采用文獻計量的建筑業物聯網研究熱點與趨勢分析

摘要：為掌握建筑業物聯網的發展現狀和挖掘未來研究機會，采用定量研究與定性分析相結合的方法，以Scopus數據庫為數據來源，收集12個建筑業高影響力期刊的建筑業物聯網相關文獻1 128篇.從出版年及發文量、期刊影響力、學科領域、高頻學科術語共現、作者合作及國家合作等方面展開分析，基于VOSviewer軟件構建可視化知識圖譜，探討建筑業物聯網的現狀，提出未來的研究方向.結果表明：建筑業物聯網研究的發文量呈現上升趨勢，文獻來源相對集中，呈多學科性發展；建筑業物聯網領域的作者研究合作已初具規模，國家間的合作緊密圍繞著美國、中國、英國展開；該領域的研究熱點呈現4個關鍵主題，即建筑環境、施工現場監控與安全、建筑能耗和故障檢測.

關鍵詞：建筑業； 物聯網； 文獻計量； 知識圖譜； 智能建造； 數字化； 信息化

中圖分類號： TU 18文獻標志碼： A 文章編號： 1000－5013（2023）02－0211－11

Research Hotspots and Trend Analysis of Internet of Things in Construction Industry Using Bibliometrics

QIN Xuan， CHEN Kang

（College of Civil Engineering， Huaqiao University， Xiamen 361021， China）

Abstract： In order to grasp the development status of internet of things （IoT） in construction industry and explore future research opportunities， the method of combining quantitative research and qualitative analysis is adopted. Using Scopus database as data source， 1 128 articles related to IoT in construction industry from 12 high－impact journals in construction industry are collected. Various aspects are analyzed， including the publication year and number of articles， journal influence， subject field， co－occurrence of high－frequency subject terms， author cooperation and national cooperation， etc. Based on VOSviewer software， the visual knowledge map is constructed to discuss the current situation of IoT in construction industry and to propose future research direction. The result shows that the number of publications of IoT in construction industry research is at a rising trend， the literature sources are relatively concentrated， presenting a multidisciplinary development； the author research cooperation in the field of IoT in construction industry has begun to take shape， with the cooperation between countries closely centered on the United States， China and Britain； the research focus in this field presents four key topics， namely， building environment， construction site monitoring and safety， building energy consumption and fault detection.

Keywords： construction industry； internet of things（IoT）； bibliometrics； knowledge mapping； intelligent construction； digitization； informatization

建筑業產業規模巨大，截至2017年全球建筑業貢獻的國內生產總值（GDP）約為17.140萬億美元，預計到2021年將增長至24.334萬億美元［1］，據預測，到2030年建筑業將占世界總GDP的15%左右［2］.然而，全球建筑業正面臨低效、高危、勞動力短缺三大關鍵問題，相比制造業，建筑業的生產力水平低下、工作環境惡劣、建筑工人的職業健康安全問題十分嚴峻.當前世界正處于信息化的新時代，發展新興信息技術是改變建筑業這一狀況的有效途徑.物聯網（IoT）被稱為繼計算機、互聯網之后，世界信息產業的第三次浪潮，世界各國對物聯網展開了大量研究［3］.物聯網是指通過射頻識別（RFID）、紅外感應器、全球定位系統（GPS）、激光掃描器等信息傳感設備，按照約定的協議，把任何物品與互聯網連接起來，進行信息交換和通信，以實現智能化識別、定位、跟蹤、監控和管理的一種網絡［4］.

物聯網正日益滲透到建筑業中，研究人員不斷探索物聯網技術在建筑業的創新應用，以帶動建筑業向信息化、數字化和智能化方向發展，實現轉型升級.近幾年，與建筑業物聯網相關的文章數量迅猛增長.為掌握建筑業物聯網的發展現狀，科學、量化地總結和分析建筑業物聯網領域的概貌，本文選用VOSviewer軟件對從Scopus數據庫中篩選出的建筑業物聯網相關文獻進行科學計量，進而從各個角度全面審視該領域的熱點研究、關鍵信息，實現作者合作、國家合作、關鍵詞共現等方面的可視化分析，梳理每個主題下的主要研究內容，并在此基礎上討論建筑業物聯網的發展演化及未來的研究機會.

1 實驗方法

1.1 數據來源

Scopus數據庫是目前世界上最大的文獻摘要和引文數據庫［5］，其覆蓋范圍廣，索引過程快，涵蓋了較新的出版物.與Web of Science，Google Scholar，PubMed" 等數據庫相比，Scopus數據庫在建筑領域的覆蓋面更廣，更適合跨學科的研究主題［6］.為獲得準確、質量高、容量合適的文獻樣本，應盡量涵蓋該領域已知關鍵詞，因此，選擇的檢索關鍵詞為Internet of Things，IoT，industrial internet，physical internet，cyber physical systems，sensors，wireless sensor network，WSN.

通過搜索Scopus數據庫、Journal Citation Report（JCR）期刊引用報告和審查以往相關研究綜述［7－8］的方法，識別建筑行業中具有高影響力的期刊，最終選擇影響因子在1.5以上或得到專業人士認可的12個期刊，期刊名稱及發文量，如表1所示.搜索文獻的起始時間不設限制，以確保全面覆蓋現有文獻［9］；期刊文章代表最有影響力的研究，文獻類型限定為已公開發表的期刊論文，不考慮綜述（review）、會議論文（conference paper）、編者評論（editor′s comment）等.截止2020年11月1日，搜索獲得1 128篇與建筑業物聯網相關的期刊文章.對這1 128篇英文期刊文章進行科學計量和定性分析.

