Özel Yapay Zeka, Verimli Bina Tesisleri Yönetimine Yardımcı Oluyor
Ulusal ekonominin ikincil sektörünün önemli bir parçası olan inşaat sektörü, ülke ekonomisinde önemli bir konuma sahip olmakla birlikte, inşaat sektörünün kendisi de veri yoğun bir sektördür. İnşaat sektöründe bilişimin gelişmesiyle birlikte, bir binanın tüm yaşam döngüsü boyunca büyük miktarda veri üretilecek.Süreçte her türlü veriden tam olarak yararlanmak, inşaat sektörünün genel ekonomik verimliliğini etkin bir şekilde artıracaktır.
Aşağıdaki içerik, Carnegie Mellon Üniversitesi İnşaat ve Çevre Mühendisliği Bölümü LeanFM Technologies'in Yardımcı Araştırma Profesörü, Doktora Danışmanı, Kurucu Ortağı ve Baş Teknoloji Sorumlusu arasından seçilmiştir. Liu Xuesong Doktora, 22 Ekim 2017 tarihinde Veri Bilimi Enstitüsü Tsinghua Alumni AI Büyük Veri Komitesi tarafından desteklenen ve ortaklaşa düzenlenmiştir (hazırlanmıştır) İnşaat Sektöründe Büyük Veri Uygulama Beklentileri ve Eğilimleri Forumu Başlıklı "Algılama, bilgi modelleri ve yapay zeka yöntemlerini kullanarak verimli bina tesisi yönetimi" Konuşma.
Sahne arkası cevap anahtar kelimeleri "bina" indir Tam sürüm PPT .
Misafir profili: Dr. Xuesong Liu, Araştırma Profesörü ve Doktora Danışmanı, İnşaat ve Çevre Mühendisliği Bölümü, Carnegie Mellon Üniversitesi; LeanFM Technologies'in Kurucu Ortağı ve Baş Teknoloji Sorumlusu. 2007 yılında Tsinghua Üniversitesi İnşaat Mühendisliği Bölümü'nden lisans derecesi ile mezun olmuş, 2009 yılında Carnegie Mellon Üniversitesi'nden yazılım mühendisliği alanında yüksek lisans ve 2012'de inşaat mühendisliği alanında doktora derecesi almıştır. Profesör Xuesong Liu, Carnegie Mellon Üniversitesi İnşaat ve Çevre Mühendisliği Bölümü'nde yardımcı araştırma profesörüdür.Ana araştırma konuları arasında, bina işletimini ve bakımını iyileştirmek için farklı bina bilgileri ve formatlarını yönetmek, görselleştirmek ve analiz etmek için büyük veri analizi yöntemlerinin kullanılması yer almaktadır. Yüksek performanslı bina yönetimi elde etmek için yönetim karar desteği. Ana araştırma yöntemi, farklı bina bilgi türlerini otomatik olarak entegre etmek için bilgi modellemesini kullanmak ve bina ekipmanının performansını otomatik olarak analiz etmek için yapay zeka yöntemlerini kullanmaktır.
Aşağıdaki dersin özüdür:
Dr. Xuesong Liu, büyük veri zorluklarını inşaat ekipmanı yönetimi perspektifinden ve bu zorluklarla nasıl başa çıkılacağını Carnegie Mellon Üniversitesi'nde ve hatta Amerikan endüstrisinde tanıttı.
Örnek olarak Carnegie Mellon Üniversitesi kampüsünü ele alalım. Konutlar ve eğitim binaları da dahil olmak üzere tüm kampüste toplam 600.000 metrekare alana sahip 96 kamu binası var. Alan çok büyük ve Tsinghua Üniversitesi kampüsünün 1 / 30'undan daha az. Ancak bu kadar küçük bir kampüs bile, tüm malzemeler ve proje güncellemeleri dahil yıllık 400.000 ABD doları ve elektrik, doğal gaz ve su gibi enerji tüketimi için 200.000 ABD doları işletme maliyetine sahiptir.
