数据驱动故障分析助力可持续设施管理

在先前关于可持续建筑的文章中，曾讨论过通过“感知、行动和扩展”的方法提升建筑能效，并引用科学出版物提供信息。本文将深入探讨数据驱动分析如何通过以下方面帮助识别故障检测并推动设施管理的能效提升：

建筑管理与运营的关键挑战；
建筑系统设计基础；
设施级可持续性故障调查的关键数据点；
基于某中心云服务的数据驱动故障识别。

全球气温持续上升，温室气体（GHG）排放是主要推手，而设施是GHG的主要排放源之一。根据《巴黎协定》要求，到2050年设施需提升30%能效并实现碳中和。近年来许多公司设定了新的减排目标。例如，某中心计划在2040年前实现碳中和，并在最新可持续发展报告中提及如何通过创新设计将可持续性融入实体园区。

本文旨在帮助各种规模的公司通过数据驱动机制识别和修复故障，更高效地运营和维护现有建筑。为此，某中心今年在NeurIPS会议上赞助了一项聚焦智能电网中建筑能源管理的AI挑战。核心结论：设施能源优化必须成为企业可持续运营计划的关键组成部分。

设施管理的挑战与机遇

设施能源优化为机构的设施团队提供了降低成本和碳排放的低挂果实机会。然而，建筑系统本身具有许多必须解决的复杂性。主要挑战包括：

建筑寿命超过50年，设施传感器通常在建设初期安装。每年都有新的云原生传感器上市，但建筑管理系统（BMS）并不开放，导致建筑基础设施的数据架构难以现代化；
大型房地产组合中存在多种技术、标准、建筑类型和设计，难以在整个生命周期内管理；
建筑管理和自动化系统需要第三方拥有和修改生产数据，且许可费不基于消费定价；
设施团队通常缺乏设计定制管理解决方案所需的云专业知识，而IT团队往往缺乏产品级经验来替代满足建筑管理需求。

数据驱动分析的核心：HVAC系统

设施管理团队修改核心BMS功能的选择有限。这些系统有时被称为“黑盒”，因为它们缺乏云用户所期望的DIY功能。对于无法访问BMS信息的建筑租户，还存在合同挑战。这是设计使然，主要出于安全和安控功能应限于关键人员的操作考量。然而，缺乏建筑性能分析数据正被许多可持续性客户视为企业级转型的障碍。

以建筑最大的电力消耗和排放源——HVAC系统为例展开分析。HVAC单元是建筑的核心，约占建筑能耗的50%。因此，它们通常配备完善的仪表并遵循基于规则的方法。缺点是这种方法可能导致许多误报，建筑经理依赖人工检查和住户沟通重要故障。尽管管理者和工程师在HVAC系统上投入大量时间和预算，但其故障仍可能导致5%至20%的能源浪费。

最常见的HVAC单元是空调。在BMS中，HVAC由提供加热或冷却、通风（空气处理单元、风扇）和AC（屋顶单元、可变制冷剂）等子组件构成。

数据模型与故障识别

建筑的数据模型和更大的管理架构在建筑首次开放时建立。警报和性能数据通过BMS发布，经理会通知建筑服务团队采取行动。然而，随着建筑和基础设施老化，许多警报变得普遍且难以修复。“警报疲劳”常用来描述BMS操作员的体验。

可变风量（VAV）单元是通过管理局部气流来维持温度的重要资产。VAV单元通过修改气流优化温度，而传统定风量（CAV）单元提供恒定风量仅影响空气温度。大型建筑中常有数百个VAV单元，管理负担重。建筑工程师时间有限，无法根据需求变化配置每个单元，导致许多隐藏故障和多年能源损失。

实施数据驱动分析

现代建筑设计通常基于建设时的知识，因此HVAC系统配置不是数据驱动过程，因为运营数据尚不存在。HVAC系统优化的唯一动力通常来自故障和住户投诉。为实现未来可持续目标，建筑必须配备可自动调整的数据驱动智能配置。

