Predictive Maintenance for Building Equipment
- 分析与建模 - 大数据分析
- 分析与建模 - 预测分析
- 基础设施即服务 (IaaS) - 其他
- 设备与机械
- 维护
- 预测性维护
建筑设备的意外故障可能会给设施运营商带来重大问题。例如，制冷系统停机会导致零售商损失昂贵的易腐品或药店的药品。 HVAC 系统停机时间推动了对紧急维护活动的需求，并导致客户满意度下降。
一家全球建筑设备制造商在不到 1 周的时间内完成了 C3 预测性维护的试用，展示了在 C3 物联网平台上快速开发大数据分析预测应用程序的能力。为了减少这些计划外故障的影响，建筑设备供应商完成了 C3 预测性维护的试验。该试验的范围是使用现成的传感器数据分析 165 台冷水机组。作为 C3 IoT 分析软件套件的一部分，C3 Predictive Maintenance 采用基于机器学习的算法来增强故障预测和诊断能力。该应用程序通过持续监控所有仪器信号、跟踪复杂的故障模式以及检测与大量资产即将发生的设备故障相关的操作异常来增强传统系统。在这项试验中，C3 IoT 首先加载了一系列不同间隔的传感器读数。使问题显着复杂化——建筑设备制造商没有传感器数据的标签，并且传感器数据不匹配（即，来自冷却器 1 的传感器 1 与来自冷却器 2 的传感器 1 不匹配，他们不知道什么是从传感器 1 读取）。 C3 IoT 平台的好处之一是数据模型通过基于元数据的 C3 类型系统进行管理。这使 C3 IoT 团队能够在不了解传感器标签的情况下快速加载数据，并在以后使用深度分析对传感器进行分组和标记。 C3 物联网平台还具有对时间序列数据的原生支持，允许团队一起加载具有不同时间粒度的数据——然后以一致的方式对它们进行分组和分析——而无需编写任何代码。 C3 IoT 利用平台的时间序列和特征生成能力，基于传感器数据快速开发了 163 个时间序列分析输入。然后将这些分析输入输入机器学习分类器。经过一天的迭代和调整，预测模型结果提高了 10%。在不到一周的工作时间内，C3 IoT 团队实现了 73% 的故障预测精度和 71% 的召回率。
相关案例.
