[论文解读] 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 5

一句话总结

本文提出一种自动化方法，通过从管道和仪表图（P&IDs）中提取拓扑结构，为建筑能效系统生成数字孪生数据模型。利用基于人工智能的符号、线条和连接识别技术，该方法在识别组件和连接方面实现了93.7%的平均精确度，从而支持下游应用（如模型预测控制和建筑能效性能模拟），并采用标准化语义格式（如Brick Schema）实现数据互操作性。

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.

研究动机与目标

• 为解决现有非住宅建筑中复杂建筑自动化系统（BAS）数字孪生创建过程中的高人力成本问题。
• 实现从非计算机可读的P&ID文档中自动化、可扩展地生成语义丰富的数字孪生模型。
• 支持高级控制与仿真应用，如模型预测控制（MPC）、故障检测以及建筑能效性能模拟（BEPS）。
• 使用Brick Schema和BUDO Schema对提取的拓扑结构进行标准化，以实现与BAS及数据流标签系统的集成。
• 通过自动化P&ID图纸中的拓扑检测，减少数字孪生创建过程中的手动工作量。

提出的方法

• 通过整合P&ID标准和真实建筑能效系统图，构建了涵盖多样化符号和版式变化的综合性训练数据集。
• 应用深度学习目标检测模型（如Faster R-CNN变体）识别P&ID图像中的符号，如泵、阀门和换热器。
• 实施线条检测与线条交叉算法，以识别并追踪图中管道连接。
• 开发了连接识别模块，基于空间邻近性和线条连续性将组件关联起来，从而解决复杂节点问题。
• 将检测到的组件和连接映射至Brick Schema以实现语义建模，并映射至BUDO Schema以实现标准化数据流标签。
• 将最终的数字孪生模型导出为适合集成至BAS、MPC和仿真工具的机器可处理格式。

实验结果

研究问题

• RQ1 P&ID图纸能否作为现有建筑能效系统中自动化拓扑提取的可靠来源？
• RQ2 基于人工智能的符号、线条和连接识别在复杂P&ID版式中能达到多高的准确度？
• RQ3 所提取的拓扑结构在支持下游应用（如模型预测控制和建筑能效性能模拟）方面表现如何？
• RQ4 使用Brick Schema和BUDO Schema对输出进行标准化，对与建筑自动化系统互操作性的影响如何？
• RQ5 该方法在真实建筑能效系统中面对多样化的P&ID标准和符号变体时表现如何？

主要发现

• 所提方法在符号识别方面实现了93.7%的平均精确度，表明在识别泵、阀门和换热器等组件方面具有高度可靠性。
• 连接检测的准确率为91%，精确度为91%，在双向连接上的表现优于多向交叉连接。
• 该方法在准确度方面优于先前工作（91% vs. [50]中的65%），在连接检测方面达到最先进水平（[49]中为92%）。
• 尽管面临小尺寸符号和非标准化版式的挑战，但P&ID图像的自动化分解显著提升了检测的鲁棒性。
• 生成的数字孪生模型在结合额外优化后适用于模型预测控制和故障检测，但需进一步调整才能满足高精度BEPS应用需求。
• 映射至Brick Schema和BUDO Schema可实现语义互操作性，并支持与现有BAS及数据流管理系统的集成。