IoT、BIM-Viewer 與生成式 AI 整合應用架構設計

核心洞察 🎯

整合 IoT、BIM-Viewer 和生成式 AI 的關鍵在於 建立即時數據流通的智慧決策生態系統 ，透過感測器收集的現場數據結合 BIM 模型的空間資訊，再透過 AI 進行智慧分析，實現從「被動監控」到「主動預測」的數位轉型。

架構概覽

系統分層架構

本架構採用五層式設計，確保系統的可擴展性、可維護性和高效能：

技術棧配置

前端技術（展示層）

核心框架 ：

• SvelteKit 🎯：主要 Web 應用框架
• TypeScript 🎯：型別安全開發
• Bun 🎯：執行環境與打包工具

3D 渲染與 BIM ：

• Three.js 🎯：3D 渲染引擎
• @thatopen/components 🎯：BIM 組件庫
• @thatopen/components-front 🎯：前端 BIM 工具
• web-ifc 🎯：IFC 模型解析

UI 框架 ：

• Tailwind CSS 🎯：樣式框架
• Flowbite-Svelte 🎯：UI 組件庫
• Apache ECharts 🎯：圖表視覺化

狀態管理 ：

• XState 🎯：狀態機管理
• SvelteKit Stores ：響應式狀態

後端技術（應用層 & 整合層）

執行環境 ：

• Bun 🎯：高效能 JavaScript 運行時

資料庫與儲存 ：

• Supabase 🎯：主資料庫（PostgreSQL）+ 即時訂閱
• Supabase Vector 🎯：向量資料庫（RAG 應用）
• Valkey 🎯：快取系統（Redis 替代方案）
• MinIO 🎯：物件儲存（IFC 模型檔案）

即時通訊 ：

• SvelteKit SSE 🎯：Server-Sent Events（單向推播）
• Socket.IO ✅：雙向即時通訊（備選）

AI 與機器學習 ：

• LM Studio 🎯：本地 LLM 服務
• Dify 🎯：RAG 應用平台
• LangChain 🎯：LLM 應用框架
• Transformers.js 🎯：瀏覽器端 AI 推理

工作流程自動化 ：

• n8n 🎯：視覺化工作流程編排

IoT 感知層

通訊協定 ：

• MQTT ：輕量級 IoT 訊息協定
• WebSocket ：即時雙向通訊
• HTTP/REST ：標準 API 介面

數據處理 ：

• Apache Kafka 🎯：分散式事件串流（選用）
• RxJS 🎯：響應式數據流處理

系統架構詳細設計

1. 感知層：IoT 數據收集

關鍵功能 ：

1. 多協定支援 ：MQTT、WebSocket、HTTP
2. 邊緣運算 ：在 Gateway 進行初步數據過濾與聚合
3. 數據品質保證 ：驗證、清洗、異常值檢測
4. 緩衝機制 ：離線時暫存數據，恢復後補傳

2. 整合層：數據流通與快取

快取策略 ：

3. 應用層：BIM + IoT + AI 融合

AI 應用場景詳解

1. 預測性維護

• 輸入 ：設備運行數據 + 歷史故障記錄
• 模型 ：時序預測模型（LSTM/Transformer）
• 輸出 ：設備健康度評分、預估故障時間、維護建議

2. 空間風險評估

• 輸入 ：BIM 空間數據 + 即時環境數據 + 人員位置
• 分析 ：高風險區域識別、碰撞風險預測、逃生路線規劃
• 輸出 ：風險熱力圖、即時警報、安全建議

3. RAG 智慧問答系統

• 知識庫 ：BIM 模型資訊、施工規範、歷史數據、IoT 數據
• 功能 ：
  • "設備 A 在哪個位置？運行狀態如何？"
  • "過去一週有哪些異常事件？"
  • "如何處理 XX 設備的高溫警報？"

4. 自動報告生成

• 輸入 ：IoT 數據統計 + BIM 模型資訊 + AI 分析結果
• 輸出 ：每日/每週工地狀況報告（自然語言 + 圖表）

4. 展示層：Web 介面設計

5. 數據流轉完整流程

核心功能模組

Module 1: IoT 數據收集與處理

功能清單 ：

1. 多協定 IoT Gateway

   • MQTT Broker 整合
   • WebSocket 即時連線
   • HTTP REST API
   • 數據緩衝與補傳機制

2. 數據預處理管道

   • 數據驗證（格式、範圍、完整性）
   • 數據清洗（去噪、去重、插值）
   • 數據轉換（單位轉換、格式標準化）
   • 異常值檢測（統計方法 + AI 模型）

