Ticari Binalardaki HVAC Sistemlerinin BIM Tabanlı Otomatik Arıza Tespiti ve Teşhisi

Araş Hosseini Gourabpasi, Mazdak Nik-Bakht

Compleccity Laboratuvarı, İnşaat Bölümü, İnşaat ve Çevre Mühendisliği, Concordia Üniversitesi, Montreal, QC, Kanada

Bu makale https://www.sciencedirect.com/science/article/pii/S2352710224005904 adresinden alınıp çevrilmiştir.

HVAC sistemlerine yönelik etkili Otomatik Arıza Tespiti ve Tanılamasına (AFDD) yönelik artan talebi karşılamak amacıyla, veri çeşitliliği ve bağlamsal bilgilere erişimdeki sınırlamaları ele alacak yenilikçi yaklaşımlara ihtiyaç vardır. Bu çalışma, AFDD modelinin gelişimini geliştirmek için Yapı Bilgi Modellemesinden (BIM) yararlanan bir metodoloji sunmaktadır. Bina Yönetim Sistemlerinde (BMS) duyusal ve bağlamsal veri eksikliğini telafi ederek dinamik BIM özellikleri oluşturmak için özellik mühendisliği teknikleri kullanılır. AFDD analitiğini BIM ile entegre ederek tesisin kapsamlı bir dijital ikizi oluşturulur; bu, tesis yöneticilerinin HVAC sistemleri için AFDD modellerini karşılaştırmasına, yeniden kullanmasına ve geliştirmesine olanak tanır. Önerilen metodoloji, sınırlı sensör ve bağlamsal bilgi kullanılabilirliği ile ilgili zorlukların üstesinden gelmek için BIM’i özellik oluşturmak için kullanarak ve bunun tersine BIM modelini AFDD analitiği ile güncelleyerek BIM tabanlı bilgi modellerinden yararlanma potansiyelini göstermektedir.

İsimlendirme :
AFDD: Otomatik Arıza Tespiti ve Teşhis
YSA: Yapay Sinir Ağı
BAS: Bina Otomasyon Sistemi
BIM: Yapı Bilgi Modeli/Bina Bilgi Modellemesi
BMS: Bina Yönetim Sistemleri
YİD: Bina Topolojisi Ontolojisi
COBie: İnşaat Operasyonları Bina bilgi alışverişi
CE: Dijital İkiz
GUID: Genel Olarak Benzersiz Tanımlayıcı
HVAC: Isıtma, havalandırma, ve klima
IFC: Endüstri Temel Sınıfları
MVD: Model Görünümü Tanımı
BAYKUŞ: Ontoloji Web Dili
RTU: Çatı Üstü Ünite
SAREF: Akıllı Cihazlar Referansı
Sparql: SPARQL Protokolü ve RDF Sorgu Dili
DVM: Destek Vektör Makinesi
URI: Tekdüzen Kaynak Tanımlayıcıları
VAV: Değişken Hava Hacmi

1 . Giriş
Binalar dünya çapındaki enerji tüketiminin üçte birini oluştururken, HVAC (Isıtma, Havalandırma ve İklimlendirme) sistemleri tüm bina enerjisinin yarısını tüketmektedir. HVAC ile ilgili sorunlar enerji verimliliğini %15’e kadar azaltabilir [ 1 ]. Enerji verimliliğini düşürmenin yanı sıra, HVAC sorunları bina sakinlerinin rahatsız olmasına neden olabilir ve işletme giderlerini artırabilir. İşlevselliği orijinal durumuna geri döndürmek için AFDD (Otomatik Arıza Tespiti ve Teşhis) modelleri kullanıldığında, bir binanın yıllık enerji maliyetleri %10’a kadar azaltılabilir [ 2 , 3 ]. Bu nedenle, hataların doğru bir şekilde tespit edilmesi önemlidir; çünkü bu, kontrol edilmesine, hafifletilmesine ve ayrıca kullanıcıların enerji tüketim modellerini anlamalarına olanak tanır.