Aydınlatma sistemleri, su temini sistemleri, merkezi klima, yüksek güç sistemleri, erişim kontrolü, asansörler vb. Gibi inşaatla ilgili sistemlerin karmaşıklığı nedeniyle, bina işletimi ve bakım yönetimi için daha fazla fon kullanılır. Bu sistemler, modern binalara bağlı birçok otomatik kontrol nedeniyle yaşamda yaygın gibi görünse de, bu sistemler, giderek daha karmaşık hale gelecek olan farklı sensörlere ve kontrol prensiplerine sahip olmaya devam ediyor.
İnşaat ekipmanlarına neden bakmamız gerekiyor? Binadaki ekipmanların birçoğu, çoğu zaman, şu anda ne tür bir durumda oldukları umurumuzda değil, hata olmadığı sürece, büyük bir arıza olmadığı sürece, kullanmaya devam edebilirsiniz.
Binanın cephesindeki pompalar, asansörler, klimalar ve diğer makineler dahil ekipmanların performans eğrisi benzerdir Bakım yapılmazsa performans eğilimi düşecektir. Performans nispeten düşükken bazı bakım çalışmaları gibi gerçek zamanlı bakım gerçekleştirebilirsek, böylece bu ekipmanın performansı iyileştirilebilir, o zaman sadece düşük performans anında kaynak kaybını önlemekle kalmaz, aynı zamanda binayı etkin bir şekilde genişletebiliriz. Ekipmanın hizmet ömrü. Ancak Amerika Birleşik Devletleri ve Çin dahil olmak üzere kamu binalarının yönetiminde bu reaktif ve pasif yönetim modu kullanılır - bu da su sızıntısı olana, klimanın soğumamasına veya asansörde sorun çıkana kadar binanın tamir edileceği anlamına gelir. Bir yandan inşaat ekipmanının arızasını iyi tahmin etmenin bir yolu yok; diğer yandan, çizim veya ilgili bilgi eksikliği nedeniyle bir onarım yapıldığında çoğu zaman bilgi veya arıza analizi aramak yerine boşa harcanıyor. Bu sorunu gerçekten halledin.
Ekibimiz ABD Enerji Bakanlığı ile üç yıllık bir çalışma yaptı ve yüzden fazla ABD hükümet binasını araştırdı ve operasyon ve bakımın çoğunun pasif yönetim modelleri olduğunu, planlı veya tahmine dayalı yönetimin çok nadir olduğunu buldu. Tahmine dayalı yönetim gerçekten başarılırsa, gereken maliyet temelde pasif yönetimin dörtte biri veya üçte biridir. Örnek olarak Carnegie Mellon Üniversitesi gibi işletme ve bakım maliyetlerinin% 30 ila% 40'ına sahip olan bir kampüsü ele alalım.İyi bir durum analizi yapılabilirse maliyetlerden tasarruf edilebilir.
Büyük veri aynı zamanda büyük bir sorunu da beraberinde getiriyor: Bina sistemlerinin verilerinin nasıl analiz edileceği ve mimari analizin nasıl yapılacağı. Bir yandan çok miktarda veriye sahip birçok farklı bina sistemi olduğundan, diğer yandan çeşitli formatların çok büyük sorunlara yol açacağından bahsetmiştik.Bu bilgilerin nasıl entegre edilip analiz edileceği bir zorluktur.
Veri oluşturmanın yönetilmesi neden bu kadar zor? Çünkü her inşaat projesi, tasarım, inşaat ve daha sonra işletme ve bakım da dahil olmak üzere bilgileri ortaklaşa oluşturmak için birçok disiplin, birçok şirket ve çok sayıda mühendis içerir.