3. 時序數據儲存

   • Supabase TimescaleDB 擴展（時序資料庫）
   • 數據分區策略（按日期/設備類型）
   • 數據保留策略（熱數據 7 天、溫數據 30 天、冷數據歸檔）

Module 2: BIM 模型管理與空間查詢

功能清單 ：

1. IFC 模型解析與渲染

   • 使用 web-ifc 解析 IFC 檔案
   • 使用 @thatopen/components 載入 BIM 組件
   • Three.js 渲染最佳化（LOD、Instancing、Frustum Culling）

2. 空間查詢引擎

   • 建立空間索引（R-Tree / Octree）
   • 空間關聯查詢（"找出房間內所有設備"）
   • 最短路徑計算（逃生路線規劃）

3. IoT 數據點與 BIM 關聯

   • 感測器位置映射到 BIM 模型
   • 空間資料結構（ { sensor_id, ifc_element_id, position, floor_level } ）
   • 即時數據疊加顯示（顏色編碼、數值標籤）

Module 3: AI 驅動的智慧分析

功能清單 ：

3.1 預測性維護系統

// 預測模型架構
interface PredictiveMaintenanceModel {
  inputs: {
    equipment_id: string;
    runtime_hours: number;
    temperature: number[];
    vibration: number[];
    power_consumption: number[];
    historical_failures: FailureRecord[];
  };
  outputs: {
    health_score: number; // 0-100
    failure_probability: number; // 0-1
    estimated_failure_date: Date;
    recommended_actions: string[];
  };
}

技術方案 ：

• 時序預測 ：LSTM/Transformer 模型（使用 Transformers.js 在瀏覽器端推理）
• 異常檢測 ：Autoencoder 或 Isolation Forest
• 特徵工程 ：滑動窗口統計特徵、頻域特徵（FFT）

3.2 RAG 智慧問答系統

// RAG 系統架構
interface RAGSystem {
  knowledgeBase: {
    bim_metadata: IFCElement[];
    iot_data: SensorReading[];
    maintenance_logs: MaintenanceRecord[];
    safety_regulations: Document[];
  };
  embedding: {
    model: "Transformers.js Embeddings";
    vectorDB: "Supabase Vector";
  };
  llm: {
    provider: "LM Studio";
    model: "local-llm";
    maxTokens: 2048;
  };
}

問答範例 ：

• Q: "B1 樓層有哪些溫度異常的設備？"
  • 步驟 1: 向量搜尋相關 BIM 元素（B1 樓層）
  • 步驟 2: 查詢該區域的 IoT 溫度數據
  • 步驟 3: 篩選異常值（閾值規則）
  • 步驟 4: 使用 LLM 生成自然語言回答

3.3 空間風險評估

Module 4: 工作流程自動化（n8n）

自動化工作流程範例 ：

流程 1: 異常事件處理流程

流程 2: 每日自動報告生成

# n8n Workflow 配置範例
name: "Daily Site Monitoring Report"
trigger: 
  type: "schedule"
  cron: "0 18 * * *" # 每天下午 6 點
steps:
  - name: "查詢當日 IoT 數據統計"
    node: "Supabase Query"
    query: |
      SELECT 
        sensor_type,
        AVG(value) as avg_value,
        MAX(value) as max_value,
        MIN(value) as min_value
      FROM sensor_readings
      WHERE date = CURRENT_DATE
      GROUP BY sensor_type
  - name: "查詢異常事件"
    node: "Supabase Query"
    query: |
      SELECT * FROM anomaly_events
      WHERE date = CURRENT_DATE
  - name: "調用 AI 生成報告摘要"
    node: "LM Studio LLM"
    prompt: |
      根據以下數據生成工地狀況日報：
      - IoT 數據統計: {{step1.data}}
      - 異常事件: {{step2.data}}
      
      請生成包含以下內容的報告：
      1. 整體狀況總結
      2. 重要事件摘要
      3. 風險提示
      4. 明日建議
  - name: "生成圖表"
    node: "Code (ECharts)"
    code: "generateCharts({{step1.data}})"
  - name: "發送報告"
    node: "Email"
    to: "project_manager@example.com"
    subject: "工地監控日報 - {{DATE}}"
    body: "{{step3.result}}"
    attachments: ["{{step4.charts}}"]

部署架構

雲端 / 混合雲部署方案

部署建議 ：

邊界條件與限制

適用情境 ✅

• 中大型工地 （面積 > 5000 平方米）
• BIM 模型完整度 > 60%
• 網路環境穩定 （至少 4G 或區域 Wi-Fi）
• IoT 設備數量 > 20 個