AFDD modelleri, anormallikleri tespit ederek otomatik arıza tespiti olanağı sağlar. HVAC performansı, zamanla sistem bozulmasından, bakımın azalmasından ve kullanılabilirlik ve durum gibi sensörle ilgili sorunlardan olumsuz etkilenebilir [ 4 ]. HVAC’de uygun bir AFDD yönteminin bulunmaması, yanlış negatiflere ve yanlış pozitif alarmlara neden olabilir veya hataların fark edilmemesine izin verebilir; bu da binanın enerji tüketiminin artmasına katkıda bulunabilir ve HVAC sisteminin güvenilirliğini etkileyerek kullanıcının rahatsızlığına ve HVAC ekipmanının kısalmasına neden olabilir. yaşam beklentisi [ 5 ] .

FDD için veriye dayalı tekniklerin kullanımında önemli bir artış olmuştur [ 6 , 7 ]. Bu yöntemlerin tercih edilmesinin ardındaki temel motivasyon, AFDD modellerinin esas olarak BAS/BMS (Bina Otomasyon Sistemi/Bina Yönetim Sistemi) sistemlerinde depolanan duyusal verilere dayanarak oluşturulabilmesidir. Tipik olarak bu tür sistemler, bir bina ortamında veya sistemde mevcut olan sensörlerden önceden tanımlanmış ve periyodik bir zaman aralığında gerçek zamanlıya yakın veriler toplar. Veri tipleri HVAC sisteminde kullanılan sensör tipine ve bina tipine göre değişiklik gösterebilmektedir. Örneğin, sıcaklık, nem ve basınç verilerini toplamak için bir bina tesisine birden fazla sensör kurulabilir. Veri toplama süreci, sistemin sürekli izlenmesini ve bina sistemlerinin davranışını yakalamak için duyusal verilerin kaydedilmesini içerir.

Ancak mevcut AFDD modelleri, varlık yöneticilerinin bilinçli teşhis için farklı hatalar ve belirsizlikler açısından dikkate alması gereken her türlü sensöre, bağlamsal bilgiye, HVAC sistemlerine ve çevredeki ortama erişime sahip değildir. Ayrıca tüm binalarda, mekanların tamamını kapsamak ve farklı parametreleri kapsamak için birden fazla sensör bulunmaz. Sensör kullanılabilirliği ve bağlam eksikliği nedeniyle tesis yöneticileri modelleri etkili bir şekilde geliştirememekte ve bilinçli teşhisler yapamamaktadır.

Bağlamsal bilgilerin değerli bir kaynağı Bina Bilgi Modelidir (BIM). BIM, İşletme ve Bakım (O&M) aşaması da dahil olmak üzere bir binanın tüm yaşam döngüsüne uygulanır. BIM geleneksel olarak en çok bina tasarımı ve inşaat aşamasında kullanılsa da potansiyeli bunun ötesine uzanır. BIM, 3D modelleri bina ve fiziksel varlık verileriyle ve HVAC ve sensörler gibi çevre birimleri gibi meta verilerle entegre eder. Ek olarak BIM, binanın tüm yaşam döngüsü boyunca işbirliğini teşvik eder ve işletme aşaması aşamasında HVAC varlık yönetimi için kullanılabilir. BIM’i BMS ile entegre ederek, AFDD model geliştirme için kullanılabilecek temel bilgileri yakalayan tesisin dijital ikizi oluşturmak mümkün hale gelir [ [8] , [9] , [10] ]. AFDD modeli, bağlamsal verilere erişimden ve AFDD modelinin geliştirilmesine yönelik ek özellikler oluşturmak için BIM verilerinin kullanılmasından yararlanabilir.

Ancak BIM’in HVAC AFDD gibi kullanım durumlarına yönelik potansiyelini tam olarak açığa çıkarmak için BIM’in mevcut durumunun ötesine geçmesi gerekiyor. Bu evrim, binanın, tesisin ve bileşenlerinin doğru bir “olduğu gibi” modelinin temsil edilmesini ve bu modele erişim sağlanmasını gerektirir. Böylesine gelişmiş bir BIM çerçevesi, özellik oluşturma ve teşhis yeteneklerini mümkün kılabilir ve HVAC’ın AFDD’sini kolaylaştıran tesisin sağlam bir dijital ikizi için temel oluşturabilir.