1.2 研究方法

采用定量研究與定性分析相結合的方法，該方法的特點是整合定量和定性數據，以克服人工評價容易存在的潛在偏差，從而得到單一方法無法產生的分析結論.定量研究采用文獻計量學方法，借助VOSviewer軟件.VOSviewer軟件提供了可視化科學知識圖譜所需的所有基本功能，且其在共現分析方面圖形化展示方式較為豐富，顯示清晰，使得文獻計量學的分析結果易于解釋，深受建筑業領域研究者的喜愛［10］.定性分析是對建筑行業中物聯網技術研究相關文獻的主要內容進行全面、深入的梳理，剖析該領域的研究現狀、研究熱點、研究局限性及對未來研究的展望.

2 文獻數據分析

相關文獻的數據分析包括文獻的出版年及發文量統計、期刊影響力、學科領域、高頻學科術語共現、作者合作、國家合作分析.文獻年發文量和期刊影響力分析能夠反映研究主題的發展趨勢及重點研究平臺；學科領域分析有助于觀察該領域學科發展狀況；借助知識圖譜工具VOSviewer軟件進行文獻計量和可視化分析，可深入挖掘建筑業物聯網研究領域的研究熱點分布、團隊規模、國家合作關系等.

2.1 出版年及發文量

檢索獲得的1 128篇建筑業物聯網研究相關文獻的年分布，如圖1所示.該領域的第一項研究于1983年在Building and Environment期刊上發表［11］.由圖1可知：這一領域早期的年發文量為個位數，這一情況一直持續到2003年；隨著物聯網的發展，2012年建筑業物聯網領域出現新興的研究熱點，文章數量呈指數性陡增趨勢；最近5年，建筑業物聯網領域的研究年發文量都保持在100篇以上，且隨著建筑機器人、智慧工地等新興產業的不斷興起，該領域未來研究勢頭將繼續升溫、持續增長.

2.2 期刊影響力

由表1可知：年發文量排在前3的期刊分別是Energy and Buildings（331篇），Building and Environment（267篇）和Automation in Construction（254篇）.3種期刊合計發文量占被統計文獻數量的75.53%，是促進該領域發展的主要力量；Advanced Engineering Informatics和Journal of Computing in Civil Engineering的發文量合計占比超過15%，具有一定的影響力；余下7種期刊發文量合計占比小于10%，體現出文獻來源相對集中的特點，表明建筑業物聯網研究已經形成比較集中的重點期刊平臺支撐.

2.3 學科領域

對建筑業物聯網領域相關研究的學科領域進行分析，結果如圖2所示.由圖2可知：大多數文章發表在工程類期刊（1 039篇），有些則發表在社會科學（267篇）、環境科學（267篇）、計算機科學（200篇）和商業、管理和會計（69篇）及決策科學（7篇）類期刊.這顯示了該領域不斷發展的多學科性質，以及越來越多的建筑業學者開始在自己傳統學科之外的期刊上發表文章.

2.4 高頻學科術語共現

文章標題、摘要和關鍵字中出現的學科術語反映了論文的核心內容，并一定程度展示了其研究范圍.通過VOSviewer軟件進行高頻學科術語共現分析，將術語的最小出現次數設置為20次，并選擇按相關性評分排序前60的關鍵學科術語.高頻學科術語共現網絡視圖，如圖3所示.圖3中：每個節點代表一個主題詞（主題詞標簽已顯示）；主題詞節點中心度大小表示該詞出現的頻次；節點間的連線表示兩個詞之間存在共現關系；連線粗細代表兩個詞之間共現的強度（次數）.

由圖3可知：VOSviewer軟件將所提取的關鍵術語按照研究主題和相互間密切程度大致分為4類，依據各類關鍵術語所圍繞的研究主題將其分別命名為集群1（紅色）、集群2（藍色）、集群3（綠色）、集群4（黃色），分別表示建筑環境、施工現場監控與安全、建筑能耗、故障檢測.圖4是高頻學科術語共現的時間視圖，體現各學科術語的新穎程度，右下角2013-2016年的比例尺代表平均出版年份，顏色從深藍色變為淺黃色，表示較老的研究到最新的主題.

1） 集群1：建筑環境.建筑環境是物聯網技術在建筑業中應用的主要研究主題之一，目前大多數現成的物聯網技術都被用于建筑環境，例如，人員熱舒適性、采光計劃、空氣質量檢測、智能家居等.該主題的研究重點是通過分布式傳感器采集各種環境參數，如二氧化碳、一氧化碳、PM2.5、聲音、光照、運動、溫度和濕度等，對建筑環境進行模擬仿真預測評估，以保證建筑內人員的舒適性，同時減少不必要的住宅能源消耗.該集群組由19個學科術語組成，這一集群關鍵詞的平均出版年份涵蓋了2013-2016年，表明此集群在文獻中已穩定確立，且一直受到研究人員的重點關注.

2） 集群2：施工現場監控與安全.隨著物聯網技術的發展，實現資源的實時位置跟蹤和可視化成為可能，受益的主要應用領域是施工現場監控與安全.施工資源產生的數據非常龐大，實時收集和處理施工資源數據，并將相關的安全、活動、性能等信息實時可視化給管理者，以實現高效決策，提高項目管理水平.這一組關鍵詞平均出版年份分布在2015-2016年，相對來說比較新穎，且它與其他3個集群相比更為獨立，表明該主題受到一部分研究人員的極大關注，并對其持續跟進.

3） 集群3：建筑能耗.

