建筑行业作为国民经济第二产业的重要组成部分，在国民经济中占有重要地位，同时建筑行业本身也是数据密集行业。随着建筑行业信息化发展，围绕建筑的全生命周期会产生大量数据，充分利用过程中的各类数据将有效提升建筑行业的整体经济效率。
以下内容选自卡内基梅隆大学土木与环境工程系助理研究教授，博士生导师、LeanFM Technologies联合创始人、首席技术官刘雪松博士，于2017年10月22日在数据科学研究院主办、清华校友AI大数据专委会（筹）协办的建筑行业大数据应用前景与趋势论坛上所做的题为《使用传感、信息模型和人工智能方法进行高效建筑设施管理》的演讲。
后台回复关键词“建筑”，下载完整版PPT。
嘉宾简介：刘雪松博士，卡内基梅隆大学土木与环境工程系助理研究教授，博士生导师；LeanFM Technologies联合创始人、首席技术官。2007年本科毕业于清华大学土木工程系，在卡内基梅隆大学先后于2009年获得软件工程硕士、2012年土木工程博士。刘雪松教授任卡内基梅隆大学土木与环境工程系助理研究教授，主要研究课题包括使用大数据分析的方法来管理、可视化和分析不同类别、不同格式的建筑信息，以此来提高建筑运维管理的决策支持，从而实现高性能建筑管理。主要的研究方法是使用信息建模来自动整合不同类别的建筑信息，并使用人工智能的方法来自动分析建筑设备的性能。
以下为讲座内容精华：
刘雪松博士从建筑设备管理角度介绍其关于大数据方面的挑战，以及在卡耐基梅隆大学，甚至在美国工业界如何处理这些挑战。
以卡耐基梅隆大学的校园为例，整个校园，含住宅和教学楼，有96个公共建筑，共60万平方米，面积很大，实则不到清华大学校园的1/30。但即使这样小的校园，每年也有40万美元的运营费用，包括所有材料和项目的更新，以及用于电、天然气和水等能源消耗的20万美元。
由于建筑涉费的系统十分复杂，如照明系统、供水系统、中央空调、强电系统、门禁、电梯等，较多的资金被用于建筑的运维管理。虽然这些系统在生活中显得很普通，但由于现代建筑附有诸多自动化控制，这些系统不断拥有不同的传感器和控制原理，将显得日趋复杂。
为什么我们要维护建筑设备？建筑里面的很多设备，大部分时候我们不关心它们现在到底是什么样的状况，只要不出错，没有大的故障就可以继续使用。
建筑立面的设备，包括水泵、电梯、空调和其他的机械有一个类似的性能曲线，如果不进行维护的话，就会有一个直线下跌的性能趋势。如果我们可以进行实时的维护，比如在性能比较低的时候进行一些维护的工作以让这个设备的性能能够提升回来，那么不仅可以避免在低性能的时候造成资源的损失，也可以有效地延长建筑设备的使用寿命。但是在公共建筑的管理方面，包括美国和中国，是用这种反应式、被动式的管理模式——指的是等到建筑出现漏水、空调不制冷或者电梯出现问题等再去修理。一方面我们没有办法很好地预测建筑设备的故障；另外一方面，每次进行修理的时候，可能由于图纸或者相关信息的缺失，使得大多时间被浪费在寻找信息或者是故障分析上面，而不是真正去处理这个问题。
我们团队曾和美国能源部做了一个为期三年的研究，调研了一百多个美国政府大楼，发现大部分的运维都是被动式的管理模式，而计划式或者是预测式的管理非常少如若真正做到预测式的管理，所需要的花费基本上是被动式管理的四分之一或者是三分之一。以卡耐基梅隆大学这样一个校园为例，其有30%到40%的运维费用，如果可以做很好的状况分析的话，那么费用可以被节省下来。
大数据也带来一个很大的难题：怎样分析建筑系统的数据并做出建筑方面的分析。一方面我们提到有很多不同的建筑系统，数据量很大；另外一方面各种各样的格式会导致出现非常大的难题，怎么样把这些信息整合和分析出来时一个挑战。
为什么建筑数据这么难以管理？因为每一个建筑项目都是由非常多的学科、非常多的企业、非常多的工程师共同参与，共同创造信息，包括从设计、施工到后期的运维。
现在所谓的运维已经超出了安防和清洁层面，更多的是设备的管理。比如说排水系统的运维和空调系统的运维是完全不同的概念，这个时候也会有不同的工程师或者工程机构来参与。大家都在用不同的软件、硬件，使用不同的工具，大家都收集不同种类、不同格式的数据，而且有非常频繁的数据交互，尤其在设计和施工阶段。整个建筑生命周期在国内一般为10年，而20年的建筑都是非常老的；在美国卡耐基梅隆大学100多个教学楼里面，有60%是50年以上的建筑，在这么长的生命周期里，很多建筑内部的信息会改变，怎么样保证这些信息始终更新和整合，将是一个非常大的难题。
