基于图机器学习的设备故障识别方法及设备技术

本发明专利技术提供了一种基于图机器学习的设备故障识别方法，包括：基于有向图和故障关联预测模型M1，得到新的建筑运维故障预测机理模型；基于新的建筑运维故障预测机理模型对日常建筑运维中设备保修工单进行预测，得到可能的设备故障关联的连接。本发明专利技术能够自动构建和修复建筑机电系统的运行模型，从而为建筑设施设备的智能维保和故障维修提供技术支持。本发明专利技术通过训练大规模图机器学习模型，自动识别和构建建筑机电系统的运行逻辑。本发明专利技术可以构建设备间的拓扑关系模型，确保模型能够准确反映实际情况。

【技术实现步骤摘要】

本专利技术涉及一种基于图机器学习的设备故障识别方法及设备。

技术介绍

1、公共建筑的机电系统（mep系统）运行机理复杂，传统的机理建模方法难以满足智能维保和故障维修的需求。当前，建筑机电系统的运行逻辑复杂且多样，建模难度大，维护成本高。

技术实现思路

1、本专利技术的目的在于提供一种基于图机器学习的设备故障识别方法及设备。

2、为解决上述问题，本专利技术提供一种基于图机器学习的设备故障识别方法，包括：

3、步骤1，采集建筑的机电运行系统中的历史日常运维数据，包括：运行监测数据和工单数据；

4、步骤2，获取建筑的bim机电模型中的构件属性以及连接属性；

5、步骤3，将构件及其构件属性和连接属性，存储为有向图；

6、步骤4，基于有向图，并采用图神经网络的节点分类算法，训练图神经网络，建立边节点的连接方向分类模型ms；

7、步骤5，基于训练完成的节点的连接方向分类模型ms，对待修复的无向图进行识别，以得到对应的有向图；>

8、步骤6，本文档来自技高网...

【技术保护点】

1.一种基于图机器学习的设备故障识别方法，其特征在于，包括：

2.如权利要求1所述的基于图机器学习的设备故障识别方法，其特征在于，步骤2，获取建筑的BIM机电模型中的构件属性以及连接属性，包括：

3.如权利要求2所述的基于图机器学习的设备故障识别方法，其特征在于，步骤3，将构件及其构件属性和连接属性，存储为有向图，包括：

4.如权利要求3所述的基于图机器学习的设备故障识别方法，其特征在于，步骤4，基于有向图，并采用图神经网络的节点分类算法，训练图神经网络，建立边节点的连接方向分类模型MS，包括：

5.如权利要求1所述的基于图机器学习的设备故...

【技术特征摘要】

1.一种基于图机器学习的设备故障识别方法，其特征在于，包括：

2.如权利要求1所述的基于图机器学习的设备故障识别方法，其特征在于，步骤2，获取建筑的bim机电模型中的构件属性以及连接属性，包括：

3.如权利要求2所述的基于图机器学习的设备故障识别方法，其特征在于，步骤3，将构件及其构件属性和连接属性，存储为有向图，包括：

4.如权利要求3所述的基于图机器学习的设备故障识别方法，其特征在于，步骤4，基于有向图，并采用图神经网络的节点分类算法，训练图神经网络，建立边节点的连接方向分类模型ms，包括：

5.如权利要求1所述的基于图机器学习的设备故障识别方法，其特征在于，步骤5，基于训练完成的节点的连接方向分类模型ms，对待修复的无向图进行识别，以得到对应的有向图，包括：

6.如权利要求5所述的基于图机器学习的...

【专利技术属性】
技术研发人员：许璟琳，江凯，欧金武，谈骏杰，张铭，黄轶，张淳毅，
申请(专利权)人：上海建工四建集团有限公司，
类型：发明
国别省市：