獨家 | 人工智慧助力高效建築設施管理

建築行業作為國民經濟第二產業的重要組成部分，在國民經濟中佔有重要地位，同時建築行業本身也是數據密集行業。隨著建築行業信息化發展，圍繞建築的全生命周期會產生大量數據，充分利用過程中的各類數據將有效提升建築行業的整體經濟效率。

以下內容選自卡內基梅隆大學土木與環境工程系助理研究教授，博士生導師、LeanFM Technologies聯合創始人、首席技術官劉雪松博士，於2017年10月22日在數據科學研究院主辦、清華校友AI大數據專委會（籌）協辦的建築行業大數據應用前景與趨勢論壇上所做的題為《使用感測、信息模型和人工智慧方法進行高效建築設施管理》的演講。

嘉賓簡介：劉雪松博士，卡內基梅隆大學土木與環境工程系助理研究教授，博士生導師；LeanFM Technologies聯合創始人、首席技術官。2007年本科畢業於清華大學土木工程系，在卡內基梅隆大學先後於2009年獲得軟體工程碩士、2012年土木工程博士。劉雪松教授任卡內基梅隆大學土木與環境工程系助理研究教授，主要研究課題包括使用大數據分析的方法來管理、可視化和分析不同類別、不同格式的建築信息，以此來提高建築運維管理的決策支持，從而實現高性能建築管理。主要的研究方法是使用信息建模來自動整合不同類別的建築信息，並使用人工智慧的方法來自動分析建築設備的性能。

以下為講座內容精華：

劉雪松博士從建築設備管理角度介紹其關於大數據方面的挑戰，以及在卡耐基梅隆大學，甚至在美國工業界如何處理這些挑戰。

以卡耐基梅隆大學的校園為例，整個校園，含住宅和教學樓，有96個公共建築，共60萬平方米，面積很大，實則不到清華大學校園的1/30。但即使這樣小的校園，每年也有40萬美元的運營費用，包括所有材料和項目的更新，以及用於電、天然氣和水等能源消耗的20萬美元。

由於建築涉費的系統十分複雜，如照明系統、供水系統、中央空調、強電系統、門禁、電梯等，較多的資金被用於建築的運維管理。雖然這些系統在生活中顯得很普通，但由於現代建築附有諸多自動化控制，這些系統不斷擁有不同的感測器和控制原理，將顯得日趨複雜。

為什麼我們要維護建築設備？建築裡面的很多設備，大部分時候我們不關心它們現在到底是什麼樣的狀況，只要不出錯，沒有大的故障就可以繼續使用。

建築立面的設備，包括水泵、電梯、空調和其他的機械有一個類似的性能曲線，如果不進行維護的話，就會有一個直線下跌的性能趨勢。如果我們可以進行實時的維護，比如在性能比較低的時候進行一些維護的工作以讓這個設備的性能能夠提升回來，那麼不僅可以避免在低性能的時候造成資源的損失，也可以有效地延長建築設備的使用壽命。但是在公共建築的管理方面，包括美國和中國，是用這種反應式、被動式的管理模式——指的是等到建築出現漏水、空調不製冷或者電梯出現問題等再去修理。一方面我們沒有辦法很好地預測建築設備的故障；另外一方面，每次進行修理的時候，可能由於圖紙或者相關信息的缺失，使得大多時間被浪費在尋找信息或者是故障分析上面，而不是真正去處理這個問題。

我們團隊曾和美國能源部做了一個為期三年的研究，調研了一百多個美國政府大樓，發現大部分的運維都是被動式的管理模式，而計劃式或者是預測式的管理非常少如若真正做到預測式的管理，所需要的花費基本上是被動式管理的四分之一或者是三分之一。以卡耐基梅隆大學這樣一個校園為例，其有30%到40%的運維費用，如果可以做很好的狀況分析的話，那麼費用可以被節省下來。

大數據也帶來一個很大的難題：怎樣分析建築系統的數據並做出建築方面的分析。一方面我們提到有很多不同的建築系統，數據量很大；另外一方面各種各樣的格式會導致出現非常大的難題，怎麼樣把這些信息整合和分析出來時一個挑戰。

為什麼建築數據這麼難以管理？因為每一個建築項目都是由非常多的學科、非常多的企業、非常多的工程師共同參與，共同創造信息，包括從設計、施工到後期的運維。

現在所謂的運維已經超出了安防和清潔層面，更多的是設備的管理。比如說排水系統的運維和空調系統的運維是完全不同的概念，這個時候也會有不同的工程師或者工程機構來參與。大家都在用不同的軟體、硬體，使用不同的工具，大家都收集不同種類、不同格式的數據，而且有非常頻繁的數據交互，尤其在設計和施工階段。整個建築生命周期在國內一般為10年，而20年的建築都是非常老的；在美國卡耐基梅隆大學100多個教學樓裡面，有60%是50年以上的建築，在這麼長的生命周期里，很多建築內部的信息會改變，怎麼樣保證這些信息始終更新和整合，將是一個非常大的難題。