入住率檢測是建筑能耗主題的關注重點.入住率信息是指建筑物居住者的存在、移動及對建筑能耗有重大影響的行為.獲得準確的人員入住率信息，制定有效的策略降低能耗，對于建筑能耗的節約和優化有著非常重要的價值.例如，樓宇管理系統可以自動關閉空置房間的空調，并根據每個區域的人員數量調整通風量，以達到節能目的.研究表明，暖通空調系統如果基于居住人員的信息運行，可節約30%的能源消耗［12］.該集群關鍵詞的平均出版年份為2014-2016年，表明這一集群相對較新穎，且持續受到學術關注.

4） 集群4：故障檢測.

故障檢測代表了觀察到的主要集群之一，主要包括暖通空調系統的故障檢測和診斷（FDD）及結構健康監測.建筑物和暖通空調系統發生各種故障會導致能耗增加，舒適性變差，甚至發生安全事故.開發故障檢測和診斷方法，并將其應用于涉及結構、暖通空調系統、設備和傳感器出現的各種故障是該主題的研究重點.由圖4可知：故障檢測技術的平均引用年份較老，其平均出版年份為2013-2014年，表明這一集群在文獻中擁有堅固的地位.

2.5 作者合作及影響力

根據普萊斯定律，在建筑業物聯網研究領域中發文量不少于3篇的作者，被確立為核心作者［13］.通過分析該領域核心作者之間的合作緊密程度、研究團隊規模和成熟度，發現該領域研究已經形成聯系緊密、相互連通的合作網絡，該合作網絡包含了主要的高影響力、高被引次數的核心作者，說明建筑業物聯網領域研究者們已具有初步合作規模.同時，還存在一群獨立研究團隊也為該領域的發展做出了重要貢獻，表明目前建筑業物聯網的研究已經具備了一定的熱度和參與度.在建筑業物聯網領域發表文章總數排在第一位的是SMITH I F C，總共發表文章14篇，主要研究結構健康監測方面，深入結構識別、故障檢測、數據解釋等方向，2005-2019年期間持續有科研成果產出，具有重大影響力.發文量排在第二位的是KAMAT V R，其團隊共發表13篇文章，都集中在2015-2020年，研究成果較新，主要關注建筑機器人方面.WANG S以總發文量12篇位居第三位，該團隊的文章擁有最高的被引次數.WANG S的第一篇文章發表在1998年［14］，直到2013年一直都有科研產出，為空調系統故障檢測、建筑環境通風控制等方面的研究做出了巨大貢獻.高產的核心作者還有JANG W S（11篇），BECERIK－GERBER B（10篇），LI H（9篇），TEIZER J（9篇），HONG T（9篇）等，主要從事無線傳感網絡與建筑資源跟蹤、個性化熱舒適性、建筑能耗、建筑工人健康與安全監測、施工活動識別等方面的研究.總體來說，這些核心作者的研究代表著建筑業物聯網領域的研究熱點，具有引領作用，值得關注和追蹤.

2.6 國家合作網絡

建筑業物聯網研究領域的國家合作網絡圖，如圖5所示.圖5反映了該領域主要領先國家的研究水平及合作關系，要求所選國家的發文量達到5篇及以上，68個國家中有32個入選；節點由深色到淺色表示時間從早到近的變化.由圖5可知：國家合作網絡圖里節點中心度最強的為美國，其次為中國，第3名為英國，它們是目前建筑業物聯網領域研究規模最大、合作最密切、成果貢獻最多的國家.美國的發文量為375篇，它與20個國家間存在著合作關系；第2名的中國是該領域中后起之秀的代表，所發表的文章具有較新的平均出版年份；以英國為首的歐洲國家為促進物聯網在建筑業的發展也做出了巨大貢獻，且相互之間合作極為密切，是合作關系網絡的重要組成部分.其中，一些歐洲國家的合作關系呈現出較強的地域接近性，如西班牙的8個合作國家（英國、德國、法國、葡萄牙、比利時、意大利、瑞典、印度）中除了印度外，均為歐洲國家.

3 建筑業物聯網四大主題研究熱點綜述

3.1 建筑環境

建筑環境的好壞與人體的健康、舒適性及生產力密切相關.熱舒適性是建筑環境的一個重要目標，了解居民的熱感覺和舒適性對于建筑物中暖通空調系統的運行意義重大.目前用于建筑業熱舒適性管理實踐的模型主要有預測平均投票（PMV）模型和自適應模型.熱舒適性的客觀數據通常由環境傳感器測得，采用問卷調查獲得主觀反饋［15］.借助可穿戴設備或紅外攝像頭可收集生理方面的數據，如采用紅外熱像儀測量面部皮膚溫度來估計人的熱舒適水平［16］.隨著研究的深入，個人舒適性模型被提出，以解決不同人員的使用偏好.BECERIK－GERBER B團隊將建筑物里的人員整合到暖通空調系統控制流程中，提出一種辦公樓個性化熱舒適驅動系統的人機交互框架［17］.文獻［18－19］研究發現，使用環境傳感器的效果優于生理傳感器，若將兩種數據結合起來，可以獲得更高的個體熱舒適性預測準確率.

另外，光也是建筑空間最重要的元素之一，采光的研究主要集中在建筑的設計和運營階段，研究表明，使用日光調光系統不僅能提高人的視覺舒適性，還可以降低建筑物的能耗［20－21］.此外，物聯網技術能自動控制居住環境中的PM2.5和二氧化碳的濃度，有效提升室內空氣質量［22－23］.智能家居相關研究的持續涌現更是將建筑環境中人員舒適度、能效、個性化等方面的發展推向了更高水平［24－25］.

