我们日常生活中的创新让我们认识到了技术的能力。对于我们这些在建筑环境中工作的人来说，带来了许多关于建筑能力的假设。当我们开车去上班的时候，我们的车会为我们刹车以避免碰撞，也会根据每个驾驶员的喜好自动调节空调，下雨的时候会自动打开大灯。

于是，我们开始设想，建筑物如何实现这种智能来抑制碳排放，改善用户体验，降低运营效率和成本。但是建筑是非常复杂的，甚至比现代交通工具复杂得多。每一个都有数千个设备以及设备上的数千个数据点所有这些都具有自己的技术、供应商、楼宇管理系统协议和网络。

(资料图)

智能建筑行业的大多数专家都认为，为了让建筑达到我们在其他行业看到的智能水平，一个独立的数据层(IDL)简化了建筑技术的复杂性是至关重要的。他们也明白，要实现这一点，对于行业来说，有一个组织建筑数据的标准化方法是很重要的，这意味着建筑数据模型。

虽然“为什么”已经很清楚，但“如何”往往不太清楚。通往模型良好的建筑的道路往往不太顺利。以下是为更顺畅的数据建模之旅铺平道路的 5 个技巧：

挑战一：如何获得统一的数据建模和一致性？

建筑环境的复杂性带来了建筑环境中标记和数据建模的大量不一致。这些不一致使数据建模者难以跨设备、建筑物甚至投资组合选择和实施一致且统一的数据模型。例如，如果有人要求你对点“AHU1DATSP”进行建模，你会怎么做？你会给它贴上“ahu”、“discharge”、“setpoint”、“temp”的标签吗？或者可能是“供应”、“空气”、“温度”、“设定点”？

解决方案：

标记和数据建模中的这种不一致是我们的Ontology Alignment Project (OAP)背后的动机。除了将多个本体集中在一个范围下之外，OAP 还为标记点和设备提供了规范性指导。数据建模者可以从预定义的点名称列表中选择，而不是猜测一组好的标签可能是什么。因此，可以通过应用 OAP 的点定义来标记名为“AHU1DATSP”的点：“排放空气温度设定点”，它定义了正确的标签集：“空气”、“排放”、“有效”、“点”、“sp” ，`温度`。

挑战二：如何进行数据建模？

建筑环境的复杂性——数据点、设备、建筑物、空间、关系——导致了大量的数据。由于要建模的数据如此之多，数据建模人员和开发人员可能很难知道如何以及从哪里开始。这可能会导致智能建筑解决方案的开发和实施出现重大瓶颈，或者会增加环境的复杂性。

解决方案

例如 Buildings IOT开发了工具和流程来轻松载入建筑物数据，并允许建筑集成商和数据建模人员快速有效地绘制建筑物地图。此外，OAP 数据标准是完全开放、可访问和可查询的，其他人可以通过 GraphQL API 来利用和构建自己的工具。

挑战 3：数据建模是一个重复且耗时的过程。

简化构建环境的复杂性通常意味着重复标记大量实体。对于数据建模人员和开发人员来说，跨建筑和投资组合标准化建筑环境数据是一个耗时的过程。即使对于有经验的数据建模人员，将“AHU1DATSP”标记为“排气温度设定点”也变得很麻烦。

解决方案

利用机器学习和人工智能来自动识别点并根据点或实体名称和历史数据应用数据模型。这节省了大量时间，使我们能够更快、更准确地应用数据模型。

挑战 4：我需要多少数据建模？

数据建模人员和开发人员普遍关心他们正在获得满足其需求的正确数据。更糟糕的是，如果没有为建筑物的数字化设定目标，几乎不可能知道需要对哪些数据进行建模。因此，很容易被数据建模冲昏头脑，并构建一个过于详细或过于复杂的模型。

解决方案：

解决这个问题首先要为建筑数字化转型建立一个具体且可衡量的目标。问问自己，用例是什么，你想解决什么问题？使用这些问题的答案来指导数据建模以限制范围并仅根据需要进行建模。例如，你会做分析吗？故障检测？能源洞察力？图形？入住体验？这些数据将如何使用，我是否满足了这种需求？考虑到这些问题，更容易缩小需要建模的所需信息。

挑战5：我做对了吗？

一旦完成了一个数据模型，就很容易洗手走人，但重要的是要验证已经创建了一个完整且准确的模型，它将处理所需的用例。

解决方案

验证工具是确保建筑物完全建模且没有错误的关键。例如，如果空气处理器有一个热水阀控制点，它的加热过程是否定义为使用加热热水？它与为它服务的设备是否有热水关系？

建立和检查关系是模型创建的最后一个重要步骤。在建筑物物联网，验证工具建立在内部专业知识和OAP建模标准的基础上。