Şimdi sözde işletim ve bakım, güvenlik ve temizlik seviyesinin ötesine geçti ve daha çok ekipman yönetimi ile ilgili. Örneğin drenaj sisteminin çalıştırılması ve bakımı ile iklimlendirme sisteminin çalıştırılması ve bakımı tamamen farklı konseptlerdir.Bu aşamada farklı mühendisler veya mühendislik kuruluşları da katılacaktır. Herkes farklı yazılım, donanım ve farklı araçlar kullanıyor.Herkes farklı tür ve formatlarda veri toplar ve özellikle tasarım ve yapım aşamalarında çok sık veri etkileşimi olur. Bina yaşam döngüsünün tamamı Çin'de genellikle 10 yıldır ve 20 yıllık binalar çok eskidir; Amerika Birleşik Devletleri'ndeki Carnegie Mellon Üniversitesi'ndeki 100'den fazla öğretim binası arasında,% 60'ı 50 yaşın üzerindeki binalar. Döngü boyunca, binaların birçok dahili bilgisi değişecek, bu bilgilerin her zaman güncel ve entegre olmasının nasıl sağlanacağı çok büyük bir sorun olacaktır.
Genel olarak, inşaat ekipmanı yönetiminin bilgi boyutunda beş adım vardır. Birincisi, çizimler ve kullanım kılavuzları gibi toplama ve organize etmektir. İnşaat tamamlandıktan sonra, inşaat çizimleri genellikle mal sahibine teslim edilir. Bilgiler önce toplanır, ardından İşletme ağırlıklı olarak bazı bilgileri yönetir, bilgilerdeki çizimlerde hata olup olmadığını kontrol etmek gerekir Kullanım kılavuzu tam değildir. Bu kadar çok farklı bilgi kaynağıyla bir sonraki adıma geçerken, bilgi nasıl entegre edilir? Artık bu temelde manuel bir süreçtir ve entegrasyondan sonra bilgi alınabilir. Bu verilere ihtiyaç duyduğumuzda bu bilgileri alabiliriz. Sonuçta elde etmek istediğim şey karar desteği ... Bu yerlerde bir takım bilgi muhafazası yapılırsa, karar verme sürecine nasıl destek olunacağı çok önemli.
Gelecek trendi nedir? Bir yandan, yönetimin standardizasyonu ve bina bilgisinin etkileşimi ... Sanayide bina bilişim yapısını desteklemek için gittikçe daha fazla standart ortaya çıkacak, ancak, bina standardizasyonu veya bilişim sektör açısından hala büyük sorunlar yaşıyor. . Diğer ana yön, bir binayı robota dönüştürmeye eşdeğer olan yapay zeka yöntemlerini kullanan otomasyondur. İlk olarak, binanın neye sahip olduğumu, ne olduğumu ve farklı bileşenlerin olup olmadığını anlamasına izin verin ve sonra bu bileşenlerin Normal bir işlem yok, rahatsız oluyor mu veya bazı ayarlamalar var.
Yaşam döngüsü boyunca son derece entegre ve kesintisiz bilgi etkileşimi. Yüksek derecede entegrasyon zordur Sonuçta, mimarinin ve bilginin birçok boyutu vardır ve gelecekte odaklanacağımız ana yönler zaman, mekan ve işlevdir. Şimdi inşaat sektöründe veya endüstrinin tamamında, Nesnelerin İnterneti gibi daha ilgili bazı teknolojiler, bazı bina bilgi modellerinin sıralanması ve yapılandırılması da dahil olmak üzere, analiz için yapay zeka ve büyük verileri kullanmak için kullanılıyor.
Çözülmesi gereken sorunlardan biri de bilgi adası grubudur. Tüm sektörün lideri olan Only Auto, kullanabileceği birçok farklı yazılıma sahiptir. Ardından, tüm sektördeki her biri düzinelerce veya yüzlerce farklı yazılıma sahip çok sayıda yazılım şirketine bakın. Nasıl seçeriz? Bilgi alışverişi nasıl yapılır? Bu çok büyük bir zorluk.