3.2 施工現場監控與安全

在施工現場監控方面，衡量項目狀態或進度大多基于人工評估，最近的研究集中在發展自動化或半自動的方法上.物聯網設備的使用促進了施工現場監控的實現，將全球定位系統、射頻識別、無線傳感器網絡等現有技術結合是當前廣受歡迎的研究方法.例如，結合射頻識別和全球定位系統進行數據收集，無需增設額外的設施便能自動識別和定位建筑構件［26］.該領域中具有高影響力的JANG W S團隊熱衷于無線傳感器網絡在建筑資源跟蹤中的應用研究，他們探索了使用ZigBee、無線和超聲信號相結合、增強現實（AR）技術建立無線傳感器網絡系統，實現建筑材料自動跟蹤的可行性［27－29］；并在材料跟蹤的成本效益［30］、建筑資源跟蹤技術的選擇［31］、無線傳感器網絡的性能［32－33］等方面展開了深入研究.值得注意的是，建筑信息模型（BIM）和物聯網的集成很大程度上促進了裝配式建筑的自動化，在實現預制構件生產制造、物流管理、跟蹤定位、BIM可視化及自動裝配的過程中做了巨大貢獻［34－36］.

安全方面，建筑工人的健康和安全管理一直以來都備受重視.在以人為中心的建筑安全與健康管理方面，研究者對可穿戴式傳感器和基于計算機視覺的技術產生了極大的興趣.LI H團隊和AHN C R團隊在該方面的研究處于領先地位，其研究涵蓋的關鍵應用包括預防肌肉骨骼疾病、工人疲勞監測、預防跌倒及墜落.LI H團隊的研究主要有基于計算機視覺進行人體工學姿勢識別以預防建筑活動中的危險［37］，使用可穿戴鞋墊壓力傳感器對建筑工人跌倒事件進行自動檢測和分類［38］，借助計算機視覺、生理傳感器實現對工人的身體疲勞和精神疲勞監測［39－40］等.AHN C R團隊專注于慣性測量單元（IMU）的應用，包括對建筑工人進行跌倒風險評估［41］，基于行人的運動反饋來檢測人行道的缺陷［42］，結合深度學習評價工人的負荷水平、預測姿態，以預防肌肉骨骼疾病［43－44］等.將物聯網技術融入建筑工地的安全系統是另一重要研究方向，實現對險情事故的跟蹤記錄，可以顯著提高安全性［45］.例如，基于物聯網開發智能安全帽系統，使安全帽具備實時報警、監控和定位功能［46］；建立塔吊操作員能見度模型，有效改善塔吊的不安全狀態［47］.另外，一些研究者將物聯網和BIM技術集成并應用于火災應急場景，建立火災救援可視化系統，以實時監控現場狀態、定位被困人員［48－49］.

3.3 建筑能耗

提高生活質量和節約能源往往存在沖突，物聯網技術的引入為降低建筑能耗提供了新思路，獲取準確詳細的入住率信息是平衡這一矛盾的關鍵.目前，入住率檢測已廣泛應用于減少建筑能耗中，照明控制、暖通空調系統、雜項電氣負荷、熱水系統是四大主要的應用終端.選擇合適的數據源對于入住率檢測尤為重要，早期入住率檢測研究中最常用的傳感器是被動紅外（PIR）傳感器［50］.近年來，WiFi基礎設施得到普及，基于WiFi的入住率檢測方法因其無需部署額外設施、無需人員攜帶專用設備等優點而廣受研究人員的青睞.HONG T團隊提出了一種通過機器學習從建筑物的WiFi數據來推斷人員數量的新方法［51］，利用環境傳感器和無線網絡信號的融合，成功提高了人員入住率檢測模型的效率［52］，并結合環境數據、WiFi數據和融合數據3種數據源，對不同場景下的模型性能進行了優化［53］.

除了人員的存在和數量信息可用于優化控制策略，人類活動識別對于各種智能家居的應用也至關重要.使用深度學習的方法，利用現有WiFi設備即可實現對居民日常活動（如個人衛生、飲食、行動等）的無創識別和分類，從而提高能效，增強用戶體驗［54－55］.

3.4 故障檢測

暖通空調系統中的空氣處理機組（AHU）和冷水機組出現故障時往往需要付出昂貴的代價，因此，故障檢測必不可少.現有研究常用的故障檢測方法包括基于模型的方法、基于規則的方法、基于數據驅動的方法.基于模型的故障檢測方法在暖通空調系統中發展較早，使用最為廣泛［56］；基于規則的方法需要專家知識和豐富的經驗，構建詳細的規則，從而對空調系統發生的故障進行診斷［57］；基于數據驅動的方法作為一種新的FDD方法，近年來被廣泛關注，其涵蓋了主成分分析、Fisher判別分析、小波分析、神經網絡等［58］.

目前，建筑物故障檢測的應用大部分集中在橋梁工程上.物聯網技術的發展促進了結構健康監測研究.基于傳感器的技術提供建筑物及其構件結構健康的實時信息，然后對采集的數據進行解釋和分析，完成結構識別和故障檢測.文獻［59－61］為提升數據解釋能力，提取有意義的信息進行損傷檢測，探索的方法包括移動主成分分析、移動相關分析、穩健回歸分析、聚類分析和基于模型的方法.文獻［62－63］指出測量系統設計和傳感器放置策略對結構識別的影響，并進行了相關的決策優化研究.

