近年来，建筑信息模型(building information model, BIM) 在建筑行业得到了广泛应用。在运维管理阶段，BIM主要用于支持运维工作流程的自动化，典型的应用包括建筑信息可视化^[1]、多部门沟通协调^[2]、运维日志文档管理^[3]等。然而，在基于BIM的智能运维领域，相关研究仍处于起步阶段^[4]。目前，不少工程项目已经建立了基于BIM的自动化办公平台，但运维管理的大量工作，如运维数据的录入、管理与分析，仍主要依靠人工完成，其原因主要体现在数据的获取、管理与分析过程仍存在技术瓶颈。为实现基于BIM的智能运维管理，至少需要突破以下3项关键技术：

1) 建筑信息生成技术。尽管BIM为建筑信息管理提供了媒介和技术，但模型中包含的许多关键信息，如机电系统内设备间的逻辑关系，仍需要手动录入，为运维工作带来额外负担。事实上，这些信息可以通过程序智能生成。

2) 动态数据管理技术。现阶段，BIM所关联的数据主要集中于建筑与设备的静态信息。虽然物联网(Internet of things, IoT)系统可采集建筑的实时动态信息，但这些数据往往遵循多种不同的数据标准与数据结构，难以实现可靠、有效的管理。实现基于BIM的动态数据管理，有助于运维管理人员了解建筑运行状态，支持智能运维。

3) 数据处理与分析技术。尽管BIM中集成了海量信息，但针对这些数据的分析处理技术仍不成熟。采用数据挖掘等方法对运维数据进行分析处理，可从海量数据中提取潜在的、有价值的信息，从而支持运维分析决策，实现智能运维。

本文通过结合BIM与数据驱动方法，对上述3项关键技术进行突破，从而实现面向建筑运维工作的“数据生成—数据管理—数据处理与分析”全过程解决方案，以支持基于BIM的智能运维管理。本研究有望减少运维人员工作负担、扩充BIM关联的数据深度、实现数据驱动的运维决策，从而提升运维管理智能化水平。

1 相关研究综述

近年来，基于BIM的运维管理研究的数量快速增长，研究领域主要涉及设备维护维修、灾情应急管理、能源效率优化等方面^[4]，应用项目则包括居民住宅、商业建筑、教学建筑、基础设施等^[5]。BIM为建筑运维提供了一个整合各专业数据的信息平台，从而实现对建筑的三维可视化管理，降低运维成本，提高管理效率^[6]。文[4]对基于BIM的运维管理研究进行了综述，并认为基于BIM的运维未来的发展趋势是融合数据挖掘、人工智能等技术，从而实现智能运维与智能建筑。然而，该文献也指出，基于BIM的运维管理研究总体上仍处于初级阶段，若希望实现智能运维，还需面对数据基础不足、分析技术欠缺等挑战。

BIM所集成的信息包括建筑静态数据与动态数据两部分。其中，建筑静态数据主要包括建筑及其构件的几何与属性信息。理想情况下，这些数据可以由设计与施工BIM交付而来^[7]。然而，由于数据壁垒的存在，信息在项目各个参与方间共享时常遇到障碍^[8]。对于交付而来的信息模型，由于缺乏统一的BIM交付标准，运维BIM数据也往往并不完整^[9]。国内外许多学者在建筑信息交付方面进行了研究。曹辉^[10]从交付精细度、标志性交付物以及文件命名等方面进行规定，形成了一套BIM交付标准。Cavka等^[11]通过调研业主的信息需求，指明了BIM交付至运维阶段时需要包含的内容。文[12]则将机电设备相关信息数字化，并整合至竣工BIM中，用于支持建筑机电子系统的交付。然而，一个业界公认的统一BIM模型交付标准仍未形成。在运维BIM建立过程中，一些对运维工作具有重要作用的信息，如机电设备的上下游逻辑关系^[13]，往往不包含在BIM模型中，仍需要运维人员手动录入，降低了智能运维的工作效率。

