Welkom, Ik ga jullie vandaag meenemen in een korte learning over data-integratie voor slimme gebouwen! Mijn naam is Pieter Pauwels en ik ben werkzaam aan de Technische Universiteit van Eindhoven, Faculteit Bouwkunde, als universitair hoofddocent gebouwinformatiemodellering.

Wat voor data is er zoal beschikbaar voor een gebouw? Waar vinden we die data? Hoe kunnen we die samenbrengen en beschikbaar maken voor gebruik? Die vragen zullen we één voor één behandelen in deze opname.

Data is het nieuwe goud

Data, data, data, we leven in een wereld vol met data. Overal wordt data verzameld en gebruikt: voor je reis, voor je loopbaan, voor je hobby’s, voor je gezondheid, … en dus ook voor gebouwen. Toch? Data is ten slotte het nieuwe goud! Meten is weten! Dus verzamel je data over wat je wilt weten, en je kan geïnformeerde beslissingen nemen. Nog beter, AI kan zelf beslissingen voor je nemen, als er maar voldoende data beschikbaar is om AI te trainen.

Soorten gebouwdata

Maar welke data is er zoal beschikbaar voor gebouwen?

Er zijn in principe veel soorten data die beschikbaar kunnen zijn voor gebouwen. Zo kent iedereen natuurlijk de 3D-modellen die je kan vinden op verschillende geospatiale platformen, onder andere voor navigatiesystemen. Dergelijke data is ook in betere kwaliteit beschikbaar bij het kadaster en de overheid, bijvoorbeeld bij je gemeente. Daarnaast zijn voor vele gebouwen ook 3D-gebouwmodellen beschikbaar. Deze zijn beter gekend als “gebouwinformatiemodellen” of BIM-modellen. Links onderaan zie je een voorbeeld hiervan voor een gebouw op de TU-campus. Er zijn ook andere 3D-modellen beschikbaar, en soms ook afbeeldingen en 3D-puntenwolken

Tenslotte is in vele utiliteitsgebouwen ook een grote hoeveelheid gebouwsystemen actief: beveiligingssystemen, ventilatie- en koelingsystemen, toegangscontrole, enzovoorts. Deze kunnen we onder de gemeenschappelijke noemer ‘Gebouwbeheersystemen’ plaatsen, oftewel GBS. Vaak zijn in deze systemen veel meetgegevens beschikbaar over elektriciteitsverbruik, binnencomfort, luchtkwaliteit, enzovoort.

Hoe breng je de data nu samen?

Maar hoe breng je die data nu samen? Hoe integreer je het? Nou, integratie kan je op verschillende manieren interpreteren en realiseren.

Allereerst kan je data integreren via de ETL-methode, wat staat voor “Extract – Transform – Load”. Als je twee systemen A en B hebt, dan extraheer je data uit systeem A, bijvoorbeeld in een CSV-format, je transformeert de data zodat die past in de datastructuur van systeem B, en dan laad je die data in systeem B. Eventueel kan je je data ook transformeren naar een heel nieuw systeem, systeem C.

Hoewel dit vaak goed werkt voor heel gelijkvormige data, bijvoorbeeld van de ene relationele databank naar de andere relationele databank, is dit veel moeilijker voor sterk verschillende data, bijvoorbeeld GIS-data, BIM-data, en telemetrische data. Een ander nadeel is dat je de koppeling met het bronsysteem vaak verliest.

Data linken en koppelen

Een alternatieve manier om data te integreren, is door het te koppelen ofwel linken. In dat geval behoudt je data in systeem A en B, en je maakt relevante links tussen overeenkomstige elementen in systeem A en B. Zo krijg je wat ze noemen “linked data”.

Toepassing van linked data

Als je Linked Data toepast op het Atlas-gebouw van de TU Eindhoven, ziet dat er zo uit. Rechts zie je data voorgesteld in een graafdatabank. Elke cirkel of “node” in de graaf is een object of concept in het gebouw. Zo zie je hier de node van het gebouw, elke vloerniveau, elke kamer, en elke muur, raam of toestel. Dit wordt rechtstreeks uit het BIM-model gegenereerd, maar het kan ook zonder BIM-model. Alle nodes worden gekoppeld door middel van edges met een label. Op die manier kunnen we betekenisvolle relaties leggen, en weten we dat een ruimte een sensor bevat, of omringd is door specifieke muren, deuren, en ramen, enzoverder.