Üç boyutlu bir model, hangi yazılımdan gelirse gelsin, esas olarak içerdiği yüzeyin bir koleksiyon modelidir.Parametrik modelleme ve tam yaşam döngüsü yönetimi gibi diğer birçok özellikten yoksundur. Yapı bilgi modelinin özü Bilgidir.Umarladığımız bu çekirdek, yalnızca geometrik bilgi ve mekansal bilgi gibi üç boyutlu verileri değil, aynı zamanda birçok anlamsal bilgi de içerir. Duvar ise, malzemelerinin ne olduğunu, ne zaman inşa edildiğini ve genel yapıda herhangi bir değişiklik olup olmadığını bilmek istiyorum. Operasyon ve bakım süreci sırasında, duvarın değiştirilip değiştirilmediği ve herhangi bir sorun olup olmadığı dahil olmak üzere tüm bilgiler, umarım bu bilgiler entegre edilebilir. Bilgi modellerini inşa etmekten bahsettiğimde, Amerika Birleşik Devletleri'nde genellikle bunun anlamsal olarak çok zengin bir model olduğunu söylüyorum.Sadece mekansal bilgiyi değil, aynı zamanda yapı bileşenlerinin bu parametreleri ile yapı bileşenleri arasındaki ilişkiyi de içerir. Bu çok önemli.
2003'ten 2006'ya kadar, ABD bina bilgi modeli çok büyük bir sıçrama yaptı, özellikle ABD'deki en büyük bina sahibi olan, hükümet binası sahibi olan ve bina bilgi modellerinin kullanımında standardizasyonu teşvik etmeye başladı. O zaman, ilk adımın üç boyutlu veya dört boyutlu bir bina bilgi modeli oluşturmak olduğu önerildi.Çarpışma analizi ve yönetim sürecinde hangi yöntemler kullanılabilir.Daha sonra birçok spesifikasyon yapıldı.Son zamanlarda, ekipman yönetimi için bazı spesifikasyonlar da formüle edildi. Ancak yine de birçok kusur var Amerika Birleşik Devletleri'nde BIM'i kullanmanın en önemli şeyinin veya çoğu durumda tek amacın çarpışma analizi yapmak olduğu söylenebilir.
Çarpışma analizi, bina bilgi modellerini uygulamanın çok iyi bir yönüdür, çünkü gerçekten de gerçek projelere fayda sağlayabilir. Bununla birlikte, çarpışma analizi esas olarak 3B grafik bilgilerini kullandığından, çoğunlukla bir yazılımdaki bazı 3B modelleri kullanan birçok standart etkileşimli araçtan yoksundur. Sonuç olarak, BIM ile tasarlarken ve inşa ederken, esas olarak AutoCAD ve Revit gibi bazı farklı mimari modelleri ve son olarak entegre üç boyutlu modeli elde edersiniz.Hangi bileşenlerin duvar, hangi bileşenlerin konumlandırılmamış makineler olduğu net değildir. Spesifik parametreler ve ilişkiler için, inşaatçılar orijinal olarak oluşturulmuş modeli, dokunulma potansiyeli olmayan çizimlere yönlendirirler. Birçok kişi BIM yaptığımı söylüyor ama aslında basit bir üç boyutlu model yapıyorum, bu yeni teknolojimizin uygulanması için çok büyük bir problem.
Bu bina bilgi modelini nerede kullanabiliriz? Örneğin, çarpışma analizi de dahil olmak üzere sanal tasarım, tasarım aşamasında gerçekten çok yararlıdır, ancak daha sonraki aşamada, tüm süreç boyunca hesaplama, 4D ve inşaat kalite kontrolü dahil olmak üzere yapısal analiz ve enerji tüketimi analizi yapabileceğimizi umuyoruz. Analiz, farklı araştırma konularını içerir; BIM'in tüm şehir planlamasını yapmak için bina bilgi modellerinin ve coğrafi bilgi sistemlerinin entegrasyonu dahil olmak üzere ince inşaat ve sürdürülebilir inşaat yapmak için kullanılması birçok konuyu yapabilir. Ancak temelde, çok az pratik proje bu teknolojileri kullanıyor ve keşfedilme potansiyeli çok düşük.
