基于大数据云的档案库房恒温恒湿管控系统，满足八防规范的落地复盘

┌─────────────────────────────────────────────────────────────────────┐
│                        大数据云平台（私有化/混合云）                  │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────────────┐  │
│  │ 设备管理中│  │ 时序数据 │  │ 告警规则 │  │ AI 预测/优化引擎 │  │
│  │          │  │          │  │          │  │                  │  │
│  │ 资产台账 │  │ 存储查询 │  │ 阈值滞回 │  │ 负荷预测         │  │
│  │ 点位配置 │  │ 压缩归档 │  │ 趋势关联 │  │ 能耗优化         │  │
│  │ 固件管理 │  │ 断点续传 │  │ 分级转发 │  │ 故障预判         │  │
│  └──────────┘  └──────────┘  └──────────┘  └──────────────────┘  │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────────────┐  │
│  │ 3D 可视化│  │ 报表统计 │  │ 审计追溯 │  │ 多馆集中管理     │  │
│  │ 热力图   │  │ 达标率   │  │ 操作留痕 │  │ 权限分级         │  │
│  │ 风险定位 │  │ 能耗分析 │  │ 合规报告 │  │ 跨馆对比         │  │
│  └──────────┘  └──────────┘  └──────────┘  └──────────────────┘  │
└────────────────────────────┬────────────────────────────────────────┘
                             │ MQTT over TLS / HTTPS / WebSocket
                             │ 双向：上送数据 + 下发策略
┌────────────────────────────▼────────────────────────────────────────┐
│                    边缘网关集群（信创国产化）                         │
│  ┌───────────────────────────────────────────────────────────────┐  │
│  │  协议适配层：Modbus RTU/TCP · BACnet · SNMP · 视频SDK · 门禁  │  │
│  │  数据引擎：解析 · 缩放 · 字序 · 质量戳 · 去重 · 补传         │  │
│  │  规则引擎：阈值 · 滞回 · 趋势 · 关联 · 写后回读              │  │
│  │  本地联动：断网自治 · 硬联锁 · 安全模式                      │  │
│  └───────────────────────────────────────────────────────────────┘  │
└──┬──────────┬──────────┬──────────┬──────────┬────────────────────┘
   │          │          │          │          │
   ▼          ▼          ▼          ▼          ▼
 环境感知   恒湿净化   安防消防   漏水电气   视频门禁
 (温湿度/   (一体机/   (门禁/烟  (漏水绳/   (摄像/人脸/
  PM/照度)  除湿机/   感/红外/   水浸/电气   道闸/密集架)
            空调)     双鉴)     火灾)

温度控制（防高温）：
  14~22℃      稳态带：空调低速/待机
  22~24℃      预警：提空调风速
  >24℃ 持续30s  强制制冷
  ≤21℃         停制冷（滞回 3℃，防频繁启停）
  <14℃         制热（特藏库/冬季）

湿度控制（防潮）：
  45~58%RH     稳态带：待机/低速循环
  58~60%RH     预警：净化提档+预除湿
  >60%RH 持续30s 启动除湿
  ≤55%RH       停除湿（滞回 5%）
  45~48%RH     预警：预加湿
  <45%RH 持续30s 启动加湿
  ≥48%RH       停加湿

露点温度 - 柜体/墙面表面温度 < 2℃ → 启动除湿+再热
防止：虽然湿度在 45~60%，但局部表面温度低导致凝露

核心交换机（机房）
  ├── 接入交换机 A（库房A/B）
  ├── 接入交换机 B（库房C/特藏库）
  └── 接入交换机 C（公共区/门厅）

VLAN 规划：
  VLAN 100 动环监测（传感器/网关）
  VLAN 200 安防（门禁/视频）
  VLAN 300 消防
  上联：核心→云平台（专线/VPN）

每个库房立体布点：
  四角（气流死角）× 4
  中央 × 1
  送风口 × 1
  回风口 × 1
  密集架中部（分体探头）× 4~6
  底层（防凝露区）× 2

合计：库房A 14点、库房B 12点、库房C 10点、特藏库 8点 = 44 设计点
实际安装 32 点（部分点位合并）

# 数据质量流转
raw_data = sensor.read()
    ↓
quality_check：GOOD / SUSPECT / STALE / OUT_OF_RANGE
    ↓
scaling & 字序转换（0-based/1-based 统一为 0-based）
    ↓
多节点中值滤波（同区 3~5 点取中值）
    ↓
时序库存储（原始值 + 处理后值，双存）
    ↓
告警引擎判断（阈值+滞回+趋势）

def humidity_control(room_id, current_rh, zone_median, dewpoint_gap):
    """
    防潮核心控制逻辑
    """
    # 1. 数据校验
    if current_rh.quality != 'GOOD':
        return ControlAction.hold("数据质量异常，保持现状")

    # 2. 露点优先（防凝露）
    if dewpoint_gap < 2.0:
        return ControlAction(
            device='dehumidifier',
            command='start',
            reason=f'露点风险：露点-表面温差{dewpoint_gap:.1f}℃'
        )

