How to modernize your building with AI and IoT
來源：AI城市智库
1. 「AI + 智慧建築」發展背景
18世紀中葉以來，人類歷史上總共經歷了四次工業革命：蒸汽技術革命(第一次工業革命)、電力技術革命(第二次工業革命)、電腦技術革命(第三次工業革命)、綠色智慧工業革命(第四次工業革命)。工業 4.0 是由德國政府《德國 2020 高技術策略》中，所提出的十大未來項目之一，目的在提升製造業的智慧化水準，建立具有適應性、資源效率，及基因工程學的智慧工廠，在商業流程及價值流程中，整合客戶及商業夥伴，其技術基礎是網路。
在新一輪工業革命的大背景下，建設行業、城市也在發生著日新月異的變化，面臨著城市更新、行業更新問題。工業 4.0 理念和技術在城市中的應用，正在創造著新價值，重構著城市產業鏈，催生著城市新經濟形態。
近年來，圍繞著新型城鎮化進程推進、經濟社會智慧化轉型，各國政府在數位經濟、智慧城市、雲端運算、大數據、物聯網、人工智慧、智慧製造方面，相繼頒布了一系列重要政策，不遺餘力地推動了數為國家、智慧社會的建設，建築業資訊化成為一個顯著的領域。
2. 「AI + 智慧建築」內涵
智慧經濟的範式是：物聯 + 數據智慧(人工智慧) + 自適應服務。「智慧建築」是智慧經濟中的一員，必然要符合智慧經濟的範式。因此，人工智慧成為不可或缺的智慧建築範式一環。智慧建築是在不斷發展中的新事物，無論是研究，還是產業化，都正在探索中前進，其方法理念不斷滲透到傳統建設領域，成為傳統建築行業轉型升級的必由之路。
達沃斯世界經濟論壇人工智慧委員會主席 Justine Cassel 認為：談到智慧建築有三個關鍵詞：智慧分析、智慧客製化、智慧的行為改變。目前，關於智慧建築的概念、架構、模型、產業化等具體問題研究的尚不算多，關於「AI + 智慧建築」的研究就更少。
其難點在於，一方面該研究需要基於智慧建築多年來，業已形成的研究基礎，進行進一步探索，不能脫離行業本質性的認知累積；另一方面需要對人工智慧學科領域，有深刻的瞭解，並掌握應用人工智慧理論、技術解決實際問題的方法。
從本質上講，這是建築科學與智慧科學的交叉研究領域。本文從資訊實體系統(Cyber-Physical Systems，CPS)的視角，解釋智慧建築的內涵，如圖 1所示。
圖 1智慧建築 1.0 和智慧建築 2.0
智慧建築的必備組件是智慧建築雲腦，智慧建築雲腦是智慧建築的核心與靈魂。智慧建築雲腦的體系架構如圖 2 所示，其含義為：智慧建築的運算模型，採用類似人類認知方法的類腦運算模式，感知端由視覺、聽覺、觸覺、味覺等感測器組成，傳輸層採用邊緣運算、寬頻、5G、現場總線綜合技術體系，控制決策層由控制器集群、執行器集群、決策集群、管理集群等組成，整個系統構成一個完整的閉環。
智慧建築雲腦中含有「人工智慧平台」，該平台的開發實現適宜採用開源方法，以更好地打造完全開放的「AI + 智慧建築」生態。人工智慧平台目前落地較好的機器學習算法有：深度學習、神經網路、強化學習、模糊邏輯，商業化程度較高的技術有：機器視覺、智慧影像、語音語義、文本智慧、虛擬現實、增強現實。
圖 2智慧建築雲腦
本文認為，「AI + 智慧建築」是指以人工智慧理論、技術、方法為核心驅動力，驅動智慧建築發展的產業和學術新形態，「智慧建築 + AI」是指以智慧建築為主體，融合人工智慧的產業和學術新形態，相容「AI + 智慧建築」、「智慧建築 + AI」二者內涵的新建築形態稱為「AI建築」，也稱為「超智慧建築」。
AI建築具備八大特徵：即時感知、高效傳輸、自主控制、自主學習、智慧決策、自組織協同、自尋優進化、個性化客製化。「AI + 智慧建築」中的「AI」不僅指人工智慧，從產業形態上來講，還包括對 AI 形成支撐的新一代資訊技術——大數據、雲端運算、物聯網、行動網路、工業網路、現代通信、區塊鏈、量子計算等相關業態，「AI + 智慧建築」的業態內涵用圖 3表示。
圖 3「AI + 智慧建築」業態
