广东省数据知识产权存证登记平台
登记信息
酒店IoT设备预测性维护与能耗管理数据集 已登记
  • 数据申请号:

    粤2026093005706

  • 数据登记号:

    SZ2026120010872.9

  • 关键词:

    物联网设备 预测性维护 设备健康度 能耗异常检测 运维优先级

  • 登记时间:

    2026-10-28

  • 平台证书编号:

    20260944000010872

  • 数据处理者:

    暂无

  • 服务机构:

    广东中衢知识产权代理事务所(普通合伙)

  • 登记主体:

    珠海全球时代科技股份有限公司

  • 法院编号:

    广州互联网法院 - 8ce171a3a1f83b0c6b475c5ae0811c2b93cbc039160544d3f6d0213689428f34-749fc1a4;legalxchain

区块链信息
  • 上链时间:

    2026-10-18

  • 所属区块链:

    司法联盟链·广东省知识产权保护中心

  • 证据指纹:

    232707d564c2cbb1b7ae9a2c9402b6dec845cfc9a144d9586d4689155c4bf1038ebe1e0d6c1ca3b38cfce9b1c218d3fee2123f9ca38497bec8ef5e5d7caa733c

  • 区块链存证证书编号:

    LXM-GDIPI-23202610185363357586

数据信息
数据简介
本数据集由珠海全球时代科技股份有限公司基于物联网技术研发主营业务自主采集并深度加工形成。数据以自主采集为主,通过部署于合作酒店的边缘网关设备,以MQTT/CoAP/HTTP三种协议接入IoT设备数据,经边缘网关统一解析后上传至云端平台,采集频率5分钟一次。本数据集提取1000条代表性记录,覆盖6大类约200台设备,时间范围2025年1月至12月。原始数据包含6个结构域共29列:设备基础域(标识、类型、型号、位置、日期)、运行状态域(状态、心跳、信号强度、运行时长)、能耗域(功率、累计用电量、日用电量、月用电量)、环境域(温度、湿度、光照)、故障域(时间、类型、代码、持续时长、恢复时间、近30天故障次数)、维护域(时间、类型、结果、告警类型、级别、状态、合同编号)。经自主设计的算法处理后,新增5个衍生字段:设备健康度指数(AHP多维衰减模型)、能耗异常等级(Isolation Forest与基线融合)、运维优先级评分(AHP多因素加权)、预测性维护时间窗口(LSTM与Weibull融合)、节能优化建议(关联规则挖掘),形成29原始加5衍生共34列的完整数据结构体系。
  • 数据来源:

    自行产生

  • 数据所属行业分类:

    C39 计算机、通信和其他电子设备制造业

数据处理规则说明
本规则作用于六域异构设备29个原始字段,输出34字段,新增5个衍生字段,实现六域日志向预测性维护与能耗管理决策升维。1.设备健康度指数(0-100浮点):由信号强度、累计运行时长、近30天故障次数等经AHP三因子加权衰减模型生成,分散状态采样与统计计数变为量化健康度连续值;2.能耗异常等级(正常/异常/严重异常):由实时功率、累计用电量、日用电量、月用电量等经Isolation Forest与动态基线融合检测结合Z-Score生成,能耗时序数值变为三级异常结构;3.运维优先级评分(1-10浮点):由设备类型、故障类型、故障级别、服务合同等经AHP多因素加权决策模型,综合设备重要性、故障严重程度、影响范围和SLA紧急度四维计算,分散属性变为运维优先级量化评分;4.预测性维护时间窗口(日期区间):由健康度指数时序经LSTM预测未来30天趋势,结合Weibull可靠度确定最优维护时机,原无此字段,变为日期区间决策结构;5.节能优化建议(文本):由实时功率、环境温度、环境湿度、光照强度等经关联规则挖掘,对比能耗基线与环境偏差生成,环境数值变为可操作节能文本指引。
应用场景描述
酒店设备全生命周期预测性维护管理。本场景依赖设备健康度指数和预测性维护时间窗口两个衍生结构字段,这两个字段是数据处理规则作用于原始六域异构设备数据后产生的结构变化结果。设备健康度指数由原始运行状态域的信号强度和运行时长、故障记录域的故障次数经AHP层次分析法确定的三因子加权衰减模型计算得出,原始结构为分散的设备状态瞬时采样值与统计计数,处理后结构变为0-100连续值的统一量化健康度量值。预测性维护时间窗口由健康度指数时序数据经LSTM神经网络预测未来30天趋势并结合Weibull可靠度分析确定最优维护时机生成,原始结构中不存在对应字段,处理后结构变为日期区间决策结构。原始数据中的信号强度和故障次数仅为瞬时采样值和统计计数,无法反映设备的长期健康趋势和预测未来故障时间点。只有经过多维衰减建模和时序预测处理后,才能为运维团队提供哪些设备需要优先维护、何时维护的决策支撑,实现从被动响应式维修向主动预防性维护的转型。通过数据处理规则能从海量设备日志中得出直观、可量化、可排序的设备健康画像,有益效果是为预测性维护与运维资源优化配置提供直接依据。
  • 数据格式:

    xlsx

  • 数据更新频率:

    年更新

  • 数据量:

    1000

样例数据
样例数据(供展示)字数超出500字,详见“数据样例附件(供展示)”第1页 附件下载
数据结构样例
数据结构样例字数超出500字,详见“数据样例附件(供展示)”第2页
数据状态
  • 2026-10-28

    数据知识产权登记完成