BIM, varlıkların yönetimi ve tesis operasyonlarının iyileştirilmesi için umut verici bir çözüm sunar. Ancak mevcut uygulaması, bina bileşenleri hakkında güncel bilgileri toplama ve görüntüleme becerisinden yoksundur. Genellikle BIM verileri, BIM modeli güncellenmeden yalnızca analiz için dışa aktarılır ve bu da dijital model ile varlıkların gerçek durumu arasında bir kopukluğa neden olur. Bu sınırlama, BIM’in, tesisin devam eden durumundan ziyade esas olarak bileşenlerin inşa edilmiş veya tasarlanmış durumunu yansıtan statik bir model olarak algılanmasından kaynaklanmaktadır. Sonuç olarak, BIM varlık yönetimi için yeterince kullanılmamaktadır. BIM’in tüm potansiyelinden yararlanabilmesi için tesisi dijital ikiz olarak temsil edebilecek dinamik bir model haline gelmesi gerekiyor. Bu, varlıkla ilgili verilerin birbirine bağlanmasını ve sensör tarafından oluşturulan veri akışlarıyla bağlantının sağlanmasını içerir.

Bu çalışmada BIM statik ve dinamik modeller halinde kategorize edilmiş olup dinamik BIM ayrıca Canlı BIM ve Durum Bilgili BIM olarak ikiye ayrılmıştır [ 11 , 12 ]. Canlı BIM, neredeyse gerçek zamanlı olarak gelişen bir modeli temsil ederken Durum Bilgili BIM, ilgilenilen varlıkları önceden tanımlanmış bir dönem boyunca takip eder. Canlı BIM, BIM modelindeki dinamik değişiklikleri temsil eden duyusal verilerin gerçek zamanlı olarak üst üste bindirilmesini ifade eder. Buna nesneler, alanlar ve sakinler gibi varlıklarda yapılan değişiklikler de dahildir. Bunun tersine, durum bilgisi olan BIM, HVAC ekipmanının durumu gibi varlıkların mevcut durumunu temsil etmek için zaman içinde Canlı BIM’den toplanan verileri kullanır. Dinamizmin yakalanmasına yönelik duyusal veriler BMS/BAS sistemlerinden elde edilir. Bu entegrasyon, farklı kullanım durumları için verilerin tekrarlanmasını azaltan ve ayrıca yalnızca durum bilgisi olan bilgileri depolayarak ve canlı veriler için bağlantıları koruyarak BIM’in aşırı doldurulmasını önleyen, büyük BIM dosyalarına olan ihtiyacı önleyen birleşik bir sistem oluşturur [ 13 ].

FDD kapsamında BAS/BMS kaynakları veri merkezli bilgilere odaklanırken BIM kaynakları bağlam odaklı bilgiler sağlar. Dinamik BIM’in gerçekleştirilmesi, BAS/BMS ve BIM verileri üzerinde gerçekleştirilen analizlerin yakalanmasını ve bunların DT varlıkları olarak saklanmasını içerir. Örneğin, Şekil 1’de gösterildiği gibi , BMS ile kaydedilen sıcaklık duyusal verilerinin ilgili BIM alanlarına bağlanması, dinamik bilgilerin Canlı BIM olarak yakalanmasını sağlar. Veri akışına (Zaman serisi) ek olarak, bazı sensörler durum temsilcileridir (İkili) ve BIM öğeleri arasındaki bağlantıları koruyarak herhangi bir zamanda klima durumu, kapıların veya pencerelerin kapanması/açılması gibi durumları gösterebilirler. karşılık gelen sensörler BMS/BAS’tadır. Ek olarak Durum Bilgili BIM, odalar ve ilgili durumlar (örn. soğutma, havalandırma, ısıtma) gibi öğelerin durumunun önceden tanımlanmış aralıklarla (örn. HVAC bakım programı) takip edilmesi ve bunların modele kaydedilmesiyle elde edilir. Dinamik BIM’e erişim, tanılama, beklenen ömür tahmini, tahmine dayalı bakım, HVAC durum değerlendirmesi ve özellik mühendisliği amaçları dahil olmak üzere çeşitli kullanım durumlarını kolaylaştırır.

