IOT For Smart City (Architecture)
來源：百分點
許多城市已經開始使用物聯網來讓城市更加智慧。
Gartner最近發佈的報告顯示，IOT是當前許多城市正在使用的技術，主要應用在運輸和擁塞問題，特別是圍繞環境、氣候變化等方面穩定度問題。
霧霾霧霾奈若何?
其實，當霧霾籠罩，我們已經沒那麼恐慌了，這也是緣於大家對霧霾的認知逐漸理性，懂得霧霾產生的原因無外乎那麼幾點：工廠排污、施工揚塵、汽車廢氣等等。但治霾是需要逐步演進的，可以針對污染區域工廠停工、車輛限號，但現在的手段還過於粗放，暴力治霾影響著公民出行和生活。
當前，使用空氣監測設備是一個良好的開端，知道各地區監測情況，許多城市已經開始使用該數據，讓城市治理有的放矢。但Gartner表示，是時候到下一個層次。
比如車輛限行可以更加智能化，依託豐富的數據可以做出更好的規劃，指導需要減少多少出行汽車數量，指導新能源汽車車輛用戶優先出行。
還可以更合理的規劃共享騎行、公共交通電氣化，需要建設多少基礎設施支持電動車和內燃機，需要在哪些地方收擁塞費等等，所有的這些例子都是利用物聯網收集資訊，大數據進行處理來驅動城市霧霾治理的，甚至可以調節如何產生較少的溫室氣體排放量和天然氣能量，同時改善了車輛的噪聲水平。
下一個，是更環保和更具包容性的城市
Gartner預測，許多智慧城市將改變他們的關鍵績效指標(KPI)，以便滿足這些目標。但最重要的是，如何利用物聯網和傳感器收集的數據，做出更好的規劃決策?
這就需要會利用物聯網、數據和分析數據的專業的數據科學家，來負責這些項目，更需要一些專業大數據解決方案提供商來支撐。
這就需要會利用物聯網、數據和分析數據的專業的數據科學家，來負責這些項目，更需要一些專業大數據解決方案提供商來支撐。
Gartner還預測，到2017年，智慧城市中被連接的設備使用，將達到約380萬，其中約58%的設備被用來在建築和商業交通領域。到2020年，IoT傳感器和連接裝置將躍升至1.39億之多。
所以接下來要討論的問題是，這麼多設備，如何保證它們有效地監測建築物和交通情況、天氣情況?
不得不提的一個技術就是PHM，故障預測與健康管理(Prognosticsand Health Management)，它包括兩層含義：一是故障預測，即預先診斷部件，或系統完成其功能的狀態，確定部件正常工作的時間長度;二是健康管理，即根據診斷/預測訊息、可用資源和使用需求，對維修活動做出適當決策的能力。
PHM技術具有高大上的背景，它作為實現武器裝備，基於狀態的維修(CBM)、自主式保障、感知與響應後勤等新思想、新方案的關鍵技術，受到美英等軍事強國的高度重視和推廣應用。
如今，PHM技術作為一個方法論，已廣泛應用於機械結構產品中，比如核電站設備、制動裝置、發動機、傳動裝置等。因而，PHM系統正在成為航空航天、艦船、能源，以及汽車製造、交通設備等系統設計和使用中的一個重要組成部分。
在霧霾治理設備管理中，同樣是PHM的用武之地。
值得注意的是，在PHM應用中，關鍵點是建模這一塊，百分點一直有很強大的建模團隊，從業務難點角度出發來建模。百分點「智慧之盾」中採用PHM技術，通過物聯網+大數據的方式，可以幫助城市設備智能治理的目標。
健康度建模：即時計算和監測健康度，是提高設備資產利用率和發現異常設備的重要途徑。百分點針對設備運行數據進行建模，將所有監控數據降維整合為「健康度曲線」，這樣的1維數據展現 ;針對一個維度數據進行即時分析，使評估更加簡單，且新手維修員也會更容易入手，將運用城市治理監測的設備管理好。
多級預警：百分點將預警等級分為3級：中度預警、重度預警、故障預警;以健康度為基礎，三種預警以兩種規則來進行定義，分別是「次數」和「相隔時間」，以此來檢測持續異常報警和週期性瞬間預警;
異常定位：面對高複雜度、高頻度的大規模數據，百分點以深度神經網路，為重要原型的異常預測模型，發揮了重要作用，並建立整合了深度強化學習、深度神經網路和超球模型的預測模型，可以對每個時間點設備異常狀態，進行預測和模擬，及時提醒設備狀態偏離。
深度強化學習模型計算異常狀態點
同時，整合了地理資訊和衛星遙感影像數據，實現PHM大數據與地理資訊大數據的緊密結合。
我們相信，未來，大數據時代要求政府更多的向社會開放數據。只有基於大量的數據，未來整個城市設計、交通規劃以及空氣質量的調節，完全可以依靠大數據來決策。
比如在建築節能中，在累積了大量的數據資訊之後，按照時間和地點維度，在龐雜的資訊中進行大數據分析，發現潛在的規律和價值;比如在城市規劃中，整合地理資訊、氣候因素等多層面的海量資訊來綜合指導決策。
總結來說，這些都需要在數據共享基礎上進行數據拉通，再通過對這些資訊進行大數據分析，得出城市規劃方法論，為城市治理決策提供參照依據。
沒有留言:
張貼留言