[論文レビュー] Automatic digital twin data model generation of building energy systems from piping and instrumentation diagrams

Florian Stinner, Martin Wiecek+3 more|arXiv (Cornell University)|Aug 31, 2021

Flexible and Reconfigurable Manufacturing Systems参考文献 39被引用数 5

ひとこと要約

本論文では、配管および計装図（P&IDs）からトポロジーを抽出することにより、建物エネルギーシステムのデジタルツインデータモデルを自動生成する手法を提示する。AIを用いた記号、線、接続認識により、部品および接続の識別で平均93.7%の精度を達成し、Brick Schemaなどの標準化された意味的フォーマットを用いて、モデル予測制御（MPC）、建物エネルギープロパティシミュレーション（BEPS）、および故障検出への応用を可能にする。

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.

研究の動機と目的

• 複雑な建物自動化システム（BAS）を備えた既存の非住宅用建物におけるデジタルツイン作成の人的作業負荷の高い課題に対処すること。
• コンピュータで読み取り可能な形式でないP&ID文書から、意味的に豊富なデジタルツインモデルを自動的かつスケーラブルに生成すること。
• モデル予測制御（MPC）、故障検出、建物エネルギープロパティシミュレーション（BEPS）などの高度な制御およびシミュレーション応用を支援すること。
• BASおよびデータストリームラベル付けへの統合を可能にするために、抽出されたトポロジーをBrick SchemaおよびBUDO Schemaで標準化すること。
• P&ID図面からのトポロジー検出を自動化することで、デジタルツイン作成における人的作業を削減すること。

提案手法

• P&ID規格と実際の建物エネルギーシステム図を統合して、多様な記号およびレイアウトのバリエーションをカバーする包括的なトレーニングデータセットを構築した。
• Faster R-CNNの変種などの深層学習モデルを用いて、ポンプ、バルブ、熱交換器などの記号をP&ID画像で認識した。
• 線分検出および線分交差アルゴリズムを実装し、図面全体にわたる配管接続を特定および追跡した。
• 空間的近接性と線分の連続性に基づいて部品を接続するモジュールを開発し、複雑な接続節点を処理した。
• 意味的モデリングのためのBrick Schemaおよび標準化されたデータストリームラベル付けのためのBUDO Schemaに、検出された部品および接続をマッピングした。
• BAS、MPC、およびシミュレーションツールへの統合に適した機械処理可能なフォーマットで、最終的なデジタルツインモデルをエクスポートした。

実験結果

リサーチクエスチョン

• RQ1 P&ID図は、既存の建物エネルギーシステムにおける自動的トポロジー抽出の信頼できる出典として機能するか？
• RQ2 AIを用いた記号、線分、接続認識は、複雑なP&IDレイアウトにおいてどれほど高い精度を達成できるか？
• RQ3 抽出されたトポロジーは、モデル予測制御や建物エネルギープロパティシミュレーションなどの下流応用をどれほど効果的にサポートできるか？
• RQ4 Brick SchemaおよびBUDO Schemaを用いた出力の標準化は、建物自動化システムとの相互運用性にどのような影響を与えるか？
• RQ5 本手法は、実際の建物エネルギーシステムにおける多様なP&ID規格および記号のバリエーションに対し、どのように性能を発揮するか？

主な発見

• 提案手法は、ポンプ、バルブ、熱交換器などの部品を識別する際、平均93.7%の精度を達成し、高い信頼性を示した。
• 接続検出は91%の正確性と91%の精度を達成し、二方向接続では多方向交差よりも優れた性能を示した。
• 本手法は、先行研究（[50]の65%対比91%）を上回る精度を達成し、接続検出においても最先端の結果（[49]の92%）と同等の性能を示した。
• 小さな記号や非標準的なレイアウトの課題にもかかわらず、P&ID画像の自動分解により検出のロバスト性が向上した。
• 精製を追加で行うことで、モデル予測制御および故障検出に適したデジタルツインモデルが生成されたが、高精度なBEPS応用には適合させる必要がある。
• Brick SchemaおよびBUDO Schemaへのマッピングにより、意味的相互運用性が実現され、既存のBASおよびデータストリーム管理システムへの統合を支援した。