建筑的动态数据主要由IoT系统采集而来，也有部分数据需要运维人员上传补充，如运维日志文件等^[15]。对由IoT采集的数据，不同的厂商的传感系统数据标准并不统一，数据格式也各异^[16]，日志文档的数据格式也与IoT系统有较大差异^[17]。因此，如何实现多源异构的建筑动态数据与BIM的交互是业界的研究重点。Dave等^[18]构建了BIM与IoT之间的标准化接口，实现了局域网下两系统间的相互通信，并允许用户通过手机应用获取建筑静态与实时信息。J C P Cheng等^[19]采用扩展工业基础类(industrial foundation classes, IFC)的方式，实现BIM对传感器信息的集成，并通过条件数据库管理监控数据。Chang等^[20]开发了基于BIM的IoT数据的可视化平台，基于传感数据调整BIM模型的区域颜色，从而实时反映房间温度与湿度的变化。总体来说，基于BIM的建筑动态信息管理研究仍处于初级阶段^[14]，目前的研究大多针对单一传感数据标准给出特定应用情景下的解决方案，基于BIM管理多源、异构IoT数据的研究较少，难以支撑智能运维的应用。

对BIM中集成的海量数据，如何实现数据的分析与利用同样是业界的研究重点。目前，一些基于BIM的数据挖掘、人工智能方法已经被提出^[21]。B Q Cheng等^[22]基于BIM和生命周期评估方法，对建筑运维期温室气体排放进行估算，用于改进建筑绿色运维。张先锋^[23]由BIM提取建筑的参数化几何信息，并采用小波神经网络对建筑能耗进行预测。Peng等^[24]由BIM提取建筑的空间拓扑结构，并基于反向传播(back propagation，BP)神经网络实现了火灾逃生路线的自动规划。Pan等^[25]将时间序列分析应用于物联网监测数据，基于当前数据预测设备下一阶段的工作状态，从而提前预防可能出现的设备故障。这些研究基于数据分析技术，提升了BIM存储信息价值，提高了运维工作的效率与准确性。然而，上述研究仅涉及BIM集成建筑信息的一小部分。运维阶段BIM集成了海量的监控数据、运维日志等信息。在工程实践中，针对这些数据的处理目前仍主要由人工完成，运维BIM的数据分析技术仍有待深入研究。

2 基于本体的机电设备逻辑关系生成

运维阶段BIM通常由设计或施工阶段BIM生成。在基于设计或施工BIM创建运维BIM的过程中，需要补充大量运维阶段信息。以机电系统为例，由施工阶段交付的BIM包含机电设备的完整属性信息，但一般缺少设备间的上下游关系。上下游关系指机电设备在空间上的连接与功能上的协作关系。例如，在图 1所示的排水系统中，截止阀位于T形三通管的下游，而T形三通管又位于地漏的下游。

机电设备的上下游关系对于智能运维十分重要。例如，上下游关系可以在管道泄漏时定位泄漏管道的上游阀门，从而及时阻断泄漏途径，方便开展维修工作。然而，这些信息通常不包含在交付的BIM模型中。运维管理人员目前仍主要依靠设计图纸或经验来定位此类设备。本研究提出了机电设备的逻辑生成技术，实现BIM模型中机电设备上下游关系的自动建立。这些信息将作为建筑静态数据的补充，支持数据驱动的智能运维管理系统。

本研究基于设备的空间连接关系与实际工程经验制定规则，实现对上下游构件的自动识别。为此，本研究从各个机电子系统的现场工程实践、文献和手册中，提取出常见机电子系统对应的BIM构件的逻辑链本体。其中，暖通、给排水和电气子系统的部分本体如图 2所示。来自BIM的机电设备实例被对应至逻辑链本体中的各个实体，基于其空间关系和本体关系，可以判断其上下游链接逻辑。

图 2以暖通系统为例，说明逻辑链的生成方法。属于暖通系统的设备首先根据其几何信息，生成空间连接关系。具体来说，若两设备间存在至少一个重合的面，则认为它们在空间上相互连接。多个设备间则可以形成空间连接链条。随后，逻辑链本体被应用于链条。若具有空间连接的两设备，在逻辑链本体中也存在相通路径，则认为它们具有上下游关系。例如，图 2中的矩形风管、风管弯头和风口具有空间连接，且在逻辑链本体中也存在连接路径，因此认为它们间有逻辑关系。根据本体中的上下游顺序，判定矩形风管在上游、弯头在中游、风口在下游。其他机电子系统的生成方式也与暖通系统类似。根据预设的列表规则，机电设备可实现逻辑上的上下游关联，并将关联信息集成至BIM中。

3 基于数据立方的动态信息管理

建筑动态数据往往由IoT采集而来，这些数据体现了建筑物的实时运作状态，对基于BIM的智能运维管理具有重要意义。相比于静态的三维建筑模型数据，动态数据具有数据量大、维度高、结构多样等特性。动态数据可随时间变化，并积累海量的历史数据。一些动态数据还会拥有采集设备、业务分类等额外信息，使数据维度进一步增加。不同来源的动态数据可能具有不同的维度与属性，给BIM平台对数据的统一管理带来挑战。为了更好地管理多维动态数据，本研究提出了面向异构、高维建筑动态数据的数据立方模型，如图 3所示。

