[논문 리뷰] Automatic digital twin data model generation of building energy systems from piping and instrumentation diagrams

Florian Stinner, Martin Wiecek외 3명|arXiv (Cornell University)|2021. 08. 31.

Flexible and Reconfigurable Manufacturing Systems참고 문헌 39인용 수 5

한 줄 요약

이 논문은 파이핑 및 인스트루멘테이션 다이어그램(P&ID)에서 구조를 추출하여 건물 에너지 시스템을 위한 디지털 트윈 데이터 모델을 자동으로 생성하는 방법을 제시한다. 인공지능 기반의 기호, 선, 연결 인식 기술을 활용하여 구성 요소와 연결 요소의 평균 정밀도가 93.7%에 도달하였으며, 이는 모델 예측 제어(MPC), 건물 에너지 성능 시뮬레이션(BEPS) 및 고장 탐지와 같은 후속 응용 분야에 표준화된 의미 체계인 Brick Schema를 활용하여 가능하게 한다.

ABSTRACT

Buildings directly and indirectly emit a large share of current CO2 emissions. There is a high potential for CO2 savings through modern control methods in building automation systems (BAS) like model predictive control (MPC). For a proper control, MPC needs mathematical models to predict the future behavior of the controlled system. For this purpose, digital twins of the building can be used. However, with current methods in existing buildings, a digital twin set up is usually labor-intensive. Especially connecting the different components of the technical system to an overall digital twin of the building is time-consuming. Piping and instrument diagrams (P&ID) can provide the needed information, but it is necessary to extract the information and provide it in a standardized format to process it further. In this work, we present an approach to recognize symbols and connections of P&ID from buildings in a completely automated way. There are various standards for graphical representation of symbols in P&ID of building energy systems. Therefore, we use different data sources and standards to generate a holistic training data set. We apply algorithms for symbol recognition, line recognition and derivation of connections to the data sets. Furthermore, the result is exported to a format that provides semantics of building energy systems. The symbol recognition, line recognition and connection recognition show good results with an average precision of 93.7%, which can be used in further processes like control generation, (distributed) model predictive control or fault detection. Nevertheless, the approach needs further research.

연구 동기 및 목표

• 복잡한 건물 자동화 시스템(BAS)을 갖춘 기존 비거주용 건물에 대해 디지털 트윈을 구축하는 데 수반되는 노동 집약적 과제를 해결하기 위해.
• 컴퓨터에서 읽을 수 없는 P&ID 문서에서 의미적으로 풍부한 디지털 트윈 모델을 자동으로, 스케일링 가능한 방식으로 생성하기 위해.
• 모델 예측 제어(MPC), 고장 탐지, 건물 에너지 성능 시뮬레이션(BEPS)과 같은 고급 제어 및 시뮬레이션 응용 분야를 지원하기 위해.
• 추출된 구조를 Brick Schema와 BUDO Schema를 사용하여 표준화하여 BAS 및 데이터 스트림 레이블링에 통합 가능하게 하기 위해.
• P&ID 도면에서의 구조 탐지 자동화를 통해 디지털 트윈 생성에 소요되는 수동 작업을 줄이기 위해.

제안 방법

• 다양한 기호 및 레이아웃 변형을 커버하기 위해 P&ID 표준과 실제 건물 에너지 시스템 다이어그램을 통합하여 포괄적인 학습 데이터셋을 구축하였다.
• 기호(펌프, 밸브, 열교환기 등)를 P&ID 이미지에서 인식하기 위해 딥러닝 기반 객체 검출 모델(Faster R-CNN 변종 등)을 적용하였다.
• 선 탐지 및 선 교차 알고리즘을 구현하여 다이어그램 전반에 걸쳐 배관 연결을 식별하고 추적하였다.
• 공간적 근접성과 선의 연속성을 기반으로 구성 요소를 연결하는 연결 인식 모듈을 개발하였으며, 복잡한 접합부를 해결하였다.
• 의미 모델링을 위해 검출된 구성 요소와 연결을 Brick Schema로 매핑하고, 표준화된 데이터 스트림 레이블링을 위해 BUDO Schema로 매핑하였다.
• 최종 디지털 트윈 모델을 BAS, MPC 및 시뮬레이션 도구에 통합하기에 적합한 기계가 처리할 수 있는 형식으로 내보내었다.

실험 결과

연구 질문

• RQ1 기존 건물 에너지 시스템에서 자동으로 구조를 추출하기 위해 P&ID 도면이 신뢰할 수 있는 자료원이 될 수 있는가?
• RQ2 복잡한 P&ID 레이아웃에서 인공지능 기반의 기호, 선, 연결 인식 기술이 얼마나 높은 정확도를 달성할 수 있는가?
• RQ3 추출된 구조가 모델 예측 제어 및 건물 에너지 성능 시뮬레이션과 같은 후속 응용 분야에서 얼마나 잘 기능하는가?
• RQ4 Brick Schema와 BUDO Schema를 사용하여 출력을 표준화함으로써 건물 자동화 시스템과의 상호운용성에 어떤 영향을 미치는가?
• RQ5 실제 건물 에너지 시스템의 다양한 P&ID 표준과 기호 변형에 대해 이 방법은 얼마나 잘 작동하는가?

주요 결과

• 제안된 방법은 펌프, 밸브, 열교환기 등의 구성 요소를 인식하는 데 평균 정밀도 93.7%를 달성하여 높은 신뢰성을 입증하였다.
• 연결 탐지의 정확도는 91%이며 정밀도 역시 91%였으며, 이중 연결보다 다중 방향 교차점에서 성능이 떨어졌다.
• 기존 연구 대비 정확도가 향상되었으며(91% 대 65% [50]에서), 연결 탐지 분야에서 최신 기술 수준의 결과(92% [49])를 달성하였다.
• 작은 기호와 비표준 레이아웃의 도전 과제에도 불구하고, P&ID 이미지의 자동 분해가 탐지 정확도를 높이는 데 기여하였다.
• 추가 정밀 조정을 거친 후 모델 예측 제어 및 고장 탐지에 활용 가능한 디지털 트윈 모델이 생성되었지만, 고정밀도 BEPS 응용 분야에는 적응이 필요하다.
• Brick Schema 및 BUDO Schema로 매핑함으로써 의미적 상호운용성이 가능해졌으며, 기존 BAS 및 데이터 스트림 관리 시스템에의 통합을 지원할 수 있었다.