我们日常生活中的创新让我们意识到技术的能力。对于我们这些在建筑环境中工作的人来说，这带来了许多关于建筑能力的假设。当我们开车上班时，我们的汽车会为我们刹车以避免碰撞，自动根据每个驾驶员的喜好调节空调，并在下雨时自动打开前灯。于是，我们开始设想建筑物如何实现这种智能来抑制碳排放，改善用户体验，降低运营效率和成本。但建筑非常复杂，甚至比现代车辆还要复杂。每个都有成千上万的设备和数以千计的数据点，它们都有自己的技术、供应商、建筑管理系统协议和网络。智能建筑行业的大多数专家都认为，简化建筑技术复杂性的独立数据层(IDL)对于建筑达到我们在其他行业看到的智能水平至关重要。他们还明白，要实现这一目标，行业必须采用一种标准化的方式来组织施工数据，这意味着施工数据模型。虽然“为什么”已经很清楚，但“如何”往往不太清楚。通往造型精美的建筑的道路往往并不平坦。以下是为更顺利的数据建模之旅铺平道路的5个技巧：挑战一：如何获得统一的数据建模和一致性？构建环境的复杂性带来了构建环境中标记和数据建模的大量不一致。这些不一致使数据建模人员难以跨设备、建筑物甚至投资组合选择和实施一致且统一的数据模型。例如，如果有人要求您为“AHU1DATSP”点建模，您会怎么做？你会把它标记为“ahu”、“放电”、“设定点”、“温度”吗？或者“供应”、“空气”、“温度”、“设定值”？解决方案：标签和数据建模中的这种不一致是我们本体对齐项目(OAP)背后的动机。除了将多个本体归入一个范围之外，OAP还为标记和设备提供了规范性指导。数据建模者可以从预定义的点名称列表中进行选择，而不是猜测一组好的标签可能是什么。因此，可以通过应用OAP的点定义来标记名为“AHU1DATSP”的点：“DischargeAirTemperatureSetpoint”，它定义了正确的标签集：“Air”、“Discharge”、“Valid”、“Point”、“sp”“，`温度`。挑战二：如何做数据建模？建筑环境（数据点、设备、建筑物、空间、关系）的复杂性产生了大量数据。由于要建模的数据如此之多，数据建模人员和开发人员可能很难知道如何以及从哪里开始。这可能会在智能建筑解决方案的开发和实施中造成重大瓶颈，或增加环境的复杂性。诸如建筑物联网之类的解决方案已经开发了工具和流程来轻松加载建筑数据，并允许建筑集成商和数据建模人员快速高效地绘制建筑地图。此外，OAP数据标准是完全开放、可访问和可查询的，其他人可以通过GraphQLAPI利用和构建自己的工具。挑战3：数据建模是一个重复且耗时的过程。简化构建环境的复杂性通常意味着重复标记大量实体。对于数据建模人员和开发人员而言，跨建筑物和投资组合对建筑环境数据进行标准化是一个耗时的过程。将“AHU1DATSP”标记为“排放温度设定点”即使对于经验丰富的数据建模者来说也变得很麻烦。该解决方案利用机器学习和人工智能自动识别点并根据点或实体名称和历史数据应用数据模型。这节省了大量时间，并使我们能够更快、更准确地应用数据模型。挑战4：我需要多少数据建模？数据建模者和开发者通常关心他们是否获得了满足他们需要的正确数据。更糟糕的是，如果不为建筑物的数字化设定目标，几乎不可能知道哪些数据需要建模。因此，很容易被数据建模冲昏头脑，建立一个过于详细或复杂的模型。解决方案：解决此问题首先要为建筑物的数字化转型建立一个具体且可衡量的目标。问问自己，用例是什么，你想解决什么问题？使用这些问题的答案来指导数据建模以仅在需要时限制范围和模型。例如，你能做分析吗？故障检测？能量洞察力？图形？入住体验？这些数据将如何使用，我是否满足了这一需求？考虑到这些问题，可以更轻松地缩小需要建模的所需信息的范围。挑战5：我做得对吗？数据模型最终确定后，很容易洗手并走开，但重要的是要验证您是否创建了一个完整且准确的模型来处理所需的用例。解决方案验证工具是确保建筑物完全建模且无错误的关键。例如，如果空气处理器有一个热水阀控制点，它的加热过程是否定义为使用加热的热水？它与服务于它的设备有热水关系吗？建立和检查关系是模型创建的最后一个重要步骤。在构建物联网中，验证工具建立在内部专业知识和OAP建模标准之上。