Geçtiğimiz 20 yılda, Carnegie Mellon Üniversitesi'nde akıllı şehirler ve akıllı binalar da dahil olmak üzere birçok araştırma yönümüz vardı ve bu alanda araştırmalar yapıyoruz. Bir yandan, şehirdeki büyük ölçekli kurulumdur.İnşaat, inşaat, tasarım, işletme ve bakımdan sonraki aşamaya, yeni bilgi teknolojisini rehberlik etmek için nasıl kullanılır? Örneğin, Nesnelerin İnterneti ve veri toplama gibi, binaların içindeki doğal gaz boru hatları ve büyük ölçekli çapraz devlet doğal gaz boru hatları dahil olmak üzere doğal gaz boru hatları ve lazer tarayıcılarla dronların kullanımı dahil olmak üzere birçok altyapı yönünde kullanılır. , Yapım sürecinin yapısal sağlık tespiti ve analizini otomatik olarak gerçekleştirin; diğer yerleşik sensörler dahil, bazı sabit sensörleri kurmaya gerek yoktur, ancak yerleşik yöntemler.
Bina modelleme, lazer tarayıcılarla işleme ve enerji yönetimi ve analizi dahil yer altı ve yer üstü farklı örnekleri içeren büyük veri analizi ve karar desteği. Coğrafi olarak bildirilen ısı adası analizi, sera etkisi ve altyapı yönetiminin topluluk ekonomisi analizi gibi kentsel düzeyde sürdürülebilir kalkınma karar desteği, bina bilgi modelleri ve coğrafi bilgi sistemleri arasındaki birçok entegrasyonu kullanacaktır. Sensör sistemi, yol koşullarını ve köprü koşullarını izlemek için kullanılabilir.
Aslında, Nesnelerin İnterneti, binalarda ve altyapıda çok büyük bir zorluğa sahiptir, ki bu daha sonraki işletme ve bakımdır. Bu kadar çok sayıda sensörün temeli, bunların sürekli olarak güncellenmesini veya onarılmasını nasıl sağlayabilir? Bir problemi çözmek için daha karmaşık problemler getirmek istemiyoruz, bu yüzden bu aynı zamanda çok büyük bir zorluktur.
Çok boyutlu algılama teknolojisini kullanarak, olası hava sızıntılarını veya hava basıncı değişikliklerini veya çok uzun boru hatlarındaki kopmaları tespit etmek için çok az sayıda sensör kullanabiliriz. Çoğu sensör ve yapay zeka kullanır. Yöntemler. Binaların içindeki boru hatları için de benzer teknolojiler kullanılabilir, esas olarak hangi problemlerin olabileceğini bulmak için büyük veri analizi kullanılır.Bu doğruluk oldukça yüksektir ve bu esas olarak akıllı altyapı perspektifinden gelir.
Otomatikleştirilmiş yapılandırılmış algılama için lazer tarayıcılarla donatılmış dronları kullanan, birçok altyapı izleme maliyetinden tasarruf sağlayabilen ve çeşitli işlevleri kullanabilen bir teknolojiden gurur duyuyoruz. Şimdi bunu esas olarak yapısal incelemeye uyguluyoruz ve gelecekte afet analizinde bazı uygulamalar yapabilmeyi umuyoruz.
Neden bina operasyonu ve bakımını bu kadar yüksek bir seviyeye getirmek ve bunu işlemek için büyük veri analizi kullanmak istiyoruz? Carnegie Mellon Üniversitesi'nde yıllarca süren araştırmalarımızın sonuçlarına göre LeanFM adında bir yazılım şirketi var.Yaptığımız gerçek projelerden, kamu binalarının işletme ve bakım yönetimi için öngörücü bir yönetim modeli elde edebilirsek, tasarrufların Çok büyük miktar.
Geleneksel yöntem, çözmeden önce hatanın oluşmasını beklemek daha fazla olabilir, ancak şimdi büyük veri analizinden geçiyoruz, örneğin, bileşenler eskidiğinden veya aşırı yüklendiğinden önce bazı hataları elde edebilir miyiz, bazı sorunların olduğunu bilebiliriz Nerede, bu sorunlardan doğrudan kaçınılabilir, ayrıntılı olarak öngörülemezseniz, kazaları önlemek için önceden de öngörüde bulunabilirsiniz Bir kaza meydana geldiğinde, kayıp nispeten büyük olacaktır.