4 未來研究展望

4.1 建筑環境

物聯網設備可以為舒適性模型提供必要的數據，從而提高居住者的舒適度水平，優化建筑的能源使用，使建筑行業受益.隨著舒適性提升技術的進步，居住者對建筑環境的質量要求將隨之增高，使自動化、個性化、高水平的智能舒適性管理成為未來的主要研究方向.

1） 單一指標不足以反映人員的熱狀態，在實現以人為中心、動態控制環境的暖通空調控制系統時，考慮人的生理和行為因素尤為重要，未來的研究需要在數據融合的方法上做更多努力.

2） 以前的研究通常未對所提出的模型如何集成到現實系統中進行詳細描述，需要更多的研究將個人舒適性模型產生的分析結果轉化為可操作的控制策略.

3） 研究者模型的開發和評估過程中經常應用自己的解釋或假設，缺乏行業標準的指導，未來在加強理論基礎和標準化方面還有許多工作要做.

4.2 施工現場監控與安全

當前的物聯網研究主要是技術性的，研究者開發了各種施工現場監控和安全管理方法，在已開發的應用方向上加強可操作性、改進性能是未來研究的一個重要領域.此外，需要讓現有技術更加充分地結合實際，有效地應用于工程實踐.未來工作還需考慮以下4點內容.

1） 為實現長期且穩定的資源監測和跟蹤，需在未來研究中推導出穩健且快速的算法，但由于人員位置定位和工作行為監測等方面數據多涉及到個人隱私，故在解決方案的推廣實施方面可能存在困難.

2） 基于視覺的技術和傳感器所采集數據的可靠性有待求證.例如，無線信號易受環境因素影響，有時因障礙物阻擋產生信號衰減的問題，使無線傳感器網絡性能降低，從而影響采集數據的真實性［64］.

3） 基于原型試驗的建筑資源跟蹤方法嚴重依賴實驗室設備，未考慮在實際施工現場的適用性；或所述流程框架只應用于特定的環境和標準，這些解決方案能否推廣還有待研究［45，65］.

4） 可視化、位置跟蹤和風險預警等技術在特定項目的研究已經成功應用，但這些方案都是零散的“點解決方案”，缺乏凝聚力強大的框架來整合各種傳感器收集的數據，以監控未來智能建造現場.

4.3 建筑能耗

建筑能耗與居住者的需求和行為密切相關，準確檢測建筑設施的占用情況可以顯著提高其運行效率.當前研究主要集中在入住率檢測的準確率上，為提高準確率，開發數據融合的方法將是未來研究的主要方向，應用這些數據融合研究來提高建筑能效也是重大挑戰.未來研究還應注意以下4點.

1） 對于樓宇控制系統來說，環境參數不僅是估算住戶的指標，也是決定設施運行的控制門檻.人員的數量或行為對室內空氣的影響包含在這些參數值的變化中，但參數值也會從它們引起的變化中恢復.因此，考慮所選參數變化的影響是未來一項啟發性的研究.

2） 現有研究的驗證實驗時間通常不夠長，不足以包含所有可能的場景來說明所提方法的性能，為了得出更可靠的結論，未來的研究中需要進行更長時間和更復雜場景布局的實驗.

3） 未來研究需要能夠實現跨學科反饋和協作的模型，人的行為受到多種因素的影響，包括生理、生物、心理和社會（人員之間的互動），但尚未出現一個考慮到上述所有因素的模型.

4） 隱私安全是所有入住率檢測方法都要考慮的重要因素，必須確保生成和收集的數據的安全性和保密性，因此，需要定期審查物聯網安全.

4.4 故障檢測

建筑物和暖通空調系統的故障檢測是十分重要的環節，現有的故障檢測方法只能發現系統中的單個主要故障，無法發現同時發生的多個故障，也不能確定這些故障之間的協同效應和故障來源.開發基于數據驅動的混合方法是可能的解決方案，此外，未來研究在開發檢測方法上還有許多工作要做.

1） 需創立可靠、快速、經濟、全面的解決方案，以實時檢測和診斷大規模暖通空調系統中發生的新故障，并以最小的誤報和漏報檢測多個故障之間的協同效應.

2） 未來可探索更為靈活的方法，如直接對暖通空調系統部件進行翻新或更換，無需重新訓練故障檢測模型，從而精簡工序以加速進程.

3） 大多數的結構健康監測研究建議的解決方案僅在特定的情況下完成，缺乏通用有效的損傷量化指標，未來需要進一步探究量化方法的可擴展性和可靠性.

5 結束語

為掌握建筑業物聯網的發展現狀和挖掘未來研究機會，以Scopus數據庫為數據來源，收集12個建筑業高影響力期刊的建筑業物聯網研究相關文獻1 128篇，基于VOSviewer軟件從出版年及發文量、學科領域、關鍵術語共現、作者合作及國家合作等方面展開分析，得到近幾年研究呈現出4個主要研究領域，即建筑環境、施工現場監控與安全、建筑能耗和故障檢測.進一步深度梳理文獻，討論建筑業物聯網的研究熱點和趨勢，提出未來的研究方向是實現智能舒適性管理、優化和加強現有的物聯網技術、開發準確率高的數據融合檢測方法和高效的故障檢測方法.文中研究對推動建筑業信息化和未來朝著智能建造發展具有一定的指導意義.

參考文獻：

［1］ Reportlinker.The global construction market was estimated to be around $17 140 billion as of 2017［EB/OL］.（2018－09－17）［2021－10－19］.https：∥www.prnewswire.com/news－releases/the－global－construction－market－was－estimated－to－be－around－17140－billion－as－of－2017－300713756.html.

