具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1至图4，一种基于装配式建筑的标识解析系统，包括标识生成模块、二维码扫描及信息输入设备、标识信息获取模块、边缘服务器、云平台。

所述标识生成模块获取建筑区域中多个设备的初始标识信息，并对所述设备进行顺序编号。所述标识生成模块按照数字编码规则对设备的初始标识信息和设备编号进行编码，得到初始标识编码信息，并生成二维码。二维码生成后，在相应设备上展示。二维码生成后，不改变。所述数字编码规则统一将文字转换为n进制的数字编码。所述建筑区域为装配式建筑所处的建筑工地区域。

所述初始标识信息包括设备所在地理位置、设备类型、设备生产商、设备用途、设备的零部件数量、设备所属单位。

标识信息包括初始标识信息、设备使用状态、设备维护状态、上一次标识信息更新时间、系统日期。设备使用状态包括使用、未使用、故障、维修。设备维护状态包括已维修、维修中、待维修。

设备使用状态和设备维护状态以数值方式表示；

如20210101115210，即2020年1月1日11点52分10秒。

设备使用状态总共包含4种状态，即使用、未使用、故障、维修中，每项状态表示该设备当前所处状态，可用数值0～3进行标识：

0：使用

1：未使用

2：故障

3：维修中

设备维护状态包含3种状态，即维修、维修中、待维修，每项状态表示该设备当前所处的维修状态，可用0～2进行标识：

0：已维修

1：维修中

2：待维修

其中，系统日期由标识信息获取模块根据当前标识解析系统的日期生成。上一次标识信息更新时间由标识信息获取模块记录的上一次生成标识信息的时间。

使用者通过二维码扫描及信息输入设备扫描二维码，获取设备的初始标识编码信息，并传输至标识信息获取模块。

使用者在二维码扫描及信息输入设备中输入设备的维护状态信息编码和使用状态信息编码，并传输至标识信息获取模块。

所述标识信息获取模块对初始标识编码信息、设备维护状态信息编码和使用状态信息编码进行整合，得到标识编码信息，并传输至边缘服务器。

所述边缘服务器根据数字编码规则将标识编码信息还原为标识信息。

所述边缘服务器根据设备分类规则对标识信息进行预处理；所述预处理包括格式验证、数据清洗、数据分类和格式化；

所述边缘服务器根据设备分类规则对标识信息进行分类的步骤为：

I)以初始标识信息中任一项为分类标准，将该项初始标识信息相同的设备归为一类。

II)将同类设备对应的标识信息归为一类。

所述边缘服务器根据数字编码规则将预处理后的标识信息再次编码为标识编码信息，并存储。所述边缘服务器将标识编码信息上传到云平台。

所述云平台根据数字编码规则将标识编码信息还原为标识信息。

所述云平台将同属一个设备的标识信息写入同一设备数据库中。所有设备数据库存储在云平台的总数据库中。

所述云平台对设备数据库中的数据进行分析，通过与历史数据进行对比训练，识别出是否存在如数据格式、数据缺失、数据值不符合标准或数据存在异常值等问题，若存在，则向二维码扫描及信息输入设备发送警报。

每一设备数据库还存储有用于预测设备状态的神经网络。

在云平台向设备数据库写入当前标识信息时，设备数据库存储所述标识信息，并将所述标识信息输入到神经网络中，得到设备状态预测结果。所述设备状态预测结果包括预警信息；所述预警信息包括设备维护正常、设备维护超期、设备需维护。

所述神经网络为已经训练好的神经网络。

训练神经网络的步骤包括：

1)搭建神经网络，包括输入层、隐藏层和输出层。

2)云平台获取T时间内位于建筑区域的设备数据。所述设备数据包括设备标签和标识信息。所述设备标签包括设备维护正常、设备维护超期、设备需维护。

3)将所述设备数据随机划分为训练数据集和测试数据集。

4)利用训练数据集对神经网络进行训练，得到训练好的神经网络。

5)将测试数据集输入到训练好的神经网络中，得到设备状态预测结果。若神经网络预测结果的正确率大于预设阈值P，则结束，否则，返回步骤2)。

一种基于装配式建筑的标识解析系统还包括预警模块。

所述预警模块存储有建筑区域地图。地图上显示各设备的地理位置。

所述预警模块根据标识信息对设备进行分类标注，标注类别包括设备维护正常、设备维护超期、设备需维护。

当设备标注类别为设备维护超期、设备需维护时，预警模块向二维码扫描及信息输入设备发送警报。

所述预警模块还根据设备状态预测结果对设备进行分类标注。

对设备进行了分类标注的地图为可视化地图。

实施例2：

参见图1至图4，一种基于装配式建筑的标识解析系统的应用方法，步骤包括：

1)对装配式建筑设备状态进行标识，该步骤对设备编号和设备状态编码，为系统自动记录设备的各种数据提供支撑，步骤包括：

1.1)利用标识解析方法将设备及其状态信息进行编码，生成规则对应29位16进制设备编码(编码包括设备所在省市、公司名称、工地、设备类型、位置、用途、状态等)，如下表所示，

其中，20-23位表示设备状态参数。对设备编号和设备状态进行编码的编码规则为预先设定。

1.2)根据编码生成规则，将前19位生成二维码，后10位为预留位，需要在设备点检时手动输入，其中第26-27位为系统保存的上次维护时间不需要输入，最后两位为当前时间，若点击界面的确认按钮则记录该时间。

2)基于工业互联网的边缘数据采集和边缘计算，该步骤用于采集实时监测的设备数据，且对数据进行边缘预处理，具体为：

设备维护状态数据：利用人工扫描识别二维码(手动输入设备维护状态编码，并点击确认)进行设备联网；

系统自动将设备数据上传到边缘服务器；

根据标识编码规则，利用边缘服务器对设备数据进行标识；

将标识的设备数据按照不同的业务逻辑(如单设备维护时间间隔、设备故障等)进行分类和数据预处理；

边缘服务器将预处理的数据反向进行标识解析节点编码存储，并将数据上传到云平台；

通过标识解析方法确保数据传输的安全性；

通过以上方法可以减少数据采集过程中的人工干预，避免由于手工记账导致数据不准确(如数据不一致、数据遗漏等)、采集不及时、数据传输的安全等问题；

3)利用云平台对设备数据进行编码解析、数据分析和数据挖掘，以实现对设备预防性维护；

将同一个设备的不同部件的数据进行融合，建立单设备全数据库，及建立所有设备的数据仓库；

利用云平台对设备数据进行解析、分析和统计，如发现数据异常，可以通过发送微信或短信方式通知相关人员进行处理，实现数据精准维护；

根据设备历史数据，通过云平台进行数据挖掘(如神经网络、决策树、关联规则等方法)，建立设备不同状态下的数据模型，用于预测设备状态，以实现对设备预防性维护；

4)利用Web技术，建立一种可以实时动态地设备状态可视化的智能预警系统，主要分为以下3步：

4.1)编制工地的3D图，即各环节的设备具体在工地的哪个位置；

4.2)利用web，将数据从云端导入工地的3D图中，

若设备为绿色表示设备维护正常；

若是黄色表示设备维护超期，通过微信或邮件通知；

若是红色则表示设备维护性报警(即设备必须维护)，通过微信或邮件通知。

设备运维人员、设备操控者根据可视化内容对设备进行预测性维护。

通过以上方法，实现了设备数据自动采集，不再依靠手工记账方式来记录数据，减少了人工干预，达到了对设备状态数据进行高效的采集、数据分析和可视化的智能预警，避免造成工地的生产损失。