    # 3. 分级滞回控制
    if current_rh > 60 and not is_transient(current_rh):
        # 持续超标，启动除湿
        return ControlAction('dehumidifier', 'start', '湿度>60%RH持续超标')
    elif current_rh <= 55:
        # 滞回区，停除湿
        return ControlAction('dehumidifier', 'stop', '湿度回落至55%RH以下')

    if current_rh < 45 and not is_transient(current_rh):
        return ControlAction('humidifier', 'start', '湿度<45%RH持续偏低')
    elif current_rh >= 48:
        return ControlAction('humidifier', 'stop', '湿度回升至48%RH以上')

    return ControlAction.hold("湿度在稳态带内")

def temperature_control(room_id, current_temp, zone_median):
    """
    防高温核心控制逻辑
    """
    if current_temp.quality != 'GOOD':
        return ControlAction.hold("数据质量异常")

    if current_temp > 24 and not is_transient(current_temp):
        return ControlAction('ac', 'cool', '温度>24℃')
    elif current_temp <= 21:
        return ControlAction('ac', 'stop', '温度回落至21℃以下')

    if current_temp < 14 and not is_transient(current_temp):
        return ControlAction('heater', 'start', '温度<14℃')

    return ControlAction.hold("温度在稳态带内")

# 联动规则（平台侧）
rules:
  # 防潮-防高温 核心
  - id: RH_HIGH_DEHUMIDIFY
    condition: rh > 60 for 30s
    action: dehumidifier.start
    priority: 3

  - id: RH_LOW_HUMIDIFY
    condition: rh < 45 for 30s
    action: humidifier.start
    priority: 3

  - id: TEMP_HIGH_COOL
    condition: temp > 24 for 30s
    action: ac.cool
    priority: 3

  # 防火联动
  - id: FIRE_SAFETY
    condition: smoke == 1 or fire_alarm == 1
    action:
      - disinfectant.stop
      - humidifier.stop
      - water_valve.close
      - hvac.cut_non_essential
    priority: 1  # 最高
    recovery: manual  # 必须人工确认

  # 防盗联动
  - id: INTRUSION_SECURITY
    condition: door_open or human_detected
    action:
      - uv.stop
      - ozone.stop
    priority: 2

  # 防水联动
  - id: WATER_LEAK
    condition: leak_sensor == 1
    action:
      - water_valve.close
      - humidifier.stop
      - drain_pump.start
    priority: 2
    recovery: manual

热数据（7天）：秒级/分钟级，全量存储
温数据（90天）：5分钟聚合，均值+极值
冷数据（1年+）：1小时聚合，归档压缩

32 点 × 6 字段 × 1次/分钟 × 60 × 24 × 365 ≈ 1 亿条/年
压缩后约 20~30GB/年

输入特征：
  - 历史温湿度（7天滑动窗口）
  - 室外气象（温度、湿度、天气）
  - 时间特征（小时、星期、月份、节假日）
  - 设备运行状态

模型：LSTM / Prophet / 回归树
预测目标：未来 2~4 小时温湿度趋势

应用：
  - 提前 30min 启动除湿/制冷，避免超标
  - 预测到"即将超标"时提前干预，减少波动

目标：在满足八防温湿度要求前提下，最小化能耗

约束：
  - T ∈ [14, 24]℃, RH ∈ [45, 60]%
  - ΔT ≤ ±2℃, ΔRH ≤ ±5%
  - 设备启停次数最小化（延长寿命）

策略：
  - 利用夜间低谷电价预冷/预除湿
  - 多设备错峰启停
  - 根据预测提前减量运行

监测指标：
  - 除湿机运行小时数 vs 除湿量（效率衰减）
  - 滤网压差趋势（堵塞预判）
  - 压缩机启停频率（异常检测）
  - 传感器漂移趋势（同区横向比对）

告警：
  - 滤网预计 7 天内需更换
  - 除湿效率下降 30%，建议检修
  - 传感器 #12 漂移超阈值，建议校准

总馆平台 → 分馆 A/B/C
  - 统一标准、统一告警、统一报表
  - 分馆断网时本地自治，恢复后补传
  - 跨馆温湿度对比、能耗排名、达标率统计

总投资：约 85 万元
  - 设备采购：55 万
  - 施工布线：12 万
  - 平台开发：18 万

年化收益：
  - 电费节省：约 3.5 万/年
  - 人力节省（2人次巡检→远程监控）：约 8 万/年
  - 档案损坏风险降低（无法量化，但关键）
  - 达标验收通过（避免整改费用）

回收期：约 7~8 年（含政策补贴更短）

Step 1  勘察：7 天基线监测，摸清温湿分布
Step 2  设计：热负荷计算 + 控制策略 + 联动矩阵
Step 3  施工：立体布点 + 规范布线 + 错峰供电
Step 4  调试：单点→联动→故障注入，逐级验证
Step 5  优化：AI 预测 + 能耗优化 + 故障预判