Bu yapay zeka teknolojisini inşaat alanında nasıl kullanıyoruz? Çalıştırılan algoritmaların sonuçlarının üretkenliği ve verimliliği artırıp artırmayacağı anahtardır. Bu sadece algoritmalarla ilgili değil, aynı zamanda sonuçları desteklemek için profesyonel rehberlikle de ilgilidir. İnşaat sektöründeki insanlar tarafından üretilen, işletme ve bakım yönetimi açıklamaları da dahil olmak üzere birçok bilgi vardır ve insan dili yapılandırılamaz, bu nedenle doğal dil teknolojisini içeren yapılandırılmış büyük verileri işlemesi ve ardından bazı ilgili bilgileri çıkarması gerekir. Bilgi noktası. Büyük dosyalardan bilgi çıkarma yeteneği, doğal dil analizinin iyi bir uygulama yönüdür.
Daha çok yaptığımız şey çok boyutlu bir ortak veri ambarıdır. Birçok veri tabanı var, ancak veri tabanının farklı bilgilerinin analiz için nasıl birleştirileceği, araştırmamızın durumu bu. Üç boyutlu görselleştirme bilgisayarlarla ilgili bir sorun değil, inşaat sektörümüzde mesela çok büyük bir bina modeli varsa, cep telefonunun bu bilgiyi almasını nasıl sağlayabiliriz? Şu anda biraz araştırma yapacağız veya bu modeli yapacağız. Görselleştirme. Çok detaylı bileşenlere sahip 200.000 metrekare veya 300.000 metrekare çok büyük bir binanız olduğunda, kullanıcıların görmesi gereken bilgilerin sadece bir kısmını bu modelden çıkarıyor ve ardından cep telefonunuza gönderiyoruz. Bu nedenle, bina ne kadar büyük olursa olsun, mobil terminalin ihtiyaçlarını çözen ilgili bazı bilgileri görüntülemek için cep telefonuna götürebiliriz.
Neden bina sisteminin içindeki bazı hataları bulmak için büyük veri analizi kullanması gerektiğini söylüyoruz? Çünkü hataları manuel olarak bulmak çok zordur. Örneğin, bu merkezi bir klima ünitesi. Otomatik arıza analizi için bir karar ağacı oluşturuyoruz. Sadece bir karar ağacı yaparsak pek çok sorunla karşılaşabiliriz.Örneğin, bu pompanın geçen ay beş kez tamir edildiğini ve diğer pompaların bir Yılda bir kez tamir ediliyor. Bazı sorunlar olmalı, sonra bina yöneticisine bu yer konusunda dikkatli olmanız gerektiğini söyleyeceğiz Su pompası bozuk mu? Ancak daha sonra, büyük veri analizi yapmak için yalnızca yapay zeka kullandığımızda birçok problem bulacağımızı keşfettik, hangi problemler gerçekten yararlıdır? Şu anda tarama yapmamız gerekiyor.
Her seferinde binlerce veya on binlerce sorun bulursak, doğrudan bina yöneticisine bilgilerinizi aşırı yüklü olduğu için hala kullanamadığımı söyleriz. Hangi sorunlarla başlamalıyız? Verimliliği veya üretkenliği gerçekten hangi sorunlar artırabilir? Ölçmenin bir yolu yok. Yani yöntemimiz, geçen ayki beş onarımın gerçekten beş onarım olup olmadığını analiz etmek için bina operasyon ve bakım müdürü ile iletişim kurmak için gerçekten büyük miktarda veri kullanmak mı? Çünkü çoğu vakada sorunun beş defa tamir edildiği tespit edilemedi ama birisi mekanın beş defa arızalı olduğunu ve sadece son tamir edildiğini bildirdi.Bu iki kavram tamamen farklı. Bu nedenle, yapay zeka yöntemlerine dayanarak, bu sorunu keşfetmek için teknolojiden gerçek bilgileri veya gerçekten faydalı bilgileri daha da çıkarmalıyız, böylece inşaat müdürüne anlatabiliriz.
Ayrıca yapay zekanın sadece bilgisayar uzmanlığı gerektirmediğini, aynı zamanda verimliliği artırmak için entegre edilmesi gerektiğini de belirtmek gerekir ki bu yapay zekanın gerçek kullanımıdır.
Sahne arkası cevap anahtar kelimeleri "bina" indir Tam sürüm PPT .