從圖 3可清晰地看到，隨著數位經濟和智慧城市的發展，AI 驅動的建築生態圈，正在被迅速擴大，建築的產業鏈也正在被大尺度拉長。
3. 「AI + 智慧建築」產業鏈模型
「AI + 智慧建築」產業鏈模型如圖 4 所示。
圖 4AI+智慧建築智慧產業鏈模型
「AI + 智慧建築」產業鏈模型，由基礎層(產業鏈上游)、技術層(產業鏈中游)、場景應用層(產業鏈下游)組成，每一層對上一層及具有支撐意義。在場景應用層，包含了智慧建築領域豐富的應用場景，這些「場景 + AI」共同構築了 AI + 智慧建築的全景圖。
由「AI + 智慧建築」產業鏈模型，可實現針對某個項目的個性化客製化規劃。例如，可根據某地提出的需求，及當地產業和城市的實際發展情況，選取產業鏈模型中的某層中的某些部分，形成當地的 AI + 智慧建築產業鏈規劃架構。
隨著技術和行業的發展，也可在場景應用層根據實際情況個性化客製化某些智慧建築 AI 應用場景。
4. AI + 智慧建築核心應用場景
依據產業發展現狀，和未來 3~5 年發展趨勢，本文總結提煉出「AI + 智慧建築」28 個核心應用場景，如圖 4 所示，它們是：建築物故障診斷預測與健康管理、建築環境舒適節能智慧控制、建築能源網路，及能源大數據、建築施工機器人、建築維保機器人、保全巡邏機器人、消防機器人、影像分析理解、出入口生物特徵辨識、智慧家庭、智慧社區、智慧工地、裝配式建築、建築資訊模型(BIM)項目管理、智慧管網(廊)、智慧軌道交通、智慧隧道橋梁、智慧停車場、數位孿生建築、建築 VR/AR 仿真與體驗、建築運維管理平台商業大數據分析、建設雲、建築共享經濟、建築群體智慧、建築設計智慧、建築規劃智慧、房地產精準行銷、建築企業兩化融合智慧化管理。這些應用場景又分為兩大類，一類側重於單個裝備，或通用技術(如圖 5 所示的內環)，一類側重於綜合性複雜場景(如圖 5 所示的外環)。
圖 5 AI + 智慧建築 28 個核心應用場景全景圖
下面選擇其中兩個典型應用場景，進行詳細分析介紹。
4.1 典型應用場景一：建築物故障診斷預測與健康管理
建築物故障診斷預測與健康管理(Building Prognostic and Health Management，B-PHM)，是 AI + 智慧建築的典型應用場景之一。
設備監控 + 設備管理 + 能耗監測和能源管理 = 建築能源管理系統(Building Energy Management System，BEMS)。利用 BEMS 數據庫大數據的 AI 處理，可進一步實施 B-PHM，對複雜建築設備的全生命週期進行故障診斷、預測、健康狀態評估和健康管理。
可採用的 AI 算法模型有：神經網路(分類)、強化學習、貝葉斯(分類)、K-均值(聚類)、馬爾科夫(預測)、專家系統，基於這些算法模型，可研製故障樹檢索系統、故障預測系統、健康管理系統。
具體案例：採用神經網路專家系統作為 AI 算法模型，實現空調水系統智慧故障診斷與預測。以神經網路技術為核心，建立空調水系統專家系統，採用專家系統的相關經驗完成解釋、預測等工作。系統工作原理如圖 6 所示的模型。
圖 6 基於神經網路專家系統的空調水系統故障診斷模型
系統研發與實現的主要步驟如下：
(1) 故障數據提取、清洗、標準化。將空調水系統故障集合表示為：{制熱能效比 COP 過低，制冷能效比 EER 過低，冷凍、冷卻水泵輸送系數過低，冷卻塔效率過低，管網水力失調，主機喘振(離心機組)，水泵電機超載，水泵揚程不足，空調機組表冷器堵塞，閥門失靈，水管堵塞，能耗過大}。將影響主機能效比/COP 的因素描述為：{冷機負荷率，0.4；冷卻塔效率，0.4；蒸發器/冷凝器換熱溫差，0.1；制冷劑洩漏，0.1}。
(2) 基於神經網路專家系統的空調水系統建模。針對空調水系統，建立基於神經網路專家系統的故障診斷流程模型，輸入診斷原始數據、訓練樣本數據、專家提供的學習實例，進行訓練和學習，最終生成可實用的，在線上故障診斷網路模型和工具。
(3) 將模型線上化，提供給實際空調水系統工程，實現實際數據、參數、模型與理論模型的即時交互、雙向修正，最終將最合理的結果提供給使用端。