Şekil 1 . HVAC FDD’si için BIM’de dinamizm

Varlık yönetimi kullanım senaryolarında BIM’den tam olarak yararlanmak için, BIM’i, belirli bir zaman aralığı için durum veya olaylar hakkındaki bilgileri yakalayan ve saklayan hükümlerle genişletmek gerekir. Durumların belirli kategorileri, türleri ve sıklıkları, tanımlanan kullanım senaryosuna ve tanımlanan yetkinliğe veya göreve bağlıdır. Bir tesisin dijital ikizi oluşturmak için analitiklerin bilgi modelinden aktarım hızı önceden belirlenmelidir. Bu aktarım sıklığı, BIM’in statik bir modelden tesisin mevcut durumunun doğru bir temsiline yükseltilmesi ve işletme ve bakım aşamasında duruma özel çözümler sağlanması açısından çok önemlidir. Gerçek zamanlı verilerle birleştirildiğinde BIM’in bu dinamik formu, HVAC sistemlerinin AFDD’si de dahil olmak üzere çeşitli operasyonel uygulamalar için gerekli olan tesisin en son durumuna erişim sağlayabilir. Ancak uygulamada BIM çoğunlukla statik bir model olarak kullanılmakta ve sensör verilerini saklayan BAS/BMS sistemleri aralarında herhangi bir bağlantı olmaksızın bağımsız olarak kullanılmaktadır. Bu nedenle, mevcut haliyle BIM, AFDD model geliştirme için BMS özelliklerine ek bağlamsal, statik veya dinamik özellikler eklemek için kullanılamaz. Bu çalışmada, BIM tabanlı bir ontoloji olan AFDDOnto [ 14 ], AFDD analitiğini yakalamak için bir bilgi modeli olarak kullanılmış ve ayrıca HVAC sistemleri oluşturmak için AFDD’nin etkinliğini kolaylaştırmak amacıyla BIM tabanlı özellik mühendisliği için kullanılmıştır.

Bu çalışmanın genel amacı, arıza tespiti ve teşhis sürecini kolaylaştırmak için binanın, özellikle de mekanik ve mimari sistemlerin dijital ikizini geliştirmektir. Bu hedefi iki temel araştırma hedefi takip etmektedir. İlk hedef ( BIM’den AFDD’ye ), işletme verilerini BIM’den bina sistemlerine ait statik (ve dinamik) bilgilerle zenginleştirmeyi ve HVAC sistemleri için veri odaklı AFDD’yi yükseltmeyi amaçlamaktadır. İkinci hedef ( AFDD’den BIM’e ), tespit edilen ve teşhis edilen hataların sonuçlarını görselleştirmek için bina elemanlarının ve alanların semantik ve ayrıntılı bir modeli olarak BIM’i kullanır. Bu hedeflere ulaşmak için, BIM’in ilave bağlama duyarlı özelliklere katkıda bulunmasına ve bunları gelişmiş veri odaklı bir AFDD için BMS verileriyle bağlamasına olanak tanıyan bir metodoloji tanıtılacaktır. Ayrıca çalışma, HVAC’ın arıza tespiti ve teşhisi ile ilgili bilgiyi yakalamak için önerilen dijital ikizde bir bilgi modeli biçiminde ontoloji kavramlarını kullanıyor. Bu çalışmanın kapsamı orta ila büyük ticari binaların HVAC sistemleri için geçerlidir.

2 . Literatür incelemesi
Bu çalışmada yapılan literatür taraması, HVAC sistemleri için BIM tabanlı AFDD modellerine ilişkin mevcut araştırma durumunun kapsamlı bir şekilde anlaşılmasını sağlamayı amaçlamaktadır. İnceleme, FDD yöntemlerine ilişkin mevcut bilgi birikimini keşfederek ve bunların güçlü yönlerini ve sınırlamalarını analiz ederek başlar. Daha sonra BIM tabanlı AFDD’de kaydedilen ilerlemelere ve bunun HVAC alanında uygulanmasına odaklanılıyor. Bu inceleme, mevcut literatürü inceleyerek araştırmalardaki mevcut boşlukları vurguluyor ve BIM ile AFDD’nin entegrasyonuyla ilgili potansiyel faydalara ve zorluklara ışık tutuyor.

HVAC FDD üzerinde sistemler [ 15 , 16 ], alt sistemler [ 17 , 18 ] ve bileşenler/ekipman [ 19 , 20 ] dahil olmak üzere çeşitli düzeylerde kapsamlı araştırmalar yapılmıştır . HVAC FDD’nin üç ana kategorisi, Şekil 2’de gösterildiği gibi Kalibre Edilmiş Simülasyon [ 21 , 22 ], Gri Kutu modelleri [ 23 , 24 ] ve Ampirik Yaklaşımdır [ 25 , 26 ] . Kalibre edilmiş Simülasyon modelleri, HVAC sistem davranışını yüksek doğrulukla tahmin edebilir, ancak bu tür modellerin geliştirilmesi önemli ölçüde zaman gerektirir ve alan uzmanlığı gerektirir. Bunun nedeni, bu tür modellerin sıklıkla gerçek dünya verilerine göre kalibrasyon gerektirmesidir. Buna karşılık, Grey-Box modelleri, FDD modellerinin doğruluğunu artırmak için uzman bilgisi ve fiziksel sistem modellerinden yararlanmanın yanı sıra verileri entegre eder ve kullanır [ 27 ].

