本数据集基于园区内物联网关设备（空调网关、视频监控、消防传感等）产生的告警记录，通过时序密度分析、健康度动态扣权模型及双因子故障概率预测算法，加工生成包括设备健康度分值、预测故障概率及维护建议（观察/优先/紧急），实现从离散告警到可量化、可预测的智慧数据转化。园区层面，数据可应用于园区智能运维派单、备件库存优化、能耗异常根因分析等场景；行业层面，可支撑商业项目运维SaaS服务、设备制造商质量反馈闭环，推动园区管理从被动抢修向预测性维护升级，降低综合运维成本。

1、数据来源：基于园区物联网关设备实时采集的原始告警日志，通过 Python+Pandas 对数据进行去重处理、时间戳标准化、异常值过滤保留有效告警记录。 2、核心加工规则： 首先，利用时序密度分析引擎将24小时数据按15分钟窗口切分，计算密度指数 = (窗口内告警次数×60)/15；同步统计累计告警次数作为设备历史劣化基础指标。 其次，构建健康度动态扣权模型：健康度得分 = 100 × (1 - 累计告警次数×0.5 - 峰值密度/10×5 - 设备类型权重分)，其中空调网关权重0.8、监控设备0.3，进行差异化评估。 进而，采用双因子故障预测算法：故障概率 = min(100, 累计告警次数×0.6 + 峰值密度×2)，融合线性累积与突发因子，可提前预警劣化趋势。 最终，基于Scikit-learn决策树分类器判定建议维护等级：IF 健康度<40 OR 故障概率>70 → "紧急检修"；ELIF 健康度<60 OR 故障概率>30 → "优先检修"；ELSE → "观察"。 3、合规性：原始数据均为设备状态日志，不涉及个人信息，仅保留设备编号匿名化标识。

本数据集通过对离散的告警数据，转化为可量化、可预测的智慧数据，对于园区管理本身而言，通过识别告警事件的紧迫性，减少无效工单，提升人力效益；其次优化备件库存，通过对设备健康度的洞察，预测设备的维修，节约成本的同时，规避因缺件导致设备停运损失。在行业层面，该数据可支持商业地产智能网关设备管理及运维服务，提升营收能力及服务范围；为设备制造商提供质量反馈与故障预测报告，有效实现对产品性能的提升。

设备名称 设备类型 告警大类 告警小类 告警时间 处理状态 累计告警次数 健康度得分 预测故障概率 建议维护等级 楼顶室外南19 空调网关 能耗 空调网关设备离线报警 2026-01-07 23:52:27 未处置 124 38 74 紧急 楼顶室外南19 空调网关 能耗 空调网关设备离线报警 2026-01-07 23:52:24 未处置 125 39 75 紧急 车位视频桩5 视频监控 停车4 VIP车位非法占用 2026-01-07 20:34:00 未处置 132 60 76 紧急 附件下载

字段名称 字段类型 字段说明 设备名称 字符串型 园区物联网设备的唯一标识编码，用于精准定位具体物理设备 设备类型 字符串型 设备功能分类（空调网关/视频监控/消防传感等），决定健康度计算中的权重系数。 告警大类 字符串型 告警业务归属类别（能耗/安防/消防），用于数据分域与权限管理 告警小类 字符串型 具体告警事件描述（如"空调网关设备离线报警"），是故障模式识别的核心依据 告警时间 日期时间型 告警触发的精确时间戳，支撑时序密度分析 处理状态 字符串型 当前处置进展（未处置/处理中/已闭环），用于工单流转状态追踪 累计告警次数 整型 统计周期内同一设备历史告警总数，反映设备劣化程度的线性累积指标 健康度得分 浮点型(一位小数) 设备运行状态量化评分值，基于告警频次、时序密度、设备权重动态计算。 预测故障概率 浮点型(一位小数) 设备发生故障的可能性评估值，提前预警劣化趋势，通过融合线性累积与突发因子计算得来。 建议维护等级 字符串型 三级分类输出（观察/优先检修/紧急检修），直接驱动运维派单的优先级决策。 （详见上传附件）