【技术实现步骤摘要】
本专利技术属于建筑物设备运维管理，具体而言，涉及基于大模型训练的建筑物故障诊断预测与健康管理方法。
技术介绍
1、在现代城市化进程中，公共建筑区域扮演着重要的社会功能和文化交流中心的角色，这些区域包括商场、图书馆、办公楼等，而照明设备在公共建筑中不仅仅是提供光照的工具，更是维持建筑安全、提升用户体验的重要组成部分，因此针对公共建筑区域照明设备的高效管理至关重要，然面对多栋建筑物的照明设备管理，传统的维护方法可能显得力不从心，基于大模型训练的建筑物故障诊断预测与健康管理方法因而为这一挑战提供了全新的解决途径。
2、现有针对公共建筑区域的照明设备运维管理方法已能够采用物联网和传感器技术实现对照明设备的实时监测分析，虽满足一定要求，但仍存在局限性，其具体表现为：一方面现有方法针对公共建筑区域照明设备的故障风险评估缺乏足够的深度和精度，多侧重于照明设备的外在照明表现，例如照明亮度或者照明运行温度等，忽略对照明设备内在照明表现的考量，例如光效合理性、功率消耗合理性等，导致公共建筑区域照明设备的故障风险预估结果不具有准确性和可靠性，进而无法有效反映照明设备的整体性能和潜在风险，影响公共建筑区域的照明效果和运营效率。
3、另一方面现有方法针对公共建筑区域照明设备的节能优化力度不足，侧重以单位建筑物的整体消耗功率或者多照明设备累计消耗功率为节能优化参考对象，忽略了对照明设备个体的节能性能进行详细评估，无法针对每个照明设备进行精确的节能优化，此外，现有方法针对照明设备的节能处理方式多局限于自身存在亮度调节功能的照明设备，使
技术实现思路
1、为了克服
技术介绍
中的缺点，本专利技术实施例提供了基于大模型训练的建筑物故障诊断预测与健康管理方法,能够有效解决上述
技术介绍
中涉及的问题。
2、本专利技术的目的可以通过以下技术方案来实现：基于大模型训练的建筑物故障诊断预测与健康管理方法，包括：s1.照明设备信息获取：将目标公共建筑区域内各照明设备记为各目标照明设备，获取各目标照明设备的基础信息和照明信息。
3、s2.照明设备潜在故障风险评估：基于各目标照明设备的基础信息和照明信息，分析各目标照明设备的潜在故障风险系数，将各目标照明设备筛分为各正常照明设备和各异常照明设备，分别执行s3和s5。
4、s3.照明设备节能资格评定：分析各正常照明设备的节能资格评定系数，从各正常照明设备中筛选出各节能照明设备，进而分析各节能照明设备的供应电流值下调值。
5、s4.照明设备供应电流节能反馈：对目标公共建筑区域内各节能照明设备进行供应电流节能反馈，并提供对应的供应电流值下调值。
6、s5.照明设备故障警戒反馈：对目标公共建筑区域内各异常照明设备进行故障警戒反馈。
7、优选地，所述基础信息包括类型、型号、使用年限、额定供应电压值和额定供应电流值。
8、所述照明信息包括照明运行参数和照明环境参数，其中照明运行参数包括监测时间段内各监测时间点的输出电压值、输出电流值、运行温度值和光通量。
9、照明环境参数包括限定照明区域各方位的初始光照度以及监测时间段内各监测时间点的光照度。
10、优选地，所述各目标照明设备的潜在故障风险系数的具体分析过程包括：根据各目标照明设备的基础信息中额定供应电压值和额定供应电流值，其中为各目标照明设备的编号，，结合各目标照明设备的照明运行参数中监测时间段内各监测时间点的输出电压值和输出电流值，其中为监测时间段内各监测时间点的编号，，分别计算各目标照明设备监测时间段内各监测时间点的消耗功率、输出功率，记为，,。
11、根据各目标照明设备基础信息中的类型、型号和使用年限，从web云端提取照明设备生产制造商规定的各目标照明设备对应类型对应型号的标准消耗功率和标准光效，分析各目标照明设备监测时间段内的能耗异常系数，其计算公式为：，其中为自然常数，为监测时间段内监测时间点数量，为预设的照明设备消耗功率合理偏差阈值。
12、分析各目标照明设备监测时间段内的光效异常系数，其计算公式为：，其中为预设的照明设备光效合理偏差阈值。
13、进而由公式得到各目标照明设备监测时间段内的照明内在表现性能系数，分别为预设的能耗异常系数、光效异常系数对应权重占比。
14、优选地，所述各目标照明设备的潜在故障风险系数的具体分析过程还包括：根据各目标照明设备照明环境参数中限定照明区域各方位的初始光照度以及监测时间段内各监测时间点的光照度，为限定照明区域各方位的编号，，计算各目标照明设备限定照明区域内各方位的平均提升光照度，结合各目标照明设备照明运行参数中监测时间段内各监测时间点的光通量，由公式得到各目标照明设备监测时间段内的照明基础能力系数。
15、由公式得到各目标照明设备监测时间段内的照明基础质量系数，其中为预设的照明设备光通量合理波动方差阈值，为预设的照明区域方位间合理偏差光照度阈值，为限定照明区域方位数量，为第个目标照明设备限定照明区域第个方位监测时间段内第个监测时间点的光照度。
16、根据各目标照明设备照明运行参数中监测时间段内各监测时间点的运行温度值，计算各目标照明设备监测时间段内的照明温度异常系数。
17、进而由公式得到各目标照明设备监测时间段内的照明外在表现性能系数。
18、分析各目标照明设备的潜在故障风险系数，其计算公式为：。
19、优选地，所述各目标照明设备监测时间段内的照明温度异常系数的计算公式为：，为预设的照明设备合理运行温度阈值。
20、优选地，所述将各目标照明设备筛分为各正常照明设备和各异常照明设备的具体过程包括：将各目标照明设备的潜在故障风险系数与web云端存储的预设的公共建筑照明设备潜在故障风险系数警戒阈值进行比对，若某目标照明设备的潜在故障风险系数大于或等于预设的公共建筑照明设备潜在故障风险系数警戒阈值，则将该目标照明设备记为异常照明设备，反之记为正常照明设备，进而得到各异常照明设备和各正常照明设备。
21、优选地，所述各正常照明设备的节能资格评定系数的具体分析过程包括：获取各正常照明设备当前时间点的输出电压值和输出电流值，计算各正常照明设备当前时间点的消耗功率，为各正常照明设备的编号，。
22、获取各正常照明设备历史各天与当前时间点相同的时间点的输出电压值和输出电流值，计算各正常照明设备历史各天与当前时间点相同的时间点的消耗功率，其中为历史各天的编号，。
23、由公式得到各正常照明设备的一阶节能资格评估系数，其中为历史天数，为正常照明设备数量。
24、根据照明设备内置的红外感应器采集各正常照明设备监测时间段内限定照明区域的通行人流量，并提取各正常照明设备监测时间段内的照明内在表现性能系数和照明外在表现性能系数，由公式得到各正常照明设本文档来自技高网...