Öte yandan, Ampirik Yaklaşım daha veri odaklı bir model geliştirme stratejisini önceliklendirir ve vurgular, dolayısıyla geliştirmeyi kolaylaştırır ancak potansiyel olarak derinlemesine bağlamsal bilgiden yoksundur [ 27 ]. Bu çalışma özellikle FDD’nin daha geniş kapsamı dahilinde Otomatik Arıza Tespiti ve Teşhisine (AFDD) odaklanmaktadır. AFDD, veriye bağlı modelleri, yani mekanik sistemlerdeki hataları, duyusal verileri analiz ederek tespit etmeyi ve teşhis etmeyi amaçlayan matematiksel modelleri vurgular.

AFDD modelinin geliştirilmesi için ihtiyaç duyulan duyusal verilerin ortak kaynağı BMS ve BAS sistemlerinde bulunmaktadır. AFDD modelleri, HVAC sistemlerinin FDD’si için tasarlanmış çeşitli makine öğrenimi algoritmalarından yararlanır. Belirli bir makine öğrenimi modelinin seçimi, HVAC tipi, dikkate alınan arızalar ve mevcut duyusal veriler gibi HVAC ve tesisin özelliklerine bağlıdır.

HVAC sistemlerindeki arızaların doğru ve zamanında teşhisini sağlamak için bağlamsal bilgi ve bilgiyi birleştiren kapsamlı bir yaklaşım gereklidir. Bu, bu sistemlerin karmaşık ve birbirine bağlı doğası nedeniyle uzman görüşlerinin, geçmiş verilerin, endüstri yönergelerinin ve en iyi uygulamaların dikkate alınmasını içerir [ 28 , 29 ]. Bununla birlikte, uzman görüşüne daha az güvenilmesi nedeniyle eğilim, AFDD modellerinde ampirik modeller [ 30 , 31 ] gibi daha veri merkezli yaklaşımların benimsenmesine doğru kaymaktadır. Sonuç olarak verilere dayalı modeller genellikle bina, çevre ve bina sakinleri hakkında bağlamsal bilgilerden yoksundur. Bu nedenle, veriye dayalı yaklaşımlar ile bağlamsal bilgilerin dahil edilmesi arasında bir denge kurmak, güvenilir ve etkili HVAC teşhisi için çok önemlidir.

HVAC sistemlerine yönelik AFDD modelleri, büyük ölçüde mevcut veri türüne ve belirli HVAC ekipmanına uygun algoritma seçimine dayanır. AFDD modellerinin etkinliği, BMS veya diğer kaynaklardan erişilebilen duyusal verilerin kalitesine ve çeşitliliğine bağlıdır. Ek olarak, uygun algoritmaların seçilmesi, HVAC bileşenlerindeki hataların doğru şekilde tespit edilmesinde ve teşhis edilmesinde önemli bir rol oynar [ 27 ]. Bu nedenle AFDD modellerinin performansını artırmak için ilgili veri türlerinin kullanılabilirliğini dikkate almak ve izlenen belirli HVAC sistemlerine göre uyarlanmış algoritmalar kullanmak önemlidir.