［2］CRAVEIRO F，DUARTE J P，BARTOLO H，et al.Additive manufacturing as an enabling technology for digital construction： A perspective on Construction 4.0［J］.Automation in Construction，2019，103：251－267.DOI：10.1016/j.autcon.2019.03.011.

［3］劉強，崔莉，陳海明.物聯網關鍵技術與應用［J］.計算機科學，2010，37（6）：1－4，10.DOI：10.3969/j.issn.1002－137X.2010.06.001.

［4］孫其博，劉杰，黎羴，等.物聯網： 概念、架構與關鍵技術研究綜述［J］.北京郵電大學學報，2010，33（3）：1－9.DOI：10.3969/j.issn.1007－5321.2010.03.001.

［5］劉靜，劉晶晶，王希挺，等.Scopus數據庫收錄我國中文科技期刊影響力分析［J］.中國科技期刊研究，2020，31（4）：462－467.DOI：10.11946/cjstp.201912300912.

［6］MARTINEZ P，AL－HUSSEIN M，AHMAD R.A scientometric analysis and critical review of computer vision applications for construction［J］.Automation in Construction，2019，107：102947.DOI：10.1016/j.autcon.2019.102947.

［7］TANG Shu，SHELDEN D R，EASTMAN C M，et al.A review of building information modeling （BIM） and the internet of things （IoT） devices integration： Present status and future trends［J］.Automation in Construction，2019，101：127－139.DOI：10.1016/j.autcon.2019.01.020.

［8］GHOSH A，EDWARDS D J，HOSSEINI M R.Patterns and trends in internet of things （IoT） research： Future applications in the construction industry［J］.Engineering Construction and Architectural Management，2021，28：457－481.DOI：10.1108/ECAM－04－2020－0271.

［9］HOSSEINI M R，MARTEK I，ZAVADSKAS E K，et al.Critical evaluation of off－site construction research： A scientometric analysis［J］.Automation in Construction，2018，87：235－247.DOI：10.1016/j.autcon.2017.12.002.

［10］肖明，邱小花，黃界，等.知識圖譜工具比較研究［J］.圖書館雜志，2013，32（3）：61－69.

［11］DAVIES M G.Optimal designs for star circuits for radiant exchange in a room［J］.Building and Environment，1983，18（3）：135－150.DOI：10.1016/0360－1323（83）90006－9.

［12］YANG Junjing，SANTAMOURIS M，LEE S E.Review of occupancy sensing systems and occupancy modeling methodologies for the application in institutional buildings［J］.Energy and Buildings，2016，121：344－349.DOI：10.1016/j.enbuild.2015.12.019.

［13］丁學東.文獻計量學基礎［M］.北京：北京大學出版社，1992.

［14］WANG Shengwei.Dynamic simulation of a building central chilling system and evaluation of EMCS on－line control strategies［J］.Building and Environment，1998，33（1）：1－20.DOI：10.1016/S0360－1323（97）00019－X.

［15］KLEMM W，HEUSINKVELD B G，LENZHOLZER S，et al.Psychological and physical impact of urban green spaces on outdoor thermal comfort during summertime in The Netherlands［J］.Building and Environment，2015，83：120－128.DOI：10.1016/j.buildenv.2014.05.013.

［16］LI Da，MENASSA C C，KAMAT V R.Non－intrusive interpretation of human thermal comfort through analysis of facial infrared thermography［J］.Energy and Buildings，2018，176：246－261.DOI：10.1016/j.enbuild.2018.07.025.

［17］JAZIZADEH F，GHAHRAMANI A，BECERIK－GERBER B，et al.Human－building interaction framework for personalized thermal comfort－driven systems in office buildings［J］.Journal of Computing in Civil Engineering，2014，28（1）：2－16.DOI：10.1061/（ASCE）CP.1943－5487.0000300.

［18］ARYAL A，BECERIK－GERBER B.Thermal comfort modeling when personalized comfort systems are in use： Comparison of sensing and learning methods［J］.Building and Environment，2020，185：107316.DOI：10.1016/j.buildenv.2020.107316.

［19］ARYAL A，BECERIK－GERBER B.A comparative study of predicting individual thermal sensation and satisfaction using wrist－worn temperature sensor， thermal camera and ambient temperature sensor［J］.Building and Environment，2019，160：106223.DOI：10.1016/j.buildenv.2019.106223.

［20］JAZIZADEH F，AHMADI－KARVIGH S，BECERIK－GERBER B，et al.Spatiotemporal lighting load disaggregation using light intensity signal［J］.Energy and Buildings，2014，69：572－583.DOI：10.1016/j.enbuild.2013.11.040.

［21］ROISIN B，BODART M，DENEYER A，et al.Lighting energy savings in offices using different control systems and their real consumption［J］.Energy and Buildings，2008，40：514－523.DOI：10.1016/j.enbuild.2007.04.006.

［22］SUN Zhongwei，WANG Shengwei，MA Zhenjun.In－situ implementation and validation of a CO2－based adaptive demand－controlled ventilation strategy in a multi－zone office building［J］.Building and Environment，2011，46：124－133.DOI：10.1016/j.buildenv.2010.07.008.

［23］XIA Tongling，CHEN Chun.Differentiating between indoor exposure to PM2.5 of indoor and outdoor origin using time－resolved monitoring data［J］.Building and Environment，2019，147：528－539.DOI：10.1016/j.buildenv.2018.10.046.