一般來說，建築設備管理當中的信息方面有五個步驟，首先是收集和整理，比如圖紙、用戶手冊，在施工結束之後的施工圖，一般都會交給業主，先把這些信息收集過來，然後業主要進行一些信息的管理，要先核實一下這些信息裡面的圖紙有沒有錯誤，用戶手冊全不全。再往下一步，有這麼多不同的信息源，怎麼樣進行信息的整合？現在基本上都是手動的過程，整合之後便可以進行信息的檢索。當我們需要這些數據的時候，就可以把這些信息拿過來。最終想實現的就是決策的支持，這些地方如果進行一些信息維護，怎麼樣進行決策的支持是非常重要的。

未來的趨勢是什麼？一方面是建築信息的管理交互標準化，越來越多的標準會在行業裡面出現，去支持建築信息化的結構，但是建築標準化或者信息化從工業界的角度來說現在還有很大的問題。另一大方向就是自動化，主要就是運用人工智慧的方法，相當於把建築變成一個機器人一樣，首先就是讓建築理解我有什麼，我是什麼，是否有不同的構件，然後看看這些構件有沒有正常的運作，有沒有感覺不舒服，或者是有一些調整。

全生命周期信息的高度整合和無縫交互。高度整合是困難的，畢竟建築的維度、信息的維度很多，而時間、空間和功能方面是我們以後關注的幾個大的方向。現在在建築行業，或者整個行業裡面比較關注的一些技術，像物聯網就是做感測的，用人工智慧、大數據進行分析，包括對一些建築信息模型進行信息的整理和結構化。

需要解決的問題其中一個就是信息孤島群。僅Auto公司——整個行業的龍頭，就有諸多不同的軟體可以去使用。再去看整個行業裡面這麼多的軟體公司，每一個都有幾十、上百個不同的軟體。我們怎麼選擇？怎麼樣去進行信息交互？這都是一個非常大的挑戰。

一個三維的模型，不管是從什麼軟體裡面來，主要是包含的表面的集合模型，缺少了很多其他的特徵比如說參數化建模、全生命周期的管理等特性。建築信息模型的核心是Information，這個核心我們希望不止是包含幾何信息、空間信息這些三維的數據，同時也包含著很多語義的信息在裡面。如果是一面牆的話，我希望知道它的材料是什麼，希望知道它什麼時候建的，整體建的有沒有一些變更。整個的信息，包括在運維過程當中，這個牆有沒有變更，有沒有一些問題，希望能夠把這些信息整合起來。當我說到建築信息模型的時候，在美國那邊一般會說成是一個語義非常豐富的模型，不止是包含空間信息，更多的是包含建築構件的這些參數和建築構件之間的關係，這是非常重要的。

在2003年到2006年，美國建築信息模型有一個非常大的飛躍，主要是美國最大的建築業主GSA，它是政府的建築業主，並開始在建築信息模型使用過程當中推進標準化。當時提出第一步做三維或者四維建築信息模型，在碰撞分析和管理過程當中有哪些方法可以用，到後期做了很多的規範，最近也制定設備管理方面的一些規範。但是現在還是有很多缺陷，可以說在美國用BIM最重要的，或者很多情況下唯一的一個目標就是做碰撞分析。

碰撞分析是一個非常好的應用建築信息模型的方面，因為它確實是可以帶來實際項目的收益的。但是碰撞分析因為主要用到的是三維圖形信息，現在也缺乏很多標準性可交互的工具，主要就是用一些三維模型，放在一個軟體來進行。導致用BIM在做設計和施工時，主要拿到的是一些AutoCAD、Revit等不同的建築模型，並且最後是整合到一起的三維模型，分不清楚哪些構件是牆，哪些構件是機器，沒有定位具體的參數和關係，施工者把本來建好的模型又導成圖紙，缺乏挖掘的潛力。很多人說我在做BIM，其實就是在做一個簡單的三維模型，這個對於我們新技術的應用是非常大的問題。

我們哪些方面可以用到這個建築信息模型？比如虛擬的設計，包括碰撞分析，在設計的階段確實是非常有用的，但是到後期我們希望也能夠做結構分析，也可以做能耗分析，包括算量，4D，整個過程當中施工質量控制的分析，包括不同的研究課題；利用BIM來做精細施工，做可持續的施工，包括把建築信息模型和地理信息系統整合起來，以此做整個城市規劃，可以做很多方面的課題。但是基本上很少有實踐的項目是在用這些技術的，這個潛力發掘的是非常低的。

在過去20多年中，我們在卡耐基梅隆大學有多個研究方向，包括智慧城市和智慧建築，並且一直在做這方面的研究。一方面是城市大規模的安裝，從建築、施工、設計、運維到後期，怎麼樣利用新的信息技術來指導？比如像物聯網和數據收集，把它用到很多的基礎設施方面，比如天然氣管道，包括建築內部的天然氣管道，也包括規模很大的跨州的天然氣管道；包括用無人機搭載激光掃描儀，自動地進行結構的健康檢測和施工過程的分析；包括其他的用車載的感測器，不需要專門再去設定一些固定的感測器，而是用車載的方式。