De computer-readable versie van deze linked data zie je aan de linkerzijde. Dit is een notatie voor een graaf in RDF of Resource Description Framework, en meer informatie hierover kan je vinden in de case study van Chamari, Petrova, en Pauwels over ‘A web-based approach to BMS, BIM and IoT integration’.

Schaalbare data-integratie op het web

Wat cruciaal is in deze aanpak, is dat elke node in deze graaf een unieke URI heeft: een Uniform Resource Identifier. Met behulp van die identifier kun je meerdere databanken onderling koppelen met standaard webtechnologie. Dit zorgt ervoor dat data-integratie kan opschalen, en zich niet hoeft te beperken tot 2 of 3 systemen. Dit kan momenteel enkel met RDF-technologie.

Schema’s en ontologieën

Bij het doorgedreven uitvoeren van deze Linked data-strategie krijg je uiteindelijk een grote “wolk” van onderling gekoppelde gebouwdata, met behoud van de structuur (schema of ontologie) van de originele datasystemen. Dit zie je rechts weergegeven, met onderaan het geïntegreerde resultaat, en bovenaan de schema’s van de verschillende datasystemen die geïntegreerd zijn. Hierbij zijn enkele bekende schema’s, of ontologieëen, zichtbaar, zoals IFC, Brick, BOT, SOSA/SSN, en geometrie-schema’s. Voor meer informatie verwijs ik je door naar twee publicaties:

• Rasmussen, Lefrançois, Schneider, en Pauwels over BOT: The building topology ontology of the W3C linked building data group.
• Terkaj, Schneider, en Pauwels over ‘Reusing domain ontologies in linked building data: the case of building automation and control’

Implementatie in de praktijk

Bij implementatie in de praktijk is het belangrijk om rond het geïntegreerde datasysteem ook de nodige applicatie-infrastructuur te voorzien. Zo moet er natuurlijk een user interface gebouwd worden die zorgt voor gebruiksvriendelijke toegang. Ook moet een laag met applicatielogica voorzien worden, die ervoor zorgt dat het resultaat werkt als een normale toepassing, en dat ook toegangscontrole kan worden gerealiseerd.

Als dit effectief gerealiseerd is, dan is een geïntegreerd systeem beschikbaar, waarin je gebouwdata kunt consulteren. Die data wordt beschikbaar gemaakt vanuit verschillende datasystemen, in de vorm van verschillende datastructuren en schema’s. Dit gaat om verschillende schema’s, zoals IFC, Brick, Haystack, Semantic Sensor Network, Real Estate Core, maar ook om geometrische dataformaten zoals meshes en puntenwolken, alsook documenten en afbeeldingen, en timeseries data die typisch beschikbaar wordt gemaakt via IoT streams.

Met een applicatielaag kun je ook algoritmes uitvoeren met data, bijvoorbeeld voor foutdiagnose of gebruikersinteractie.

Dan zijn we nu bij het einde van deze learning aanbeland! Hopelijk licht dit een tipje van de sluier die rond data-integratie hangt in het veld van smart buildings en smart systems. We hebben de verschillende soorten data gezien die voor een gebouw beschikbaar kunnen zijn, en de twee meest gebruikte manieren waarop je die data kan integreren. Verder zijn we dieper ingegaan op het koppelen van deze data aan de hand van links, koppelingen en verder webtechnologie. En tot slot hebben we deze kennis toegepast op het gebouw Atlas van de TU Eindhoven.

Als je nog vragen hebt, of je wil gewoon nog meer weten over hoe je dit verder brengt in de praktijk, of welk onderzoek nog verder ingaat op dit onderwerp, kijk dan voor meer informatie op www.brains4buildings.org of neem contact met mij op via p.pauwels@tue.nl.

Bedankt voor je aandacht, en tot een volgende keer!