数据立方是一个多维度的数据矩阵，通过不同维度间的合理则组织方式，为建筑的施工与运维管理提供更加直观的参照。在数据立方中，每个维度代表了一个相关的测度，而每个单元则代表了一个具体的维度下的测量值。图 3展示了用于管理某航站楼维修业务动态数据的四维数据立方。该数据立方共包含区域、时间、设施与楼层4个维度，而立方中存储的数据代表该区域内设备的故障数量。例如，图 3a中的数字“8”，表示在2月份，航站楼1层的候机区域中共发生了8起乘客座椅相关的故障。

图 3作为数据立方的概念描述，可以使运维管理人员对数据立方模型有直观的理解，并快速掌握当前数据立方存储的数据维度以及数据间的相互关系。数据立方的具体实现则是基于关系型数据库的星型模型。星型模型仅包含一个事实表，用于存储业务数据，但可以有多个维表，分别与数据立方中的每个维度对应。与图 3所示数据立方对应的数据库模型如图 4所示。图 4可作为数据立方模型的具体实现，为运维平台开发人员构建数据立方提供参考。图 4中的事实表用于记录维修的故障数量，同时存储了对应的时间ID、设施设备ID、楼层ID与区域ID。数据立方所包含的4个维度则分别以维表的形式存储。基于星型模型，数据立方也可方便地进行扩展，以管理更高维度的动态信息。例如，若希望在数据立方中添加第5个维度“故障”以记录维修的具体故障类别，只需添加一张故障维表，并在维修事实表中记录故障ID即可。

4 基于机器学习的运维数据分析

建筑在运营阶段将产生大量运维管理数据，包括设备维修数据、能耗监测数据等。这些数据数量巨大，可能多达每年数万条记录。通过数据立方，本研究实现了多维、动态维修数据的有效存储，而基于机电设备智能关联，设备间的上下游关系也被记录。然而，面对海量的设备运维数据，目前对数据的分析处理仍主要由运维管理人员人工完成。为提高运维管理效率，实现智能运维，本研究采用基于机器学习的数据挖掘技术，从庞大的运维记录中获取深层信息并发现隐含的整体规律，以辅助设备维修的决策。

4.1 基于聚类的运维数据分组

运维数据虽然隐含着潜在的规律，但这些规律往往被隐藏在大量杂乱无章的数据之下。为提升数据质量，从而提升数据分析效果，本研究首先采用k-means聚类算法，将大量的数据按事先未知的规律进行分组，形成具有内部相似性的群体。图 5展示了经k-means聚类后，可能出现的4种典型聚类结果。

本研究采用轮廓系数S(silhouette coefficient)^[26]衡量点簇的离散性质。对聚类得到的第i个点簇，其轮廓系数S_i的计算方法为

$ {S_i} = \frac{{{b_i} - {a_i}}}{{{\rm{max}}\{ {a_i},{b_i}\} }}. $

(1)

其中：a_i是第i个点簇内样本间的平均距离，b_i是第i个点簇内样本到所有其他点簇样本的平均距离。S系数的取值在-1至1区间，S系数越高，说明点簇质量越好，其内部样本的相似性越明显。4种典型聚类结果依据轮廓系数S划分，如图 5所示，以下是对4种聚类的读解：

1) 高质量簇。高质量簇是具有最高S系数的点簇。高质量簇中的维护维修记录彼此相似，蕴含强烈规律。对于高质量簇应直接进行整体考察。对高质量簇的分析处理方法将在节4.2中介绍。

2) 受周围影响的簇。受周围影响的簇是将一个完整的簇不恰当地分割为独立的簇。虽然该类簇具有明显规律，但S系数被削弱，需要数据分析人员寻找出互相影响的簇，进行合并考察。若能将所有互相影响的簇进行适当的合并，则其应用方法与分析效果与高质量簇相同。

3) 散点。散点是S系数为负值或接近0的点簇。散点簇中包含一些显著“离群”的记录，建议管理人员进行适度的分析，可能发现设备异常动向、不合理能耗使用等情况。对散点数据的分析算法将在节4.3中介绍。