4.2 典型應用場景二：基於深度學習的智慧影像分析理解
智慧建築的影像頻監控，可採用目前流行的深度學習算法，來模擬人類視覺系統的多尺度、特徵不變性、顯著性等特點，從而實現智慧影像分析理解，基本機理如圖 7 所示。目前深度學習最廣泛使用的神經網路，是卷積神經網路(CNNs)，它能夠將非結構化的圖像數據，轉換成結構化的對象標籤數據。
CNNs的工作流程如下：首先，卷積層掃描輸入圖像以生成特徵向量；第二步，激活層確定在圖像推理過程中，哪些特徵向量應該被激活使用；第三步，使用池化層降低特徵向量的大小；最後，使用全連接層將池化層的所有輸出，和輸出層相連。
圖 7 基於深度學習的智慧影像分析理解
訓練速度和算法的執行速度，是限制約深度學習產業化應用的一個重要瓶頸。深度學習加速器目前有三種：(1)圖形處理器 GPU；(2)專用神經網路運算晶片；(3)大規模運算核集聯。隨著晶片和算法技術的進展，未來智慧建築廣泛應用深度學習，已為時不遠。
5. 趨勢與建議
AI + 智慧建築產業的發展，從人工智慧角度主要依賴於三個方面：
(1) AI 理論、算法和模型的改進；
(2) 運算能力(GPU、CPU、TPU、DSP、FPGA 等高性能計算)的提升；
(3) 大數據理論與技術的發展，AI 模型所需樣本數據品質的提升。
AI + 智慧建築的核心技術——智慧建築智慧運算(特別是類腦計算)的進一步發展，體現在硬體和軟體兩方面：
(1) 軟體方面
一是使智慧計算模型在結構上更加類腦，二是在認知和學習行為上，更加類人。模型和方法的探索和改善是關鍵，例如：模擬人的少樣本和自適應學習，可以使智慧系統具有更強的小樣本泛化能力和自適應性。
(2) 硬體方面
主要是研發新型機器學習運算晶片，如：深度學習加速器。2016 年推出的 TPU (張量處理單元)，在推理方面的性能，要遠超過 GPU (平均比當前的 GPU 或 CPU 快 15~30 倍，性能功耗比高出約 30~80 倍)。
AI + 智慧建築產業的發展方向，擬從以下幾個方面重點考慮：
(1) 打造以細分行業產業鏈為基礎的全產業鏈生態圈
先從建築業各細分行業入手，建好垂直細分行業協同平台，及產業網路系統，每一個行業都建立完善的生產、銷售、物流、消費鏈，內部形成太圈循環；再將各細分行業產業鏈，進行橫向整合，打造網狀全行業產業鏈生態圈。
當前不論是綜合型，還是垂直細分平台，都在致力打造圍繞全產業鏈的循環生態圈，在生態圈內提供便捷、高效、全方位、全產業鏈的一站式服務，形成 B2B 交易的循環。
(2) 打造特色產業集群
以產業鏈為核心，以重點行業、特色產業為基礎，進一步粘合周邊產業，形成更大體量的特色鮮明的產業集群，在差異化發展中不斷尋求自身優勢。打造產業集群 B2B 電商平台，聚合商家、貨源、流通體系，整合線上線下資源，調動整個產業集群，由簡單的空間集聚，向真正的產業化、專業化轉變，形成上下游、集群內外的良性互動。
(3) 在企業 SaaS 服務、行業 PaaS 服務、通用 AI 平台上集中挖潛
隨著網路+、工業 4.0 的縱深化發展，透過研發、生產、交易、流通、融資等，各個環節的網路化滲透，達到提升效率、優化資源配置的效果，已成為不可逆的未來發展趨勢。這是產業鏈的網路化。以大數據分析為核心的 SaaS 服務、行業的 PaaS 服務，以及通用 AI 平台必將迎來大爆發，都屬於包含巨大潛能的藍海。
隨著全球工業 4.0 研究開發，及產業化熱潮的到來，「AI + 智慧建築」的研究、開發、落地將會進一步蓬勃發展。從建築領域自身來看，本領域對節能、智慧、高效、舒適、便捷存在巨大需求，人工智慧恰是助力這些需求實現的有力工具。「AI + 智慧建築」的發展，將在城市治理、環境治理、社會治理中，發揮越來越重要的作用，具備越來越重要的地位。
原載於：《土木建築工程信息技術》2018, 10(3): 1-6.doi: 10.16670/j.cnki.cn11-5823/tu.2018.03.01
沒有留言:
張貼留言