Rakennusautomaatio ja koneoppinen : säätökaavioiden automaattinen tulkinta

Abstract

Rakennusautomaatiojärjestelmällä ohjataan kiinteistöjen LVISJ-laitteistoja. Opinnäytetyön tarkoituksena oli automatisoida rakennusautomaatiojärjestelmissä käytettävien grafiikkakuvien piirtäminen kuvantunnistussovelluksen avulla. Opinnäytetyö toteutettiin case-tutkimuksena rakennusautomaatiojärjestelmiä toimittavalle Fidelix Oy:lle.

Kuvantunnistukseen käytetään tekoälyyn pohjautuvia menetelmiä. Tekoälytutkimus on tällä hetkellä painottunut vahvasti koneoppimiseen. Koneoppiminen pohjautuu pitkälti olemassa olevaan dataan ja siinä olevien säännönmukaisuuksien etsimiseen algoritmien avulla. Koneoppimisen algoritmien tuloksena muodostuu malli, jonka avulla mallinnetaan datan mukaista ilmiötä.

Tässä tutkimuksessa käytetty data koostuu säätökaavioista. Säätökaaviossa kuvataan rakennusautomaationjärjestelmään liitettävän laitteiston toimintaperiaatetta. Säätökaavioissa olevat eroavaisuudet aiheuttivat haasteita kuvantunnistusalgoritmeille. Lisäksi tutkimuksessa käytetyn datan vähyys aiheutti haasteita lopputulokseen. Säätökaavioista pystyttiin tunnistamaan kyseessä ollut laitteisto, mutta yksittäisten laitteiden semantiikkaa ei saatu selville käytetyillä menetelmillä.

Tämän tutkimuksen data oli painottunut muutaman suuren suunnittelutoimiston säätökaavioihin. Jatkotutkimusta varten on dataa kerättävä merkittävästi enemmän ja sen tulisi olla monipuolisempaa. Kuvantunnistussovelluksen kehitystä helpottaisi säätökaavioiden standardointi ja yhtenäistäminen.

The property's HVAC system is controlled by a building automation system. The purpose of the thesis was to automate the drawing of graphics images using an image recognition application. Graphic images are used in building automation systems as an interface. The thesis was carried out as a case study for Fidelix Oy, which supplies building automation systems.

Artificial intelligence-based methods are used for image recognition. Artificial intelligence research is currently strongly focused on machine learning. Machine learning is based on existing data. Complex algorithms look for regularities in the data. As a result of machine learning algorithms, a model is formed. The model is used to interpret the phenomenon according to the data.

The data used in this thesis consist of PI diagrams. The PI diagram describes the operating principle of the equipment connected to the building automation system. Differences in the PI diagrams caused challenges to image recognition algorithms. In addition, the small amount of data used in the thesis caused challenges to the outcome. The correct system could be identified from the PI diagrams, but the semantics of the individual devices could not be ascertained by the methods used.

The data from this thesis were focused on the PI diagrams drawn by a few large design companies. Significantly more data needs to be collected for further research and it should be more diverse. The development of an image recognition application would be facilitated by the standardization and unification of PI diagrams.