一般来说，建筑设备管理当中的信息方面有五个步骤，首先是收集和整理，比如图纸、用户手册，在施工结束之后的施工图，一般都会交给业主，先把这些信息收集过来，然后业主要进行一些信息的管理，要先核实一下这些信息里面的图纸有没有错误，用户手册全不全。再往下一步，有这么多不同的信息源，怎么样进行信息的整合？现在基本上都是手动的过程，整合之后便可以进行信息的检索。当我们需要这些数据的时候，就可以把这些信息拿过来。最终想实现的就是决策的支持，这些地方如果进行一些信息维护，怎么样进行决策的支持是非常重要的。
未来的趋势是什么？一方面是建筑信息的管理交互标准化，越来越多的标准会在行业里面出现，去支持建筑信息化的结构，但是建筑标准化或者信息化从工业界的角度来说现在还有很大的问题。另一大方向就是自动化，主要就是运用人工智能的方法，相当于把建筑变成一个机器人一样，首先就是让建筑理解我有什么，我是什么，是否有不同的构件，然后看看这些构件有没有正常的运作，有没有感觉不舒服，或者是有一些调整。
全生命周期信息的高度整合和无缝交互。高度整合是困难的，毕竟建筑的维度、信息的维度很多，而时间、空间和功能方面是我们以后关注的几个大的方向。现在在建筑行业，或者整个行业里面比较关注的一些技术，像物联网就是做传感的，用人工智能、大数据进行分析，包括对一些建筑信息模型进行信息的整理和结构化。
需要解决的问题其中一个就是信息孤岛群。仅Auto公司——整个行业的龙头，就有诸多不同的软件可以去使用。再去看整个行业里面这么多的软件公司，每一个都有几十、上百个不同的软件。我们怎么选择？怎么样去进行信息交互？这都是一个非常大的挑战。
一个三维的模型，不管是从什么软件里面来，主要是包含的表面的集合模型，缺少了很多其他的特征比如说参数化建模、全生命周期的管理等特性。建筑信息模型的核心是Information，这个核心我们希望不止是包含几何信息、空间信息这些三维的数据，同时也包含着很多语义的信息在里面。如果是一面墙的话，我希望知道它的材料是什么，希望知道它什么时候建的，整体建的有没有一些变更。整个的信息，包括在运维过程当中，这个墙有没有变更，有没有一些问题，希望能够把这些信息整合起来。当我说到建筑信息模型的时候，在美国那边一般会说成是一个语义非常丰富的模型，不止是包含空间信息，更多的是包含建筑构件的这些参数和建筑构件之间的关系，这是非常重要的。
在2003年到2006年，美国建筑信息模型有一个非常大的飞跃，主要是美国最大的建筑业主GSA，它是政府的建筑业主，并开始在建筑信息模型使用过程当中推进标准化。当时提出第一步做三维或者四维建筑信息模型，在碰撞分析和管理过程当中有哪些方法可以用，到后期做了很多的规范，最近也制定设备管理方面的一些规范。但是现在还是有很多缺陷，可以说在美国用BIM最重要的，或者很多情况下唯一的一个目标就是做碰撞分析。
碰撞分析是一个非常好的应用建筑信息模型的方面，因为它确实是可以带来实际项目的收益的。但是碰撞分析因为主要用到的是三维图形信息，现在也缺乏很多标准性可交互的工具，主要就是用一些三维模型，放在一个软件来进行。导致用BIM在做设计和施工时，主要拿到的是一些AutoCAD、Revit等不同的建筑模型，并且最后是整合到一起的三维模型，分不清楚哪些构件是墙，哪些构件是机器，没有定位具体的参数和关系，施工者把本来建好的模型又导成图纸，缺乏挖掘的潜力。很多人说我在做BIM，其实就是在做一个简单的三维模型，这个对于我们新技术的应用是非常大的问题。
我们哪些方面可以用到这个建筑信息模型？比如虚拟的设计，包括碰撞分析，在设计的阶段确实是非常有用的，但是到后期我们希望也能够做结构分析，也可以做能耗分析，包括算量，4D，整个过程当中施工质量控制的分析，包括不同的研究课题；利用BIM来做精细施工，做可持续的施工，包括把建筑信息模型和地理信息系统整合起来，以此做整个城市规划，可以做很多方面的课题。但是基本上很少有实践的项目是在用这些技术的，这个潜力发掘的是非常低的。
在过去20多年中，我们在卡耐基梅隆大学有多个研究方向，包括智慧城市和智慧建筑，并且一直在做这方面的研究。一方面是城市大规模的安装，从建筑、施工、设计、运维到后期，怎么样利用新的信息技术来指导？比如像物联网和数据收集，把它用到很多的基础设施方面，比如天然气管道，包括建筑内部的天然气管道，也包括规模很大的跨州的天然气管道；包括用无人机搭载激光扫描仪，自动地进行结构的健康检测和施工过程的分析；包括其他的用车载的传感器，不需要专门再去设定一些固定的传感器，而是用车载的方式。