【技术保护点】
1.基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于，包括：
2.根据权利要求1所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述基础信息包括类型、型号、使用年限、额定供应电压值和额定供应电流值；
3.根据权利要求2所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各目标照明设备的潜在故障风险系数的具体分析过程包括：根据各目标照明设备的基础信息中额定供应电压值和额定供应电流值，其中为各目标照明设备的编号，，结合各目标照明设备的照明运行参数中监测时间段内各监测时间点的输出电压值和输出电流值，其中为监测时间段内各监测时间点的编号，，分别计算各目标照明设备监测时间段内各监测时间点的消耗功率、输出功率，记为，,；
4.根据权利要求3所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各目标照明设备的潜在故障风险系数的具体分析过程还包括：根据各目标照明设备照明环境参数中限定照明区域各方位的初始光照度以及监测时间段内各监测时间点的光照度，为限定照明区域各方位的编号，，计算各目标照明
5.根据权利要求4所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各目标照明设备监测时间段内的照明温度异常系数的计算公式为：，为预设的照明设备合理运行温度阈值。
6.根据权利要求4所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述将各目标照明设备筛分为各正常照明设备和各异常照明设备的具体过程包括：将各目标照明设备的潜在故障风险系数与WEB云端存储的预设的公共建筑照明设备潜在故障风险系数警戒阈值进行比对，若某目标照明设备的潜在故障风险系数大于或等于预设的公共建筑照明设备潜在故障风险系数警戒阈值，则将该目标照明设备记为异常照明设备，反之记为正常照明设备，进而得到各异常照明设备和各正常照明设备。
7.根据权利要求4所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各正常照明设备的节能资格评定系数的具体分析过程包括：获取各正常照明设备当前时间点的输出电压值和输出电流值，计算各正常照明设备当前时间点的消耗功率，为各正常照明设备的编号，；
8.根据权利要求7所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各节能照明设备的具体筛选过程包括：将各正常照明设备的节能资格评定系数与WEB云端存储的预设的公共建筑照明设备节能资格评定系数达标阈值进行比对，若某正常照明设备的节能资格评定系数大于或等于预设的公共建筑照明设备节能资格评定系数达标阈值，则将该正常照明设备记为节能照明设备，进而从各正常照明设备中筛选出各节能照明设备。
9.根据权利要求8所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各节能照明设备的供应电流值下调值的具体分析过程包括：获取当前时间点所处昼夜阶段，从WEB云端提取当前时间点所处昼夜阶段对应照明设备的节能调节权重；
...【技术特征摘要】
1.基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于，包括：
2.根据权利要求1所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述基础信息包括类型、型号、使用年限、额定供应电压值和额定供应电流值；
3.根据权利要求2所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各目标照明设备的潜在故障风险系数的具体分析过程包括：根据各目标照明设备的基础信息中额定供应电压值和额定供应电流值，其中为各目标照明设备的编号，，结合各目标照明设备的照明运行参数中监测时间段内各监测时间点的输出电压值和输出电流值，其中为监测时间段内各监测时间点的编号，，分别计算各目标照明设备监测时间段内各监测时间点的消耗功率、输出功率，记为，,；
4.根据权利要求3所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各目标照明设备的潜在故障风险系数的具体分析过程还包括：根据各目标照明设备照明环境参数中限定照明区域各方位的初始光照度以及监测时间段内各监测时间点的光照度，为限定照明区域各方位的编号，，计算各目标照明设备限定照明区域内各方位的平均提升光照度，结合各目标照明设备照明运行参数中监测时间段内各监测时间点的光通量，由公式得到各目标照明设备监测时间段内的照明基础能力系数；
5.根据权利要求4所述的基于大模型训练的建筑物故障诊断预测与健康管理方法，其特征在于：所述各目标照明设备监测时间段内的照明温度异常系数的计算公式为：，为预设的照明设备合理运行温度阈值。
6.根据权利要求...
【专利技术属性】
技术研发人员：寇明，周小平，史进，
申请(专利权)人：北京泰豪智能工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。