Semantik bir model olarak BIM, AFDD modellerindeki [ 32 , 33 ] bağlamsal bilgi eksikliğini dinamik BIM özelliklerinin eklenmesiyle telafi edebilir. Ek olarak BIM, HVAC sistemlerinin AFDD’sini kolaylaştıran mekansal ilişkiler, inşaat detayları ve sistem konfigürasyonları sağlayabilir. BIM’in 3 boyutlu görselleştirmesi arıza lokalizasyonuna yardımcı olurken, geçmiş veri deposu temel belirleme, sapma tespiti ve model tanımayı mümkün kılar [ 34 , 35 ]. Önceki çalışmalar FDD için BIM’den yararlanmış ve bunu zenginleştirme, otomasyon ve karşılaştırma için makine öğrenimi teknikleriyle birleştirmiştir [ [36] , [37] , [38] ]. BIM, AFDD model geliştirmenin farklı aşamalarında kullanılabilir [ 39 , 40 ]. AFDD uygulamasından önce bilgi modeli geliştirme ve konfigürasyonunu destekler [ 8 , 41 ] ve AFDD geliştirme aşamasında BIM veri entegrasyonu çok önemli bir rol oynar [ 42 , 43 ]. Literatürde AFDD için BIM’in en yaygın uygulaması, uygulama aşamasında bildirilmektedir ve HVAC arızalarının çıkarımlarını ve teşhisini içermektedir [ 44 , 45 ].

BIM, bilgi modeline erişim sağlayarak mevcut modelin incelenmesine ve bakımla ilgili bilgilerin toplanmasına olanak tanır. BMS/BAS’ta depolanan duyusal veriler, farklı yöntemler [ 46 ] kullanılarak BIM ile entegre edilebilir ; bunlar genel olarak veritabanlarını kullanarak entegrasyon , kaynaklara bağlanma ve ontoloji tabanlı entegrasyon [ [47] , [48] , [49] olarak sınıflandırılabilir. ] Veritabanı entegrasyon yöntemleri kullanılarak, BIM ve BAS/BMS verileri merkezi bir depoda depolanır [ 40 , 50 ]. Bunun aksine, kaynaklara bağlantı verirken, veritabanlarına gerektiğinde veriyi almak için bağlantılar sağlanır [ 46 , 51 ]. Ontoloji temelli yaklaşım, anlamsal ilişkileri ve bağlamı yakalamak için bilgi modeli biçiminde bir çözüm sunarak akıllı veri entegrasyonunu, bilgi temsilini ve akıl yürütmeyi mümkün kılar [ 52 , 53 ]. Bu yaklaşım, bağlama duyarlı hata tespiti ve teşhisini kolaylaştırarak AFDD sistemlerinin doğruluğunu ve etkinliğini artırabilir. Ontolojiler, kullanıcı tarafından tanımlanan gereksinimleri karşılamak üzere oluşturulabilir, yeniden kullanılabilir ve genişletilebilir. Ontolojiler genel olarak alana özgü ve alandan bağımsız ontolojiler olarak sınıflandırılabilir [ 54 ]. HVAC ve bina konseptlerini yakalayan ontolojiler, AFDD için hayati önem taşıyan HVAC sistemleri, sensör sistemleri ve mekansal bilgiler için modelleme desteği sağlar [ 55 ]. Haystack Projesi, bina alanındaki kullanıcıların HVAC veya diğer sistemler gibi nesneleri etiketlemesine olanak tanıyan ilk ontoloji girişimlerinden biridir [ 56 ]. Etki alanından bağımsız bir ontolojiye örnek olarak HVAC ve sensör verilerini tanımlamak için kullanılabilen SAREF (Akıllı Cihazlar REFerence) ontolojisi [ 57 ] gösterilebilir.

Endüstri Temel Sınıfları (IFC), BIM için açık bir veri standardı görevi görerek, yazılımdan bağımsız bir veri şeması yoluyla çeşitli yazılım araçları arasında bilgi alışverişini sağlar. Birlikte çalışabilirliği, ölçeklenebilirliği ve okunabilirliği sağlamak için IFC şeması, IFC’nin Ontoloji Web Dili’ndeki (OWL) ifadesi olan IFCOWL dahil olmak üzere farklı formatlarda kodlanabilir. Bu nedenle IFCOWL, binanın verilerini temsil etmek ve paylaşmak için anlamsal ağdan ve bağlantılı veri teknolojilerinden yararlanır. Bu çalışmada IFCOWL’u benimsemenin temel nedeni, bina ve HVAC ile ilgili veriler arasında bağlantı kurmaktır. Önerilen model, IFCOWL’yi kullanarak, şu anda mevcut IFC şemasında eksik olan AFDD modellerini geliştirmek için gerekli bilgiyi yakalayabilir ve genişletebilir [ 58 , 59 ].

