過公式和模型分析，確定目標組件值[4]。

2.4 算法功能

該算法主要功能如下：首先，對采集的數據信息進行預處理，去除其中存在遺漏的信息以及極端數值；其次，比較實時數據和歷史數據中各參數值。如果兩組數據每個參數值的遵從度都不高于5%，則證明該結果達到要求，算法則自動關閉；如果遵從度高于5%，則證明存在故障，此時會向操作中心發送錯誤信息、自動示警并同步保存報告，以便于后續查看。

3 檢驗測試分析

為了有效驗證本文提出的自動故障檢測器設計方案是否具備實用價值，本文開展檢驗測試進行分析。為了保證結果具備參考意義，系統共進行兩次測試，每一次測試應用不同的測試數據集，測試結果如下。

3.1 第一個測試數據集分析

第一個測試數據集由Energy Plus 軟件生成，為了更好地評估系統性能，創建兩個不同的數據集，將其命名為過去的電力應用數據集和現階段電力應用數據集。為了確保收集信息全面、完善，足以代表實際情況，應用Energy Plus 這一模擬工具模擬某住宅建筑工程一年的電力運行過程。其中，過去的電力應用數據集經過預處理、建模等工序后，以XML 文件格式進行存儲。對于現階段電力應用數據集，同樣通過Energy Plus 模擬工具，模擬案例建筑工程實際電力應用情況[5]。此外，為了保證用電數據信息科學可信，隨機提取部分數據加入噪聲，將該組數據作為異常故障，便于后續的結果對照分析，以測試系統運行功能。

測試結果表明，該檢測器可以識別建筑工程中存在的異常情況，自動檢測故障，并且將結果傳輸給操作中心，便于操作人員采取適宜行動。同時，該方法準確性較高。

3.2 第二個測試數據集分析

為了測試該系統在大型建筑層面的應用情況，本文以某大型建筑為研究基礎，該建筑包含大廳、辦公室、數據室及動力室等部分。借助BMS 采集得到數據信息。為了保證數據采集合理，案例區域每個房間均配備空調機組，該設施可以保證房間內各設備借助控制面板實現智能化管控。同時，空調控制送風風扇的轉速、中央暖氣散熱器閥門開關等。例如，當窗戶開啟時，空調會自動關閉。最終采集的數據集是由30 460 個XML 文件組成的。應用FDT 軟件，如果存在異常情況，自動故障采集會被觸發，向操作中心示警，此時執行預設程序，直到恢復正常狀態為止[6]。

測試結果表明，該系統的測試準確率高達99%，誤差較小，在智能化識別和自動檢測故障方面具備明顯優勢。

4 結語

綜上，本文基于人工智能技術和大數據技術優勢，提出一種新型自動故障檢測器，其可以通過數據采集和智能化分析處理，檢測異常情況，進而將采集的異常信息數據傳輸給操作中心，便于其基于建筑當前狀態和用戶具體需求，優化操作方案。同時，該檢測器具備故障分析、投訴和終止故障等功能。通過系統化分析，該設計方案準確率較高，各項功能滿足預期。

參考文獻

[1] 張偉，王均. 人工智能技術在電氣自動化控制中的運用探討[J]. 信息系統工程，2023（9）：67-70.

[2] 楊嘉琦. 人工智能在機械設計制造及其自動化中的應用[J]. 今日自動化，2023（7）：85-88.

[3] 高楊，黃一哲. 基于小波神經網絡的傳感器故障自動檢測方法[J]. 長江信息通信，2023，36（8）：23-25.

[4] 劉麗麗，杜永鋒. 通信設備技術指標自動測試與故障診斷系統設計[J]. 軟件，2023，44（5）：52-56.

[5] 陳濤. 自動巡檢機器人故障檢測系統[J]. 南方農機，2023，54（19）：129-132.

[6] 趙華，張世軍，呂小芳. 基于PLC 的電氣自動化儀器儀表故障檢測系統分析與設計[J]. 自動化應用，2023，64（3）：120-122，127.