为实现这一点，必须理解气流基础，结合建筑工程师、IoT工程师和数据工程师的专业知识解决复杂气流挑战。还需要了解当前设施管理的方式，接下来将探讨设施管理的结构。

设施管理剖析

空气处理单元（AHU）使用风扇通过管道分配空气。这些管道连接到AHU（一种VAV单元），控制流向特定房间的气流。BMS软件提供工具帮助操作员定义逻辑“区域”，虚拟表示给定物理空间。这种区域方法有助于操作员分析给定冷却设计相对于运营需求的有效性。

要更改给定区域（通常代表物理房间）的温度，传感器会通过建筑网关和控制器发送通知。该设备充当BMS服务器和给定HVAC单元之间的中介。这些HVAC系统内置一些自动化功能，如恒温器。自动化表现为冷却单元响应恒温器计算的温度读数。设定点提供温度范围，遵循时可实现系统最佳性能。设定点通常指建筑系统激活或停用的点，例如，如果内部温度低于20°C，加热系统可能设置为开启。

VAV单元中的控制器连接到房间恒温器。恒温器告诉VAV终端区域温度是否太热、太冷或刚好。VAV单元内部有几个关键组件：控制器、执行器、风门、轴和再热线圈。AHU和VAV单元控制点由BMS软件管理。该软件由供应商管理，控制系统配置在建筑初期确定。配置可基于多个因素建立：房间容量和占用率、房间位置、房间冷却需求、区域需求等。

为说明反映HVAC系统操作的数据模型，以帮助分配空气的VAV和大多数老化系统中的故障驱动警报为例。个性化这些配置很困难，因为它们不是数据驱动且不会自动更新。以通过给定建筑的气流为用例，假设其操作将对建筑的整体能源使用产生相当大的影响。

左侧，风门完全打开，因为这是夏季，外面很热，房间里挤满了人。但右侧，风门部分打开，因为这是冬季，房间里没有人，需要最小热负荷。通常会有多个区域特定故障，如温度或流动故障、风门或风扇问题、导致单元短循环的软件配置错误，以及通信或控制器问题，这些甚至难以远程识别。所有这些因素导致低效冷却系统，增加排放，浪费能源和金钱。

故障识别的价值与实施

故障可能被长期忽视，过程中泄漏无形能源。某加州大学圣地亚哥分校的研究人员（Bharathan是合著者）对一栋145,000平方英尺的建筑进行了详细数据分析。他们在建筑工程师修复了所有能找到的问题后识别出88个故障。论文估计修复这些故障每年可节省410.3兆瓦时，以典型电价每千瓦时12美分计算，第一年可节省492,360美元。根据美国环境保护署的温室气体等价计算器，这相当于减少了38,244次客车出行。某网络公司提供了另一个例子。该公司通过使用IP支持的能源管理解决方案，在全球建筑中实现了28%的电力使用减少。

传统故障修复侧重于集中式HVAC子系统，如AHU。这里我们关注常被忽视的VAV单元。VAV单元中的一些关键问题是：供气流、温度设定点、恒温器调整、不当冷却或卡住的风门。

为识别这些故障，可以使用关键数据属性进行数据分析，包括温度、加热和冷却设定点；基于星期几的上下限变化；再热线圈（开或关）；占用传感器和设置（占用、待机或未占用）；风门传感器和风门设置；以及压力流。使用这些参数，可以定义信息模型。例如，除了房间恒温器，还可以创建基于季节性天气数据的设定点。还可以针对已知占用时间进行温度数据分析。

数据分析起初并不容易；通常无法直接加载到图存储中。通常需要大量数据转换和IoT工作才能将数据送到数据科学家可以分析的地方。为解决这一挑战，需要数据专家、FM领域专家、云工程师以及能够将他们聚集在一起以推动正确关注点的人。

首先，最佳方法是设施和IT团队开会开始检查建筑数据。一些团队可能授予对系统的只读访问权限。否则，从过去两到三年建筑数据的.CSV下载中，可以进行分析。对于设施数据中的数据驱动故障识别，可以使用模型、聚类和比较（MCC方法）开始。MCC的主要目标是确定建筑内的区域聚类，然后使用这些聚类自动确定配置错误、异常或故障的区域控制器配置。

