建筑设备运维管理期间会积累海量而复杂的数据文件,其中大量信息与机电系统相关,具体包括暖通,给排水和电气等专业设备的运行状态、能耗信息及维护维修知识等。这些信息大体上可分为两类,其一为时序性的监测信息,如机电设备运行状态,能耗信息等,其特点是会随时间增加而快速积累,不便于统计分析,目前主要的存储介质为电子表格;其二为非结构化的运维知识,如机电系统的设计与维护手册等,其特点是异源地分布在互联网中,对其全面整理较为困难,目前主要的存储介质为文档图片。由于当前运维信息存储管理方式不利于计算机进行高效的数据检索和知识学习,在实际运维管理中有多种情形,如能耗数据分析评估,应急管理中的问题构件定位等,依然需要相关专业人士基于多年的知识和经验积累进行决策分析,人力物力成本较大。针对上述问题,本研究引入了较为前沿的语义网和知识图谱技术,并结合神经网络和深度学习模型,在建筑运维领域,分别针对时序信息和非结构化信息建立了监测信息本体和机电知识图谱。前者探究了空间本体,传感器本体及能耗KPI(Key Performance Index)本体的集成框架,给出了基于资源描述框架(RDF Schema,RDFS)的监测信息本体检索分析方法,并实现了基于KPI的能耗分析评估。后者探究了对机电知识的提取、管理与可视化描述方法,具体包括使用深度学习模型完成机电设备语料分析和实体发现,使用残差卷积神经网络完成机电知识的关系抽取。在此基础上,本文进一步讨论并给出了一种基于BIM(Building Information Model)和语义分析的机电系统逻辑关系自动补全方法。案例应用与探究部分,本研究使用既有建筑2017-2018年的监测数据建立了监测信息本体,并对其年、月、日各颗粒度的相关能耗KPI进行了计算分析和数据可视化表达。此外还使用实际工程的模型数据对基于机电知识图谱的逻辑关系自动补全方法对进行了检验,取得了较为理想的结果。整体来说,本研究所建立的监测信息本体和机电知识图谱为本领域的相关研究提供了信息集成的技术框架,可在一定程度上满足建筑运维期信息管理的查询分析需求,有助于提高建筑运维期的信息综合管理和检索分析效率。