Microsoft 的房地产和安全组使用 ML.NET 让设备管理更智能

Microsoft 的房地产与安全(RE&S)组负责运营全球化公司中最复杂的设施基础结构之一: “全球城市”，其在 112 个国家/地区拥有 1,116 座员工大楼和数据中心。RE&S 管理一切事务，从食物准备、总线维护、家具订购到供暖和冷却系统。让这个城市持续平稳运行是一项大型任务，RE&S 依赖于智能建筑自动化来帮助控制供暖、通风和空调、照明以及其他系统。

仅在 Microsoft 总部所在的皮吉特湾，就有 100 多座建筑，共拥有 33000 多台 HVAC 设备。每天，从支持物联网的设备收集约 4900 万个故障，这些设备将设备遥测发送到第三方建筑管理系统 (BMS)，如 ICONICS。从 BMS 传输到 Dynamics 365 连接现场服务的物联网故障将成为警报，相关警报将转换为工单。工单可为建筑资产安排维护和维修。

业务问题

当 RE&S 组首先实现了从 ICONICS 到 Dynamics 365 的连接器时，每个 Energy Smart 建筑平均每天发生大约 2,000 个 HVAC 设备故障。该组受其可载入 Dynamics 365 的建筑物数量的限制，为约 2,000 x 100 = 约 200K/天，这会使数据库不堪重负，对最终用户和技术人员而言是不安全的。因此，非常需要选择正确的故障并降低噪音，以帮助减少故障数量，并预测哪些故障可能成为工作指令。

因此，RE&S 组决定实现机器学习模型(Dynamics 365 外部)，该模型可以选取正确的错误集，并转换为工作订单，这样消除干扰的可能性要高得多。

为什么选择 ML.NET?

出于多个原因，Microsoft 的 RE&S 组决定使用 ML.NET。其中一个原因是团队对 .NET 技术非常熟悉。

.NET 在 RE&S 组中广为人知，且我们的开发团队整体在 .NET 技术方面具有高水平的专业知识。使用 ML.NET 有助于我们克服其他数据科学框架、工具以及 IDE 的技术知识缺口，从而在实现机器学习解决方案时实现快速周转。”

此外，该组还发现 ML.NET 易于使用，尤其是在将 AutoML 与模型定型的 Visual Studio 中的 ML.NET Model Builder 配合使用时。RE&S 组还认为，ML.NET 是机器学习的成本优化解决方案，且他们能够同时在本地和 Azure DevOps 管道中轻松实现 ML.NET。

ML.NET 的影响

RE&S 组的 ML.NET 解决方案产生了重大影响。借助其准确性约为 99% 的 ML.NET 模型，Dynamics 365 中创建的 IoT 警报已减少约 70-80%。这允许该组安全载入了更多建筑、帮助减少了噪音，并使焦点转移到真正需要采取措施应对的警报上。

以下仪表板显示了 7 天内两种 ML 解决方案之间的差异(例如，基于设备类型和设备信息的两种不同的 ML.NET 模型):

解决方案体系结构

Microsoft 的 RE&S 组使用 Azure DevOps 管道进行 ML.NET 模型训练和开发部署即服务。

连接到 HVAC 设备的 IoT 设备将设备遥测发送到名为 ICONICS 的第三方构建管理系统，该系统运行各种规则来确定是否存在 IoT 故障。然后，R&S 小组将收集训练数据，并从 ICONICS 的数据库中提取所有故障。他们收集两种类型故障的设备数据: 常规故障和智能(或标准化)故障，然后使用这些数据创建两种基于以下功能的机器学习模型:

• 设备类型
• 规范化分数
• 智能分数
• % 己标记
• 己标记严重性
• 节能机会
• 基础设备类
• 错误严重性
• 舒适风险
• 可能的原因

该组的训练管道由 OneHotEncoding 和 Concatenation 数据转换组成，并且它们使用 LightGBM 算法执行二进制分类。

当拥有经过训练的 ML.NET 模型后，小组会将其模型作为 Azure 函数部署到 HTTP 触发器。这些函数由 ICONICS 调用到 Dynamics 365 连接器，后者决定故障是否应成为工作订单。