4) 弱聚集。弱聚集是S系数与受周围影响的簇相当，但规律性不明显的点簇，一般情况不需要作考察。

4.2 基于频繁模式的维修规律提取

经聚类分析得到的高质量簇蕴含着强烈的规律，可采用频繁模式分析对其进一步挖掘，发现维护维修信息中的频繁模式。这些频繁模式蕴含着运维活动内在的规律与经验，可支持运维管理者在设备、资源方面的决策，并提供一定程度的预测功能。在频繁模式挖掘过程中，涉及如下几个关键概念：

1) 状态。一个属性取特定的一个值时，被定义为一个状态。例如，对于“区域”属性，可以有“区域=候机区”“区域=休息区”“区域=洗手间”等状态。

2) 状态集。状态集是多个状态的集合。

3) 频繁状态集。频繁状态集是样本中出现频率(支持度)高于预设阈值的状态集。

4) 频繁模式。若频繁状态集F_A发生时，频繁状态集F_B往往也会发生，那么称F_A→F_B是一个频繁模式。其中：F_A称为条件，F_B称为结果。一般F_A发生时，F_B发生的频率(置信度)确定。

本研究采用Apriori算法^[27]，对高质量簇数据进行频繁模式分析。Apripri算法是频繁模式分析的经典算法，可生成支持度与置信度均满足预设阈值的频繁模式集合。根据其定义，频繁模式便是出现足够频繁且规律性足够强的状态集合，通常蕴含着状态集间的相关或因果关系，可通过进一步的人工解释，提取其中的运维规律。

4.3 基于神经网络的能耗异常分析

散点形式的聚类点簇中包含一些显著“离群”的记录。以建筑能耗数据为例，其中包含着能耗不合理的使用模式，可以从中发现建筑用能的异常，并以此为基础排查建筑内部的设备故障。传统的建筑能耗异常监测主要由运维管理人员基于运维经验完成，具有工作量大、缺乏统一标准等缺点。本研究基于BIM集成的建筑静态与动态信息，提出了数据驱动的能耗异常监测方法，以实现对建筑用能的自动化、智能化管理。

其中，进行建筑用能诊断的人工神经网络结构共包括3个层次，即输入层、隐藏层与输出层。输入层的数据分为4组：第1组建筑静态数据包括建筑总面积、建筑朝向和建筑功能3类，其中建筑功能用虚拟变量进行表示; 第2组气象数据包括温度和相对湿度，从建筑所在地的气象监测机构获得; 第3组为历史用能数据，即被预测的时间点前紧邻的用能监测数据; 第4组为时序数据，包括被预测的星期、日数和包含时、分、秒在内的具体时刻。隐藏层包含若干神经元，而输出层则是单一的神经元，内含预测结果。

基于该预测模型，建筑设备能耗的预测值可以被计算出来，并与能耗实测值进行对比。若预测值与实测值偏差过大，则可以判定为离群点，并提交运维管理人员进行下一步分析与决策。

5 案例验证

以某机场航站楼为例，对所提出的智能运维管理方法进行验证。该项目基于Autodesk Revit软件，建立了建筑的运维BIM模型，以实现运维管理工作的信息化。航站楼原有的BIM模型虽然包含了内部机电设备的详细信息，但并未对设备间上下游关系进行定义，降低了设备管理的工作效率。因此，首先采用机电设备逻辑生成技术，对机电设备的上下游关系进行提取。算法共生成了27条逻辑链，包含763个机电设备组件。图 6展示了暖通系统中提取的两条逻辑链，分别属于回风子系统与供风子系统。图中的ID为Revit软件为构件分配的标识符，用于区分同一族下的不同实例。

对运维过程中产生的动态信息，采用数据立方模型实现异构监测信息的统一管理。此案例中采集的数据包括设备维修数据以及各楼层的能耗监测数据两类。图 7展示了航站楼设备维修数据在数据立方中的存储情况。除图 7中展示的部分属性外，维护维修数据还包括维修人、受损程度、备品使用等属性。数据立方中的信息以表格的形式存储于数据库SQL Server中，可通过数据库提供的应用编程接口进行双向通信，实现与BIM中建筑静态信息的链接。

在运维数据挖掘与分析方面，首先将k-means算法应用于数据立方中存储的设备维修数据，其中点簇数k经调参后取为28，此时可保证聚类得到的平均S系数最高。以机电维修记录的一个高质量簇为例，本研究采用Apriori算法对频繁模式进行挖掘。算法读入维护维修记录共2 281条，每条记录包含18个属性，取置信度阈值为0.9、支持度阈值为0.15，程序输出频繁模式约200条。其中的一个典型频繁模式如表 1所示。