大數據分析和決策支持，包括地下、地上不同的例子，包括建築建模，利用激光掃描儀進行處理，還有能耗的管理和分析。城市級別的可持續發展決策支持，比如地報熱島分析、溫室效應，基礎設施管理對於社區經濟的分析，就會用到很多建築信息模型和地理信息系統之間的整合，而剛才提到車載感測系統可用來來監測路況和橋樑的情況。

其實物聯網在建築和基礎設施裡面有一個非常大的挑戰，就是後期的運維。這麼大量的感測器的基礎怎麼樣去保證還可以持續的更新它們，或者是修理它們。我們不想為了解決一個問題而帶來更複雜的問題，所以這個也是非常大的一個挑戰。

採用多維度感測技術，我們可以用非常少量的感測器，在非常長的管道裡面去定位可能存在的漏氣，或者氣壓變化，或者是破裂的這種情況，大部分都是用感測器和人工智慧的方法。在建築內部的管線，也可以用類似的技術，主要是用大數據分析來去發現其中可能會存在哪些問題，這個精度是相當高的，這個主要是從智慧基礎設施方面講的。

我們有非常自豪的一個技術，是用無人機搭載激光掃描儀進行自動化的結構化探測，可大量地節省對於基礎設施方面的監測成本，可使用各個方面的功能。我們現在主要把它應用在結構檢測上面，將來希望能夠在災害分析等方面做一些應用。

為什麼我們想要把建築運維提到這麼高的一個層次，用大數據分析去處理？我們在卡耐基梅隆大學多年的研究成果有一個軟體公司，叫LeanFM，我們從做的實際的項目裡面發現，對於公共建築的運維管理，如果我們可以做到預測式的管理模式，那麼節省是非常大量的。

傳統的方法可能更多的是要等到這個故障發生再解決，但是我們現在通過大數據分析，首先能不能做到有一些故障，比如說因為構件老化或者是超負荷運轉，就可以知道一些問題在哪裡，從而能夠直接避免這些問題；不能詳細預測的話，也能夠提前預測一下，以防出現事故，一旦出現事故損失就比較大。

我們是怎麼把這個人工智慧技術用在建築領域的？跑出來的演算法結果能不能提高生產力、效率，這是關鍵。這個不止是用相關的演算法，更需要用專業領域的指導來支持結果。建築行業有很多人生成的信息，包括運維管理的描述，而人的語言沒有辦法進行結構化處理，就需要進行結構化大數據的處理，涉及到自然語言的技術，然後會提取一些相關的信息點。能從大的文件裡面提取出來信息是自然語言分析很好的應用方面。

我們做的比較多的是多維度聯合數據倉庫。有很多資料庫，但是如何將資料庫不同的信息聯合起來進行分析，這是我們研究的情況。三維可視化，在計算機方面不是問題，但是在我們建築行業，比如有一個非常大的建築模型，怎麼樣讓手機把這個信息檢索出來，這個時候我們就會做一些研究，或者是做這種模式的可視化。當你有一個20萬、30萬平方米非常大的建築，裡面有非常細節的構件的時候，我們是把這個模型只提取出來用戶所需要看到的一部分信息，然後發送到你的手機裡面。所以無論多大的建築我們都可以把相關的一些信息拿到手機裡面去看，這樣就解決了移動端的使用需求。

為什麼我們說建築系統需要用大數據分析發現裡面的一些故障？因為人工發現故障實在是太難了。比如這是一個中央空調機組，我們做自動故障分析的決策樹，如果只是去做一個決策樹，我們可以發現很多的問題；比如說我們發現，過去一個月這個水泵被修了五次，其他水泵一年才修一次，這肯定是有一些問題，然後我們就會告訴這個建築管理者說，這個地方你要小心一點，是不是這個水泵壞掉了。但是後來我們發現，只用人工智慧的方法做大數據分析的時候就會發現很多的問題，哪些問題真的是有用的呢？這個時候就需要甄別了。

如果我們每次發現幾千個、上萬個問題，直接告訴建築管理者，建築管理者說我還是不能用你的信息，因為現在信息過載，從哪些問題開始入手？哪些問題可以真正地提高效率或者是生產力？這是沒有辦法衡量的。所以我們的方法就是用真正大量的數據和這個建築運維的管理者進行交流，去分析過去一個月這五次的修理到底是不是真正五次的修理？因為很多情況下，發現問題不是五次都去修理，而是有人報告了五次這個地方有故障，只有最後有一次是修理了，這兩個概念是完全不同的。所以說我們在用人工智慧方法的基礎上，在發現這個問題的技術上，還要進一步的從裡面去提取真正的知識或者是真正有用的信息，這樣才能告訴建築管理者。

另外，需提及的是人工智慧不僅僅是需要計算機方面的專業知識，更需要整合在一起提高生產力，這才是真正用好人工智慧的表現。

內容整理：王志蒙

校對：朱江華峰