MCC方法的数据驱动分析

以大学建筑为例说明MCC方法的好处。该大学建筑包括个人办公室、共享办公室、厨房和卫生间。在典型房间中，HVAC在夏季提供冷空气。供气流在白天调制以维持所需温度，夜间降至最低。在下图中，显示了一个由于配置错误故障而发生相反情况的房间。

VAV单元在夜间冷却房间，但在白天使用最小气流。冷却温度设定点从午夜到上午10点为80°F，然后如预期降至75°F。然而，从夜间直到上午11:30，持续有800立方英尺每分钟（CFM）的冷空气供应流。建筑管理承包商推测这些错误是由于建筑初期调试时的误解造成的。该故障在系统中隐藏多年，在进行MCC分析时被识别。

模型当尝试用原始传感器数据识别故障时，通常会导致误导性结果。例如，简单故障检测规则可能在房间温度超过阈值时生成警报。警报可能因多种原因错误：可能是特别热的一天，或房间内正在举行活动。需要寻找一致且需要人工关注的故障。由于简单规则触发大量警报，此类故障被忽视。MCC算法寻找长时间跨度内行为与其他房间不同的房间。为比较不同房间，创建捕获数月或数年使用通用模式的模型。然后可以比较和聚类房间以筛选出故障。

在算法中，使用测量的房间温度和HVAC的气流创建房间能量模型。HVAC系统在房间上花费的能量与根据热力学定律供应的温度和气流的乘积成正比。使用两个传感器测量的乘积作为建模房间的参数，因为它指示使用的通用模式。如果发现能量模式显著不同的房间，可以进一步检查。

聚类房间温度可能因自然原因波动，故障检测算法不应标记它们。MCC算法使用KMeans算法聚类相似房间。聚类自然对齐相似房间，例如西向房间、东向房间、小厨房和会议室。可以基于领域知识和使用类型手动创建这些聚类，或聚类算法可以自动化此过程。

比较定义每聚类的配置后，MCC算法比较房间以识别异常。此步骤确保忽略自然波动，仅突出严重房间，减少误报数量。

智能规则 MCC研究在手动分析异常后创建规则以检测新故障。规则是与现有系统集成并捕获未来类似故障的自然方式。规则也可被领域专家解释， enabling further tuning。

一个有趣的识别故障示例如下： HVAC系统努力将房间温度维持在冷却设定点（此房间为78°F）和加热设定点（74°F）之间。如果温度超出这些设定点，它将根据需要冷却/加热房间。房间以高气流（800 CFM）过度冷却，导致房间温度低于加热设定点，从而触发加热。由于此故障，房间使用过多能量维持舒适。

同一楼层有五个房间有类似问题，建筑内共有15个。故障原因：设计气流规格基于最大占用率。此类问题导致巨大能源浪费，且常被忽视多年。

前进路径

本文提供了一些基础概念，考虑如何更好地使用数据改善设施性能和可用性。无论目标是改善建筑性能以支持可持续转型还是改进故障检测，路径始于现代化支持设施的数据模型。遵循数据现代化路径将说明提供数据的建筑架构何处未达预期。

作为下一步，设施和IT经理可以：

对建筑进行基本审计，寻找收集上述关键参数数据的选项；
整合相关源数据，应用数据标准化，并利用上述故障检测方法；
利用某中心云服务的数据分析和AI/ML服务进行数据分析并应用机器学习算法识别数据异常。

某中心使用这些服务管理服务于员工、客户和社区的数千个世界级设施。了解更多关于可持续建筑倡议的信息。这些步骤将帮助识别设施中的能源热点和隐藏故障；设施经理然后可以利用此信息修复相关故障并推动设施可持续性。最后，考虑使可持续数据易于执行团队访问，以帮助推动有关有影响力的碳减排倡议的讨论和决策。