大数据分析和决策支持，包括地下、地上不同的例子，包括建筑建模，利用激光扫描仪进行处理，还有能耗的管理和分析。城市级别的可持续发展决策支持，比如地报热岛分析、温室效应，基础设施管理对于社区经济的分析，就会用到很多建筑信息模型和地理信息系统之间的整合，而刚才提到车载传感系统可用来来监测路况和桥梁的情况。
其实物联网在建筑和基础设施里面有一个非常大的挑战，就是后期的运维。这么大量的传感器的基础怎么样去保证还可以持续的更新它们，或者是修理它们。我们不想为了解决一个问题而带来更复杂的问题，所以这个也是非常大的一个挑战。
采用多维度传感技术，我们可以用非常少量的传感器，在非常长的管道里面去定位可能存在的漏气，或者气压变化，或者是破裂的这种情况，大部分都是用传感器和人工智能的方法。在建筑内部的管线，也可以用类似的技术，主要是用大数据分析来去发现其中可能会存在哪些问题，这个精度是相当高的，这个主要是从智慧基础设施方面讲的。
我们有非常自豪的一个技术，是用无人机搭载激光扫描仪进行自动化的结构化探测，可大量地节省对于基础设施方面的监测成本，可使用各个方面的功能。我们现在主要把它应用在结构检测上面，将来希望能够在灾害分析等方面做一些应用。
为什么我们想要把建筑运维提到这么高的一个层次，用大数据分析去处理？我们在卡耐基梅隆大学多年的研究成果有一个软件公司，叫LeanFM，我们从做的实际的项目里面发现，对于公共建筑的运维管理，如果我们可以做到预测式的管理模式，那么节省是非常大量的。
传统的方法可能更多的是要等到这个故障发生再解决，但是我们现在通过大数据分析，首先能不能做到有一些故障，比如说因为构件老化或者是超负荷运转，就可以知道一些问题在哪里，从而能够直接避免这些问题；不能详细预测的话，也能够提前预测一下，以防出现事故，一旦出现事故损失就比较大。
我们是怎么把这个人工智能技术用在建筑领域的？跑出来的算法结果能不能提高生产力、效率，这是关键。这个不止是用相关的算法，更需要用专业领域的指导来支持结果。建筑行业有很多人生成的信息，包括运维管理的描述，而人的语言没有办法进行结构化处理，就需要进行结构化大数据的处理，涉及到自然语言的技术，然后会提取一些相关的信息点。能从大的文件里面提取出来信息是自然语言分析很好的应用方面。
我们做的比较多的是多维度联合数据仓库。有很多数据库，但是如何将数据库不同的信息联合起来进行分析，这是我们研究的情况。三维可视化，在计算机方面不是问题，但是在我们建筑行业，比如有一个非常大的建筑模型，怎么样让手机把这个信息检索出来，这个时候我们就会做一些研究，或者是做这种模式的可视化。当你有一个20万、30万平方米非常大的建筑，里面有非常细节的构件的时候，我们是把这个模型只提取出来用户所需要看到的一部分信息，然后发送到你的手机里面。所以无论多大的建筑我们都可以把相关的一些信息拿到手机里面去看，这样就解决了移动端的使用需求。
为什么我们说建筑系统需要用大数据分析发现里面的一些故障？因为人工发现故障实在是太难了。比如这是一个中央空调机组，我们做自动故障分析的决策树，如果只是去做一个决策树，我们可以发现很多的问题；比如说我们发现，过去一个月这个水泵被修了五次，其他水泵一年才修一次，这肯定是有一些问题，然后我们就会告诉这个建筑管理者说，这个地方你要小心一点，是不是这个水泵坏掉了。但是后来我们发现，只用人工智能的方法做大数据分析的时候就会发现很多的问题，哪些问题真的是有用的呢？这个时候就需要甄别了。
如果我们每次发现几千个、上万个问题，直接告诉建筑管理者，建筑管理者说我还是不能用你的信息，因为现在信息过载，从哪些问题开始入手？哪些问题可以真正地提高效率或者是生产力？这是没有办法衡量的。所以我们的方法就是用真正大量的数据和这个建筑运维的管理者进行交流，去分析过去一个月这五次的修理到底是不是真正五次的修理？因为很多情况下，发现问题不是五次都去修理，而是有人报告了五次这个地方有故障，只有最后有一次是修理了，这两个概念是完全不同的。所以说我们在用人工智能方法的基础上，在发现这个问题的技术上，还要进一步的从里面去提取真正的知识或者是真正有用的信息，这样才能告诉建筑管理者。
另外，需提及的是人工智能不仅仅是需要计算机方面的专业知识，更需要整合在一起提高生产力，这才是真正用好人工智能的表现。
后台回复关键词“建筑”，下载完整版PPT。
内容整理：王志蒙
校对：朱江华峰
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|