［24］WANG Chenli，PATTAWI K，LEE H.Energy saving impact of occupancy－driven thermostat for residential buildings［J］.Energy and Buildings，2020，211：109791.DOI：10.1016/j.enbuild.2020.109791.

［25］AHELEROFF S，XU Xun，LU Yuqian，et al.IoT－enabled smart appliances under industry 4.0： A case study［J］.Advanced Engineering Informatics，2020，43：101043.DOI：10.1016/j.aei.2020.101043.

［26］TORRENT D G，CALDAS C H.Methodology for automating the identification and localization of construction components on industrial projects［J］.Journal of Computing in Civil Engineering，2009，23（1）：3－13.DOI：10.1061/（ASCE）0887－3801（2009）23：1（3）.

［27］SHIN D H，JANG W S.Utilization of ubiquitous computing for construction AR technology［J］.Automation in Construction，2009，18：1063－1069.DOI：10.1016/j.autcon，2009.06.001.

［28］JANG W S，SKIBNIEWSKI M J.Embedded system for construction asset tracking combining radio and ultrasound signals［J］.Journal of Computing in Civil Engineering，2009，23（4）：221－229.DOI：10.1061/（ASCE）0887－3801（2009）23：4（221）.

［29］JANG W S，SKIBNIEWSKI M J.A wireless network system for automated tracking of construction materials on project sites［J］.Journal of Civil Engineering and Management，2008，14（1）：11－19.DOI：10.3846/1392－3730.2008.14.11－19.

［30］JANG W S，SKIBNIEWSKI M J.Cost－benefit analysis of embedded sensor system for construction materials tracking［J］.Journal of Construction Engineering and Management，2009，135（5）：378－386.DOI：10.1061/（ASCE）0733－9364（2009）135：5（378）.

［31］JIANG Shaohua，JANG W S，SKIBNIEWSKI M J.Selection of wireless technology for tracking construction materials using a fuzzy decision model［J］.Journal of Civil Engineering and Management，2012，18（1）：43－59.DOI：10.3846/13923730.2011.652157.

［32］BAE S C，JANG W S，SKIBNIEWSKI M J.Reliability performance of wireless sensor networks for civil infrastructure－Part Ⅱ： Prediction and verification［J］.Journal of Civil Engineering and Management，2016，22（2）：243－253.DOI：10.3846/13923730.2014.948909.

［33］JANG W S，HEALY W M.Wireless sensor network performance metrics for building applications［J］.Energy and Buildings，2010，42：862－868.DOI：10.1016/j.enbuild.2009.12.008.

［34］LI C Z，XUE Fan，LI Xiao，et al.An internet of things－enabled BIM platform for on－site assembly services in prefabricated construction［J］.Automation in Construction，2018，89：146－161.DOI：10.1016/j.autcon.2018.01.001.

［35］ZHONG R Y，PENG Yi，XUE Fan，et al.Prefabricated construction enabled by the internet－of－yhings［J］.Automation in Construction，2017，76：59－70.DOI：10.1016/j.autcon.2017.01.006.

［36］VH P，HEIKKIL T，KILPELINEN P，et al.Extending automation of building construction： Survey on potential sensor technologies and robotic applications［J］.Automation in Construction，2013，36：168－178.DOI：10.1016/j.autcon.2013.08.002.

［37］YAN Xuzhong，LI Heng，WANG Chen，et al.Development of ergonomic posture recognition technique based on 2D ordinary camera for construction hazard prevention through view－invariant features in 2D skeleton motion［J］.Advanced Engineering Informatics，2017，34：152－163.DOI：10.1016/j.aei.2017.11.001.

［38］ANTWI－AFARI M F，LI Heng，SEO J，et al.Automated detection and classification of construction workers′ loss of balance events using wearable insole pressure sensors［J］.Automation in Construction，2018，96：189－199.DOI：10.1016/j.autcon.2018.09.010.

［39］UMER W，LI Heng，YU Yantao，et al.Physical exertion modeling for construction tasks using combined cardiorespiratory and thermoregulatory measures［J］.Automation in Construction，2020，112：103079.DOI：10.1016/j.autcon.2020.103079.

［40］YU Yantao，LI Heng，YANG Xincong，et al.An automatic and non－invasive physical fatigue assessment method for construction workers［J］.Automation in Construction，2019，103：1－12.DOI：10.1016/j.autcon.2019.02.020.

［41］YANG K，AHN C R，VURAN M C，et al.Semi－supervised near－miss fall detection for ironworkers with a wearable inertial measurement unit［J］.Automation in Construction，2016，68：194－202.DOI：10.1016/j.autcon.2016.04.007.

［42］KIM H，AHN C R，YANG K.A people－centric sensing approach to detecting sidewalk defects［J］.Advanced Engineering Informatics，2016，30（4）：660－671.DOI：10.1016/j.aei.2016.09.001.

［43］LEE H，YANG K，KIM N，et al.Detecting excessive load－carrying tasks using a deep learning network with a Gramian Angular Field［J］.Automation in Construction，2020，120：103390.DOI：10.1016/j.autcon.2020.103390.

［44］YANG K，AHN C R，KIM H.Deep learning－based classification of work－related physical load levels in construction［J］.Advanced Engineering Informatics，2020，45：101104.DOI：10.1016/j.aei.2020.101104.

［45］WU Weiwei，YANG Huanjia，CHEW D A S，et al.Towards an autonomous real－time tracking system of near－miss accidents on construction sites［J］.Automation in Construction，2010，19：134－141.DOI：10.1016/j.autcon.2009.11.017.

