數據驅動的運營策略可以降低成本，提高生產力，并支持更好的整體環境。

物聯網(IoT)技術的興起為維護計劃增加了新的維度。來自物聯網設備的數據可以為設施管理人員提供洞察力，以有效地運行和維護其財產，且當與提供分析的智能建筑平臺相結合時，可以更有效地識別和解決問題。

分析不僅僅是反應性設備警報或報告。它們是基于相關數據得出的結果，這些數據以一種易于理解的格式清晰地呈現出來，解釋了問題、問題發生的時間、持續時間、相關操作條件的狀態，甚至成本影響。分析顯示了構建系統在現實中是如何工作的，而不是依賴于操作假設。

智能建筑系統運營商使用結合分析的預測性或數據驅動的維護策略，以確保高效的維護實踐。

反應性、預防性、更好的是預測性

從歷史上看，建筑人員會在問題發生時進行糾正，或者稱為反應性、糾正性或運行到故障維護。工作人員只會在物品損壞時維修，沒有損壞時就不管了。

這種策略可能代價高昂。根據專業零售商店維護協會(現為ConnexFM)2012年的HVAC基準報告，設備出現故障后的被動服務呼叫平均成本是主動呼叫的三倍，每次呼叫大約多400美元。

20世紀初，隨著汽車大規模生產的出現，預防性或計劃性維修被引入。這促使其他行業發展自己的做法。計劃維護在很大程度上依賴于根據制造商的規格來猜測在維護到期之前必須花費多少設備時間或使用時間。這種策略在預測每個故障時也不可行，也不劃算，因此其使用僅限于基于運行時或間隔時間的問題。

雖然預防性維護可以降低反應性成本，但也會因為啟動不必要的檢查或維修而增加標準運營成本?；趯υO備可能需要維修的時間的估計，預防性維護既不能根據實際情況和使用情況預測設備退化，也不能防止設備故障。

另一方面，預測性維護，也被稱為數據驅動或基于條件的維護，通過使用客觀數據來識別可能影響未來設備性能的問題，為建筑維護注入智能。其避免了許多與被動維護相關的昂貴問題，同時允許利益相關者制定用于監控和維護設備、舒適性和成本的策略。

預測性維護的優勢

當特定指標顯示性能下降、能耗增加或即將發生故障的跡象時，應進行系統維護。預測性維護可以在任何人注意到之前，以及在維修和運營成本上升之前發現問題。其可以查明問題的根本原因，簡化診斷和修復，并減少第二次訪問。該策略還可以識別設計問題，例如操作順序不正確、管道或管道尺寸過小、組件不匹配或分區不當。

預測性維護有助于確定問題的確切性質，并協助派遣具有正確信息和部件的正確技術人員。預測性維護的其他優勢包括:

• 減少上門服務。
• 減少解決問題的總時間。
• 提高首次修復率。
• 減少正在進行的調試。
• 降低整體維護成本。
• 降低重大故障的風險。
• 增加直接修復，因為在早期階段就發現了問題。
• 減少停機時間、延遲和中斷。
• 為最終用戶提供一致的舒適度和環境。
• 更準確地分配維護預算和資源。
• 更好的設備性能和更長的設備使用壽命。
• 降低維護成本。
• 更容易符合法規要求。
• 提高能源效率。

預防性維護計劃需要充分可靠的建筑數據。獲取建筑數據的最佳方式是通過物聯網傳感器。

進入物聯網傳感器

物聯網傳感器有多種形狀和尺寸可供選擇，可以在初始安裝期間或之后安裝在多種系統上。這些系統包括暖通空調、能源、照明、門禁、灌溉和占用。

智能建筑管理平臺使用機器學習(ML)算法來分析設備和物聯網數據，以確定性能趨勢，從而實現有針對性的維護和早期干預，以防止出現重大問題。然而，需要一種宏觀方法來結合從不同環境和條件中攝取的大量數據，以創建一個大圖來預測故障概率和運營績效的可能改進。

所有的建筑都是獨一無二的，許多問題在定期維護中都無法發現。通過分析和ML檢測到的情況，為供應商提供了一個全面的計劃，以修復和維護顯示故障、磨損和效率降低跡象的設備。這最終減少了設備損壞的影響，包括對設施管理人員和居住者的成本及干擾。

預測性維護和預防性維護之間的真正區別在于，前者使用特定于設備實際狀況的實時數據驅動方法。這意味著只有在必要時才會進行人工檢查、更換和維修。預測性維護基于數據預測問題，從而采取措施防止設備故障。此外，隨著機器學習驅動的智能建筑管理平臺對建筑及其用途的了解越來越多，將產生越來越準確和具體的預測。

預測性維護超越了建筑系統。例如，準確的占用率預測使運營商能夠預測每個區域的清潔和衛生需求，并相應地分配資源。

關于占用率

混合工作的普及意味著工作場所必須以新的方式來滿足不斷變化的需求，并保持高效和安全。占用率預測是預測性維護的強大工具。智能建筑管理平臺可以使用傳感器收集的數據來預測未來的占用率。這些信息有助于提高辦公面積的效率，并確保樓宇自動化策略支持健康的室內環境，即使占用率變化很大。

通過占用率預測，智能樓宇管理平臺可以:

• 自動調整暖通空調設置，以保持舒適度和空氣質量在一個適當的水平，以容納人數。
• 自動調節照明，以滿足居住者的需要。
• 消除閑置區域不必要的加熱、冷卻、通風和照明。
• 確定需要改進的領域。
• 提供信息以提高空間利用率。

占用率預測可以為工作場所應用程序提供有價值的數據，員工可以通過這些應用程序預訂隔間、會議室、辦公桌和辦公室。這些預測類似于酒店如何使用每日、每月、每季度和每年的入住率模型來根據其預測分配房間。

了解實際占用率和計劃占用率可以讓建筑物更高效地運行。例如，燈可以只在需要時打開，當居住者需要調節空氣時，暖通空調系統可以停止運行。擁有基于實際占用場景的歷史數據可以進行適當的預測。

預測性維護是未來的趨勢

分析和機器學習是建筑維護的未來。數據驅動的預測性維護計劃可以通過取代無關的例行檢查和防止設備退化來徹底改變建筑物的運作方式。其允許更主動地監控系統運行狀況、優化性能的機會以及總體上的健壯決策。此外，基還優先考慮維護對性能、能量和舒適性的影響。

整合預測性維護計劃需要對智能建筑平臺進行投資。移動優先平臺具有尖端的故障檢測和診斷、機器學習、物聯網設備、應用程序和用戶友好界面，確保團隊可以將建筑維護提升到一個新的水平。

任何分析或智能建筑平臺的好壞取決于接收到的數據。物聯網傳感器和集成系統數據收集得越多，結果就越好。設計和實施特定解決方案需要開放通信協議、數據集成和系統互操作性方面的深厚領域專業知識。必須與了解智能建筑復雜性的合作伙伴一起評估單個項目的需求，以通過實用的預測性維護方法獲得數據驅動、面向未來的解決方案的全部優勢。