点击上方“蓝字”关注我们，成为幸福的人~

这是一个大街小巷热议人工智能的时代~

人工智能犹如上世纪九十年代的互联网，以惊涛之势席卷大江南北、带动着产业革命。

作为智慧建筑运维领域的专业服务商，有志于“用数字智能服务每个建筑，创造可持续的美好生活”，在智慧之光的感召下，博锐尚格在人工智能之路上苦苦探索。

深知于智慧之路上前行，不仅需要一往无前的勇气，还需要笃定、冷静，同时这一前探过程，绝不应该孤独的求索，博锐尚格CTO沈启博士以”AI天天见”系列文章与业界共同分享讨论AI技术在智能建筑运维领域的应用之道。 

01理念解析：决策树算法

决策树是一个利用树状的图形结构来为已知的需求提供相应决策方案的工具。

ID3算法是生成决策树的一种常用算法，通过计算混合物体依据某个判断条件进行分类后的信息增益，选择其中信息增益最大的那个作为本次分类的判断条件。

信息增益是以某个判断条件对物体进行划分前后的熵的差值。熵可以表示物体之间混合的混乱程度，熵越大，对物体进行分类的不确定性就越大。因此可以使用划分前后熵的差值来衡量使用当前判断条件对于混合物体划分效果的好坏。划分前混合物体的熵是一定的，可以用entroy(前)表示，使用某个判断条件划分混合物体，计算划分后的剩余物体的熵 entroy(后)，从而得到：

信息增益 =  entroy(前) -  entroy(后)。

信息增益越大，代表使用当前的分类条件，可以使系统的熵越小，也就是不确定性越小，从而使接下来分类变得更容易。因此，每次选择分类条件的依据就是判断以当前分类条件分类后，信息增益是否是最大的。如果是，那么它就是当前最优的判断条件。

图一LSTM结构示意图

02博锐尚格探索故障排查流程优化

博锐尚格深入探索AI应用之道，利用决策树算法对建筑设备设施故障的排查流程进行优化。

以建筑机电系统的故障排查为例。建筑中机电系统的报警和故障不一定是一一对应的，一个报警可能会对应多种故障，工作人员需要进行多步操作来精确判断出现的是哪一种故障。同时在实际现场各种故障发生的概率是不平均的，而不同故障所对应该的的排查操作所花费的时间、人力、材料和专项检测等成本也各有不同。

综上所述，在排查故障的过程中，如何制定执行操作的先后次序，能够即快速准确定位问题所在，又能有效控制检测的综合成本，是一个在物业运维工作中普遍存在、又容易被人忽视的问题。

试举冷站能源异常为例，设定冷站能源异常对应的具体原因有32种，相应的有38种检测手段，每种检测手段有确定的诊断效用和检测综合成本。如果设计两种故障排查策略，一种平均综合成本最低，对应的故障排查决策树如图8所示；另一种平均检查步骤最少，其对应的故障排查决策树如图9所示(图中方形代表检测手段编号，圆形代表确定的原因编号)。经计算分析可知，

综合成本最低决策树的综合成本指数为1034。相较而言，步数最少的决策树，综合成本比它高34%；如果随便制定次序排查，综合成本比最优的高5倍以上。

平均检查步骤最少决策树的平均步数为4.2步，即平均做4.2次检查就能找出具体故障原因。

比较两个决策树系统，成本最低的决策树平均要执行7.6步；随机排查平均要执行17.5步。

图一.成本最优生成决策树实例

图二. 步数最优生成决策树实例

03应用成效简化设备设施故障排查步骤

基于决策树算法的建筑设备设施故障的排查流程已经在博锐尚格设备设施AIOT增强管理解决方案中得到应用。

设备设施AIOT增强管理解决方案是向建筑运维管理组织，提供覆盖完整工作的数字化转型方案，利用AIOT 技术帮助客户转型成为信息在线、执行在线、经验在线、人工智能决策辅助的先进管理组织，实现优化人力资源结构、减少人员变动风险和培决策树算法训成本、提高建筑运维工作可控性、消除管理盲区、避免坏点管理不当造成的财产损失等目的。

实践显示，该项算法在设备设施AIOT增强管理解决方案的落地应用，大大减少了故障检查工作的排查步骤，故障处理难度不断降低，保证了设备设施系统的正常运转和长效运行。

04结语

决策树算法的探索与落地应用，有效的识别了智能运维的发展方向，解决了客户深层问题。“陪客户过日子”的道路上，博锐尚格沿“用数字智能服务每个建筑，创造可持续的美好生活”方向，又迈出坚实一步。博锐尚格也期望能与更多有识之士一起，能够探索更多的AI应用之道，推动行业不断进步~

博锐尚格

建筑运维领域数字智能专业服务商

服务于建筑运维管理组织

助力客户数字化转型

释放组织能量

创造持续价值