东京建物引入“ZETA+AWS Industrial AI”物联监测方案，实现楼宇预测性维护

数字化的浪潮席卷全球，带来了全新的楼宇管理模式，智慧楼宇已经成为建筑智能化的发展趋势。物联网技术、AI人工智能以及云计算的兴起，给智慧楼宇增添了新的发展活力，并产生了巨大的效益。

目前，大楼管理主要是依赖人力后期维护和预防性维护，属于“被动式”管理，依靠人力完成工作，而劳动成本率57.7%即为“劳动密集型”，成本高效率低，加之面临人力短缺的现实问题，企业营业利润率低至2.4%。因此，提高楼宇维护作业效率是当务之急。

NO.1 人力作业为主，运营成本高

传统的大楼监测基本上由“人、纸、笔”组成，需要大量人力来完成。人工作业存在劳动强度大、巡检不及时、人工经验有误差以及误检漏检等问题，长此以往，运营成本居高不下。

NO.2 各种管理系统分散，效率低下

传统楼宇监测系统孤立分散，集成化水平低，需要对设备进行定期的检查、维修、更换、保养工作，备件采购成本高，任务繁重，过多占用运维资源，工作效率低下。

近年来，为应对智能化管理的趋势，越来越多的企业借助于物联网和人工智能技术，对大楼和传感器状态进行实时监控和数据分析，这使得楼宇管理进行“主动式”的预测性维护成为可能。

自2018年起，日本东京建物在八重洲大楼、日本桥大楼等，部署了“ZETA网络监测方案”，在关键监测点位安装ZETA传感器，采集水位、水压、液压、电流等运行数据，对大楼进行全方位集约化监控。

与此同时，管理方还引进了Amazon Lookout for Equipment，通过独特的机器学习模型，实时分析传入的传感器数据，并识别机器故障的早期预警信号，帮助管理方提前做出决策，实现预测性维护，进而降低长期运营成本并提高工作效率。

01

“7×24H实时监管”

智能化监测减少人力检查工作

遍布楼宇内部的ZETA网络、传感器，配合亚马逊云计算服务（以下简称为 AWS），构成了楼宇智能监测的软硬一体化管理体系。这些工具可以7×24H不间断地监控大楼和设备状态，还可以预测所需的维护任务，不仅降低了人工作业量，还减少了不必要的检查、维保次数，避免过度保养增加采购成本。

供水泵压力测试图

以大楼内的水泵水压和杂废水输送泵的电流监测为例，通过ZETA 4-20mA采集终端和基恩士压力传感器的设备组合监测，实时监测水压和水泵的电流变化，确保稳定的测量，智能化的监测方式大大减少了日常人力检查工作。

02

“状态可视、云端应用”

及时准确发现问题并通知预警

楼宇管理系统中，由于涉及到数量众多的监测点位和终端设备，会遇到一些网络问题和安全响应问题，影响正常的数据通信和实时监测。

云应用传感器可视化功能

HAKKEN是一款基于ZETA服务器的ZETA通信状态可视化，并排查问题的云应用。通过ZETA服务器API检索、分析、展示数据，可以快速发现问题，及时获取准确信息。同时，还能以邮件等形式发送预警通知信息，帮助管理方有效预防并精准处理问题。

03

“ZETA+AI检测设备早期异常”

从事后维修转为事前预测性维护

Amazon Lookout for Equipment可以基于楼宇现有的ZETA传感器，将传感器数据发送到AWS，AI工具会自动分析数据，评估正常或健康的模式；然后借助从数据中学习到的知识进行训练，建立一个为楼宇管理环境定制的模型，并反馈预测结果，以检测异常的设备行为。

类似于污水泵水压和电流监测等点位检查，以前通过人工每天检查一次，发现问题较晚，成本高、效率低，为大楼维护带来极大不便。

随着“ZETA+AWS”方案的实施，通过引入机器学习ML，输入水泵正常运行的负载数据进行学习，可以通过AI分析快速准确地预测到人工无法检测到的设备异常，平台会自动判定设备的“正常”和“异常”行为。传统的传感器监测只能通过水泵运行数据超出预先设定阈值时，以实时发出警报或停止设备等方式来降低故障发生后造成的损失。

而导入机器学习以后，可以在没有发生超出预先设定阈值的情况下，提前3天就对异常现象发出预警；再通过对模型的监督学习，发现同样的异常现象，ML甚至可以提前10天发出预警。这样可以帮助管理人员实现“主动响应式”的预测性维护，在故障发生之前防患于未然。这个结果预示着未来的设备管理维护，完全可以通过传感器数据和AI学习由现有的预防性维护进化到预测性维护。

此外，Amazon Lookout for Equipment可以让管理方从ZETA传感器中获得更多价值，这些工具从端侧采集到边缘计算，能够准确识别出那些可能导致机器故障的早期预警信号，帮助客户及时做出决策，改善管理流程，从而真正地实现大楼管理的预测性维护。

未来，东京建物将结合ZETA楼宇监测方案，与各种物联网方案、人工智能及云计算系统深度整合，助力实现楼宇管理的智慧化。

往期精彩内容推荐: