Data-driven and knowledge-assisted model-based frameworks for supporting facility maintenance

Efficient facility maintenance management enhances operational functionality while reducing costs. In practice, however, the lack of (i) historical work order records or their completeness, (ii) updates or complete documentation of facility tasks, and (iii) a sustainable infrastructure makes it difficult to systematically access maintenance information when needed. Moreover, the absence of an intelligent reasoning mechanism extends problem identification and reasoning time. Therefore, this study aims to develop data-driven and knowledge-supported model-based solutions for root-cause reasoning to enhance efficiency in facility maintenance management. In this study, first, an intelligent reasoning approach is proposed for data-driven monitoring to streamline fault reasoning, which combines the maintenance team’s expertise with machine learning algorithms in a hybrid intelligence approach to improve the fault reasoning predictions continuously. Hierarchical Neural Networks are developed to group numerous system faults into manageable classification problems, and their prediction capabilities are enhanced through a feedback mechanism developed. Secondly, a BIM-based work order management framework is introduced through visual programming. It links the assets and space to the counterparts in the model and tags observable symptoms, the fault source asset, spatial information, and the impacted assets using symbols and color coding. Using these links in the work order records and standardizing their descriptions, a fault network is created to construct relations between symptoms, fault types, and their assets. When a new work is requested, an analysis approach is proposed to isolate and reason the fault by filtering the network connections utilizing the similarities based on model-derived spatial, systemic, and feature-based relations. The proposed solutions are examined through test cases, and their effectiveness is verified to present the potential of the proposed methods.Alternate abstract:Etkin tesis bakım yönetimi, çalışma işlevselliğini arttırırken maliyeti azaltmaktadır. Ancak, uygulamada, (i) geçmiş iş emri kayıtlarının tutulmaması yada eksik tutulması, (ii) tesis yineleme bilgilerinin güncel olmaması yada eksik olarak kayıt altına alınması, ve (iii) sürdürülebilir bir altyapının olmaması, bakım bilgilerine ihtiyaç duyulduğunda sistemli erişimi zorlaştırmaktadır. Ayrıca, akıllı bir sebeplendirme mekanizmasının eksikliği, sorunun tespit ve sebeplendirme süresini uzatmaktadır. Bu nedenle, bu çalışma tesis bakım yönetiminin etkinliğini arttırmak için, kök nedenli sebeplendirme için veri odaklı ve bilgi destekli model tabanlı çözümler geliştirmeyi amaçlamaktadır. Çalışmada, ilk olarak, bakım ekibinin uzmanlığını makine öğrenme algoritmalarıyla birleştiren hibrit zeka yaklaşımı ile sorun sebeplendirme tahminlerini sürekli iyileştirmeyi amaçlayan, veri odaklı izleme için akıllı bir sebeplendirme yaklaşımı önerilmektedir. Hiyerarşik Sinir Ağları, birçok sistem hatasını yönetilebilir sınıflandırma problemlerine gruplamak için geliştirilmiştir ve bunların tahmin yetenekleri, geliştirilmiş bir geri bildirim mekanizmasıyla iyileştirilmiştir. İkinci olarak, varlıkları ve mekanları modele bağlayan ve gözlemlenebilir semptomları, sorun kaynağı varlığı, mekansal bilgileri ve etkilenen varlıkları semboller ve renk kodlama kullanarak etiketleyen, YBM ortamında görsel programlama ile iş emri yönetim çerçevesi sunulmuştur. İş emri kayıtlarındaki bu bağlantıları kullanarak ve tanımlamalarını standartlaştırarak, semptomlar, sorun tipleri ve ilgili varlıklar arasındaki ilişkiyi kurmak için bir sorun ağı oluşturulmuştur. Yeni bir onarım işi istendiğinde, model tabanlı mekansal, sistemik ve özellik temelli ilişkileri kullanarak, benzerliklerden ağ bağlantılarını filtreleyen, böylece sorunu izole eden ve sebebini anlayan bir analiz yaklaşımı önerilmiştir. Önerilen çözüml r test vakaları ile incelenmiş ve bunların etkinlikleri doğrulanarak potansiyelleri sunulmuştur.