不適用情境 ❌

• 小型工地 （過於複雜，成本效益低）
• 無 BIM 模型 （空間關聯功能失效）
• 網路環境極差 （需要完全離線方案）
• 短期臨時專案 （部署成本不划算）

效能限制

技術風險

1. IoT 設備穩定性

   • 風險：感測器故障、電池耗盡、網路斷線
   • 緩解：冗餘設計、邊緣快取、離線緩衝

2. BIM 模型品質

   • 風險：模型不完整、座標系統錯誤、元素命名不規範
   • 緩解：模型驗證工具、座標轉換、元素 ID 映射表

3. AI 模型準確度

   • 風險：預測失準、異常檢測誤報
   • 緩解：持續訓練、人工審核機制、信心區間標註

4. 數據隱私與安全

   • 風險：敏感數據外洩、未授權存取
   • 緩解：本地 LLM、資料加密、RBAC 權限控制

實施路徑

階段 1：基礎建設（1-2 個月）

目標 ：建立核心數據流通管道

交付成果 ：

• ✅ IoT 數據可收集並即時顯示
• ✅ BIM 模型可載入並渲染
• ✅ 基礎監控儀表板運作

階段 2：AI 功能整合（2-3 個月）

目標 ：導入 AI 分析與智慧決策

優先級 ：

1. P0（必須） ：異常檢測、基礎 RAG 問答
2. P1（重要） ：預測性維護、風險評估
3. P2（加分） ：自動報告生成、知識圖譜

技術選擇 ：

• 異常檢測 ：統計方法（Z-score, IQR）+ Isolation Forest
• RAG 系統 ：Dify 快速搭建 + Supabase Vector
• 預測模型 ：Transformers.js（輕量級）或 Python 後端（TensorFlow Lite）

階段 3：工作流程自動化（1-2 個月）

目標 ：減少人工介入，提升效率

n8n 工作流程清單 ：

• ⭐ 異常事件自動通知
• ⭐ 每日自動報告生成
• ✅ 預測性維護提醒
• ✅ 數據備份與歸檔
• ✅ BIM 模型版本同步

階段 4：優化與擴展（持續）

優化方向 ：

1. 效能優化

   • BIM Viewer 渲染效能（LOD、Web Worker）
   • 快取策略調整（根據實際使用模式）
   • 數據查詢優化（索引、分區）

2. 功能擴展

   • 多工地支援
   • 行動端 App（Capacitor）
   • 離線模式增強

3. AI 模型迭代

   • 持續訓練與調優
   • A/B 測試不同模型
   • 使用者回饋循環

成本評估

初期投資（一次性）

經常性費用（每月）

ROI 評估

效益預估 ：

• ✅ 減少設備故障停機時間 ：30% ↓（預測性維護）
• ✅ 降低安全事故風險 ：40% ↓（即時監控與警報）
• ✅ 提升管理效率 ：50% ↑（自動化報告與工作流程）
• ✅ 數據驅動決策 ：提升專案管理品質

投資回收期 ：預估 12-18 個月（視專案規模）

延伸思考

未來技術演進方向

1. 數位孿生（Digital Twin）

   • BIM 模型 + IoT 實時數據 = 動態數位孿生
   • 模擬與預測（"如果溫度持續上升會發生什麼？"）

2. 聯邦學習（Federated Learning）

   • 多工地協同訓練 AI 模型
   • 數據不離開現場，僅共享模型參數

3. 邊緣 AI 增強

   • 更多推理下沉到邊緣設備
   • WebGPU 加速瀏覽器端 AI 運算

4. AR/VR 整合

   • 使用 AR 眼鏡查看即時 IoT 數據疊加
   • VR 遠端巡檢與協作

跨領域應用可能性

• 智慧城市 ：擴展到城市基礎設施監控
• 智慧建築 ：建築交付後的運維管理（FM）
• 工業 4.0 ：製造業設備監控與預測性維護
• 能源管理 ：碳排放監測與優化

資料來源

本地知識庫

• [[Internet of Things (IoT) in Construction Strategic Business Report 2025-2030 Expansion of Smart Cities and Infrastructure Projects Propels Market Opportunities]]
• [[Construction Project Management Software Market Analysis Report 2025 BIM, IoT, and Drone Integration Accelerate Adoption as Industrial Projects Demand Smarter, Centralized Digital Ecosystems]]
• [[Javan's Technology Stack(Javan的技術棧)]]

技術參考

1. Supabase Documentation

   • Supabase 官方文件，涵蓋 PostgreSQL、Realtime、Vector 功能

2. That Open Documentation

   • BIM 組件庫與 IFC 處理指南

3. Three.js Documentation

   • 3D 渲染引擎官方文件

4. n8n Documentation

   • 工作流程自動化平台文件

5. Dify Documentation

   • RAG 應用平台使用指南