数据驱动的运营策略可以降低成本、提高生产力并支持更好的整体环境。物联网(IoT)技术的兴起为维护计划增加了新的维度。来自物联网设备的数据可以为设施管理者提供有效运营和维护其财产的洞察力，并且当与提供分析的智能建筑平台结合使用时，可以更有效地识别和解决问题。分析不仅仅是反应性设备警报或报告。它们是基于相关数据的结果，以易于理解的格式清楚地呈现，解释问题、发生时间、持续时间、相关操作条件的状态，甚至成本影响。分析表明构建系统在现实中是如何工作的，而不是依赖于操作假设。智能建筑系统运营商使用预测性或数据驱动的维护策略与分析相结合，以确保有效的维护实践。反应性、预防性、更好但预测性从历史上看，施工人员会在问题发生时对其进行纠正，也称为反应性、纠正性或运行到故障维护。物品有破损工作人员只会修理，没破损的就不用管了。这种策略可能代价高昂。根据专业零售店维护协会（现为ConnexFM）的2012年HVAC基准报告，设备故障后的被动服务呼叫平均成本是主动呼叫的三倍，每次呼叫大约多400美元。随着汽车大规模生产的出现，20世纪初引入了预防性或计划性维护。这促使其他行业制定了自己的做法。计划维护在很大程度上依赖于根据制造商规格猜测在维护到期之前必须花费多少设备时间或使用时间。这种策略预测每个故障既不可行也不划算，因此它的使用仅限于运行时或基于间隔时间的问题。虽然预防性维护可以降低反应成本，但它也会通过启动不必要的检查或维修来增加标准运营成本。基于对设备何时需要维修的估计，预防性维护既不能根据实际情况和使用情况预测设备性能下降，也不能防止设备故障。另一方面，预测性维护，也称为数据驱动或基于状态的维护，通过使用客观数据识别可能影响未来设备性能的问题，将智能注入建筑维护。它避免了许多与被动维护相关的代价高昂的问题，同时允许利益相关者制定用于监控和维护设备、舒适度和成本的策略。预测性维护的好处当特定指标显示性能下降、能耗增加或即将发生故障的迹象时，应执行系统维护。预测性维护可以在任何人注意到之前以及在维修和运营成本上升之前发现问题。它查明问题的根本原因，简化诊断和维修，并减少二次访问。该策略还可以识别设计问题，例如不正确的操作顺序、尺寸过小的管道或管道、不匹配的组件或不正确的分区。预测性维护有助于确定问题的确切性质，并协助派遣具有正确信息和零件的正确技术人员。预测性维护的其他优势包括：减少上门服务。减少整体解决问题的时间。提高首次修复率。减少正在进行的调试。降低总体维护成本。降低灾难性故障的风险。增加直接修复，因为问题在早期阶段就被发现了。减少停机时间、延误和中断。为最终用户提供一致的舒适度和环境。更准确地分配维护预算和资源。更好的设备性能和更长的设备寿命。降低维护成本。更容易遵守监管要求。提高能源效率。预防性维护计划需要足够可靠的建筑数据。捕获建筑数据的最佳方式是通过物联网传感器。进入IoT传感器IoT传感器具有各种形状和尺寸，可以在初始安装期间或之后安装在各种系统上。这些系统包括HVAC、能源、照明、访问控制、灌溉和入住。智能建筑管理平台使用机器学习(ML)算法来分析设备和物联网数据，以确定性能趋势，从而实现有针对性的维护和早期干预，以防止出现重大问题。然而，需要一种宏观方法来组合从不同环境和条件中摄取的大量数据，以创建一个大图来预测故障概率和运营绩效的可能改进。所有建筑物都是独一无二的，许多问题在定期维护期间未被发现。分析和ML检测到的条件为供应商提供了一个全面的计划来维修和维护显示故障、磨损和效率损失迹象的设备。这最终减少了设备损坏的影响，包括对设施管理人员和居住者的成本和中断。预测性和预防性维护之间的真正区别在于，前者使用特定于设备实际状况的实时数据驱动方法。这意味着只有在必要时才会进行人工检查、更换和维修。预测性维护根据数据预测问题，从而采取行动防止设备故障。此外，随着机器学习驱动的智能建筑管理平台更多地了解建筑及其用途，它们将生成越来越准确和具体的预测。预测性维护超越了构建系统。例如，准确的入住率预测允许运营商预测每个区域的清洁和卫生需求并相应地分配资源。混合工作的普遍存在意味着工作场所必须找到新的方法来满足不断变化的需求并保持生产力和安全性。占用率预测是预测性维护的强大工具。智能建筑管理平台可以使用传感器收集的数据来预测未来的入住率。这些信息有助于提高办公空间的效率，并确保楼宇自动化策略支持健康的室内环境，即使入住率差异很大。通过占用预测，智能建筑管理平台可以：自动调整HVAC设置，将舒适度和空气质量保持在适当的水平，以适应人数。自动调节照明以满足居住者的需求。取消空置区域不必要的供暖、制冷、通风和照明。确定需要改进的地方。提供信息以提高空间利用率。入住率预测可以为工作场所应用程序提供有价值的数据，员工可以通过这些应用程序预订隔间、会议室、办公桌和办公室。这些预测类似于酒店如何使用每日、每月、每季度和每年的入住率模型来根据他们的预测分配房间。了解实际和计划的入住率可以让建筑物更有效地运营。例如，灯可以仅在需要时打开，HVAC系统可以在居住者需要调节空气时关闭。拥有基于实际入住情况的历史数据可以进行适当的预测。预测性维护是趋势分析的未来，机器学习是建筑维护的未来。数据驱动的预测性维护计划可以通过取代不相关的例行检查和防止设备退化来彻底改变建筑物的运行方式。它允许更主动地监控系统健康状况、优化性能的机会以及整体稳健的决策制定。此外，Kei优先考虑维护对性能、能源和舒适度的影响。集成预测性维护计划需要投资智能建筑平台。移动优先平台具有尖端的故障检测和诊断、机器学习、物联网设备、应用程序和用户友好的界面，确保团队可以将建筑维护提升到一个新的水平。任何分析或智能建筑平台的好坏取决于它接收到的数据。从物联网传感器和集成系统收集的数据越多，结果就越好。设计和实施特定解决方案需要开放通信协议、数据集成和系统互操作性方面的深厚领域专业知识。必须与了解智能建筑复杂性的合作伙伴一起评估单个项目的需求，以通过实用的预测性维护方法获得数据驱动的、面向未来的解决方案的全部好处。