在表 1所示的频繁模式中，管理人员可以获取的有价值信息是，若水泵需要维护维修，则操作经常在早上进行。因此，决策者可以适当在早上增加水泵维修人员，同时减少其他时段的人员数量，做到人力资源的高效利用。同时，基于机电设备逻辑链，运维人员也可以提前排查位于水泵下游的构件，防止其因水泵故障受到影响。

其次，选取航站楼在2020年1月至10月期间的区域耗电量数据，对能耗数据的离群点进行分析。能耗监测数据立方包含能耗、区域、时间3个维度。图 8a展示了某候机区能耗随时间的变化情况。训练集和测试集按照9∶1的比例进行了随机划分，并输入神经网络模型进行训练与验证。模型训练完成后，测试集上预测的结果如图 8b所示。

图 8b中点的横纵坐标分别为测试集中各点的实测值与预测值，因此越接近对角线预测结果越准确。总体来说，数据点分布于对角线上下，说明模型取得了较好的训练效果。随后，能耗异常数据便可基于训练好的模型排查出来。若预测值与实际值相差过大，则被判定为离群点，例如图 8b右下角的数据点。经过排查，当天由于运维人员操作失误，使数据点所在楼层的空调与通风系统在非营业时间仍满负荷工作，从而导致实测能耗大于预测能耗。运维部门可制定方案，检查非营业时间的设备用电情况，从而避免此类情况的发生。

6 结论与展望

BIM技术的出现为智能建筑的实现提供了可行的解决方案，但目前智能建筑的发展仍处于起步阶段。数据交换过程中的数据丢失与实时模拟方法的欠缺被认为是限制智能建筑普及的重要障碍^[28]。在运维阶段，这些障碍主要体现在BIM中包含的建筑静态信息不完善、多源异构的建筑动态数据缺乏可靠管理手段、针对海量运维数据的分析与处理技术不成熟等方面。针对上述问题，本文对基于BIM的智能运维管理方法进行研究，通过引入数据驱动技术，提出融合数据补全、数据管理、数据挖掘的智能运维解决方案。

1) 针对运维BIM信息不完善的现状，本文对建筑信息生成技术进行研究，基于逻辑链本体与空间连接关系，生成机电设备上下游关系。生成的逻辑关系可为智能运维提供必要的定位数据，扩充了BIM存储的建筑信息，减少了人工数据录入工作量。

2) 面对异构、高维的建筑动态信息，本研究提出了数据立方模型。数据立方是一个可扩展的多维数据矩阵，可有效组织不同数据格式、不同维度的实时动态数据，从而实现建筑动态信息的高效管理。

3) 面向BIM存储的海量建筑静态与动态数据，本研究提出了融合聚类、频繁模式分析与人工神经网络的混合数据挖掘方法。基于聚类方法对数据进行预分组，提升数据质量; 基于频繁模式分析维修数据的潜在规律，指导维修工作; 基于人工神经网络发现能耗利用的离群点，找到异常设备，从而形成基于BIM的运维数据分析完整解决方案。

上述智能运维技术被应用于一个机场航站楼的实际运维项目中，具体应用任务包括机电设备关系生成、动态运维信息的组织管理、设备维护维修规律发现以及能耗监测数据异常分析。实际应用效果表明所提出的方法可有效进行BIM信息补全、动态信息管理与数据自动分析，从而降低运维管理人员工作量，提高运维数据价值，为运维决策提供辅助参考，提升运维管理的智能化水平。

现阶段，本文工作在数据与方法层面仍存在一定不足。数据层面，本文仅考虑了设备维修数据与能耗监测数据两类，而在实际工作中，建筑运维需要考虑的信息远远不止上述两类，所记录的时间段也更长。在数据量增大时，如何实现海量数据的高效管理与分析，是今后研究需要考虑的问题。在方法层面，本文所提出的方法还难以支撑起完整的智能运维流程。后续研究可在现有工作的基础上进一步探索。现阶段的研究仅考虑了机电设备上下游关系的自动补充，而运维BIM所依赖的其他信息，如房间与过道的拓扑结构等，也可基于类似方法生成，甚至BIM模型本身也可基于工程图纸或扫描数据构建。目前的研究实现了由IoT向BIM的单向信息传输，而未来可实现信息系统间的双向通信，从而支撑数字孪生系统的建立。近年来，以深度学习为代表的人工智能方法发展迅速，以知识图谱为代表的知识管理技术也展现出巨大潜力。这些技术同样可以应用于运维数据的管理与分析中，提升运维数据价值。本文所提出的“数据生成—数据管理—数据处理与分析”路线可作为未来研究的基础，从而实现更高层级的智能运维管理。