［46］ZHANG Hong，YAN Xuzhong，LI Heng，et al.Real－time alarming， monitoring， and locating for non－hard－hat use in construction［J］.Journal of Construction Engineering and Management，2019，145（3）：04019006.DOI：10.1061/（ASCE）CO.1943－7862.0001629.

［47］ZHOU Cheng，LUO Hanbin，FANG Weili，et al.Cyber－physical－system－based safety monitoring for blind hoisting with the internet of things： A case study［J］.Automation in Construction，2019，97：138－150.DOI：10.1016/j.autcon.2018.10.017.

［48］CHEN X S，LIU C C，WU I C.A BIM－based visualization and warning system for fire rescue［J］.Advanced Engineering Informatics，2018，37：42－53.DOI：10.1016/j.aei.2018.04.015.

［49］LI Nan，BECERIK－GERBER B，KRISHNAMACHARI B，et al.A BIM centered indoor localization algorithm to support building fire emergency response operations［J］.Automation in Construction，2014，42：78－89.DOI：10.1016/j.autcon.2014.02.019.

［50］DODIER R H，HENZE G P，TILLER D K，et al.Building occupancy detection through sensor belief networks［J］.Energy and Buildings，2006，38：1033－1043.DOI：10.1016/j.enbuild.2005.12.001.

［51］WANG Zhe，HONG Tianzhen，PIETTE M A，et al.Inferring occupant counts from Wi－Fi data in buildings through machine learning［J］.Building and Environment，2019，158：281－294.DOI：10.1016/j.buildenv.2019.05.015.

［52］WANG Wei，HONG Tianzhen，XU Ning，et al.Cross－source sensing data fusion for building occupancy prediction with adaptive lasso feature filtering［J］.Building and Environment，2019，162：106280.DOI：10.1016/j.buildenv.2019.106280.

［53］WANG Wei，CHEN Jiayu，HONG Tianzhe.Occupancy prediction through machine learning and data fusion of environmental sensing and Wi－Fi sensing in buildings［J］.Automation in Construction，2018，94：233－243.DOI：10.1016/j.autcon.2018.07.007.

［54］ZOU Han，ZHOU Yuxun，YANG Jianfei，et al.Towards occupant activity driven smart buildings via WiFi－enabled IoT devices and deep learning［J］.Energy and Buildings，2018，177：12－22.DOI：10.1016/j.enbuild.2018.08.010.

［55］LEE H Y，AHN C R，CHOI N.Fine－grained occupant activity monitoring with Wi－Fi channel state information： Practical implementation of multiple receiver settings［J］.Advanced Engineering Informatics，2020，46：101147.DOI：10.1016/j.aei.2020.101147.

［56］YU Daihong，LI Haorong，YANG Mo.A virtual supply airflow rate meter for rooftop air－conditioning units［J］.Building and Environment，2011，46：1292－1302.DOI：10.1016/j.buildenv.2010.12.017.

［57］SCHEIN J，BUSHBY S T，CASTRO N S，et al.A rule－based fault detection method for air handling units［J］.Energy and Buildings，2006，38：1485－1492.DOI：10.1016/j.enbuild.2006.04.014.

［58］DU Zhimin，FAN Bo，JIN Xinqiao，et al.Fault detection and diagnosis for buildings and HVAC systems using combined neural networks and subtractive clustering analysis［J］.Building and Environment，2014，73：1－11.DOI：10.1016/j.buildenv.2013.11.021.

［59］LAORY I，TRINH T N，SMITH I F C.Evaluating two model－free data interpretation methods for measurements that are influenced by temperature［J］.Advanced Engineering Informatics，2011，25（3）：495－506.DOI：10.1016/j.aei.2011.01.001.

［60］SAITTA S，KRIPAKARAN P，RAPHAEL B，et al.Improving system identification using clustering［J］.Journal of Computing in Civil Engineering，2008，22（5）：292－302.DOI：10.1061/（ASCE）0887－3801（2008）22：5（292）.

［61］ROBERT－NICOUD Y，RAPHAEL B，SMITH I F C.System identification through model composition and stochastic search［J］.Journal of Computing in Civil Engineering，2005，19（3）：239－247.DOI：10.1061/（ASCE）0887－3801（2005）19：3（239）.

［62］BERTOLA N J，CINELLI M，CASSET S，et al.A multi－criteria decision framework to support measurement－system design for bridge load testing［J］.Advanced Engineering Informatics，2019，39：186－202.DOI：10.1016/j.aei.2019.01.004.

［63］GOULET J A，SMITH I F C.Performance－driven measurement system design for structural identification［J］.Journal of Computing in Civil Engineering，2013，27（4）：427－436.DOI：10.1061/（ASCE）CP.1943－5487.0000250.

［64］AHN C R，LEE S，SUN Cenfei，et al.Wearable sensing technology applications in construction safety and health［J］.Journal of Construction Engineering and Management，2019，145（11）：03119007.DOI：10.1061/（ASCE）CO.1943－7862.0001708.

［65］ZHAI Yue，CHEN Ke，ZHOU J X，et al.An internet of things－enabled BIM platform for modular integrated construction： A case study in Hong Kong［J］.Advanced Engineering Informatics，2019，42：100997.DOI：10.1016/j.aei.2019.100997.

（責任編輯： 黃曉楠 英文審校： 方德平）

收稿日期： 2021－09－23

通信作者： 秦旋（1969－），女，教授，博士，博士生導師，主要從事智能建造及建筑業物聯網的研究.E－mail：hdwq@hqu.edu.cn.

基金項目： 福建省自然科學基金資助項目（2019J01050）http：∥www.hdxb.hqu.edu.cn