Towards Smart Building Maintenance: Leveraging Multi-Source Data and Digital Twins with Ecological Momentary Assessment
Notice bibliographique
Résumé
Complaint management, fault detection and diagnosis (FDD) are critical for building performance and occupants' well-being.Facility management addresses these services with work order logs containing occupant complaints and FDD identifying system faults.This thesis enhances these aspects using existing and new data sources.The first section maximizes existing data (Chapters 2 and 3).Text analytics (Chapter 2) is used to create benchmarks for maintenance performance evaluation and transforms data into visual insights.Additionally, facility management-enabled building information models (FM-BIMs) (Chapter 3) integrate maintenance logs with BIM, enhancing decisionmaking through contextual data exchange.A case study is presented to demonstrate the effectiveness of this methodology.The second section employs novel data collection methods and their application in digital twins (Chapters 4 and 5).Cozie smartwatch app representing micro-ecological assessment gathers occupants' thermal comfort and air quality feedback.This data source is integrated with building system sensor data.FDD rulesets utilize this data for fault detection, validated by occupants' accurate feedback.Surveys revealed that occupants seldom report discomfort unless the temperature deviates by 3°C.This approach reduces reporting thresholds, enhancing issue reporting by 29%.Chapter 5 introduces a digital twin framework for maintenance, integrating diverse building system data and real-time insights.Occupant feedback collection methods are diversified through online surveys and a smartwatch app, enhancing indoor quality assessment.The framework supports two tiers of analysis and user interfaces for facility management, demonstrated via a prototype that leverages existing infrastructure.This iii methodology allows facility management agents to develop digital-twin-enabled workflows bringing multiple real-time data streams together to make more informed decisions.In conclusion, this thesis advances complaint management, FDD, and other maintenance practices by innovating existing and new data sources.The proposed methodologies, from text analytics to digital twin frameworks, empower facility management to enhance building performance and occupant satisfaction proactively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,009 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».