Endüstri EXPRESS IFC şeması gibi alana özgü ontolojiler, yaşam döngüsü boyunca bilgi oluşturmanın birincil kaynağıdır; SPC şeması IFCOWL’ye dönüştürülebilir [ 60 ]. IFC genel bir şema olsa da Brick ontolojisi [ 55 ] açıkça binanın işletme aşaması için yapılmış bir ontoloji örneğidir ve HVAC dahil olmak üzere binanın varlık bilgilerinin çoğunu içerir. Ancak araştırma sırasında IFC’den Brick’e otomatik bir dönüşüm sağlanmamıştı. Google’ın Dijital Binaları [ 61 ] Brick ontolojisinden ve Project Haystack’tan ilham alan ve insanların okunabilirliğini ve çapraz uyumluluğu amaçlayan bir ontolojidir. Ek olarak Modüler ontolojiler, saha, bina, kat, alan ve bölge sınıfları gibi IFC alt küme kavramlarını kullanan BOT (Bina topolojisi ontolojisi) gibi diğer ontolojilerde yeniden kullanılabilen daha geniş bir konseptin bir alt kümesini temsil eder. ve aralarındaki ilişkiler [ 62 ]. Birlikte çalışabilirliği geliştirmek amacıyla IFC gibi köklü şemalarla uyumluluğu sürdürmek amacıyla ontoloji geliştirmede modüler ontolojiler tercih edilir. “AFDDOnto” [ 63 ] özellikle HVAC’ın BIM tabanlı AFDD’sini hedefleyen modüler bir ontolojidir ve IFC, BOT ve Brick’in bir alt kümesinden oluşur. Literatür tipik olarak BIM’i görsel analiz yoluyla insan muhakemesi için temel olarak hizmet ederek hata keşfi ve teşhis süreçleri için kullanır [ 64 ]. Bununla birlikte, görsel incelemelere ek olarak BIM, SPARQL gibi sorgulama dilleri kullanılarak erişilebilen ve değiştirilebilen bilgi grafikleri ve veritabanları biçiminde bilgiyi depolamak için kullanılabilir [ 65 ].

BIM, literatürde enerji tasarrufu önlemlerine dair içgörülere yol açabilecek bina analizi gibi çeşitli kullanım durumları için bir karar destek sistemi olarak kullanılmıştır [ 66 ]. Ayrıca operasyonlar sırasında BIM, Arıza tespiti ve teşhisi için BIM’i dijital bir ikiz olarak güçlendirmek amacıyla bir veri entegrasyon yöntemi olarak kullanılır [ 67 ]. Bununla birlikte, BIM kullanımının mevcut durumu nedeniyle literatürde BIM ve AFDD entegrasyonunun uygulanması az kalmaktadır. Literatür, BIM ve AI’nın etkili enerji yönetimi [ 68 ] ve HVAC’ın FDD’si [ 69 ] için kullanılabileceğini göstermektedir .

Literatür analizi, AFDD modellerinin mevcut sınırlamalarını ve BIM’in HVAC arıza teşhisi için sunabileceği potansiyeli vurgulamaktadır. Bu sınırlamalar arasında belirli sensör türlerine, HVAC seviyelerine ve algoritmalara bağımlılık ve AFDD modellerinde bağlamsal bilgilere erişim eksikliği yer almaktadır. Literatür analizi, bu zorlukların üstesinden gelmek için etkili bir yaklaşımın, BIM tabanlı bilgi modellerini kullanarak AFDD’yi geliştirmek için BIM özelliklerini BMS/BAS ile entegre etmek olabileceğini göstermektedir.

Dahası, mevcut AFDD modelleri genellikle dinamik BIM’in sağlayabileceği özellikler, durumlar, anlamlar ve bağlam dahil olmak üzere bağlamsal bilgilerden tam anlamıyla faydalanmakta başarısız olur. Bu boşlukları kapatmak için BIM’in AFDD süreci boyunca entegrasyonunu içeren kapsamlı bir yaklaşım gereklidir. BIM, dinamik BIM özelliklerinin eklenmesi ve BIM ile BAS arasında çift yönlü veri ve bilgi akışının kolaylaştırılması yoluyla HVAC AFDD analitiğini destekleyecek şekilde genişletilebilir. BIM ve BMS sistemlerinin etkili entegrasyonu, değerli bağlamsal kaynakların kilidini açmak, arıza tespiti ve teşhis yeteneklerini geliştirmek ve sonuçta binanın enerji verimliliğini ve bina sakinlerinin konforunu arttırmak için çok önemlidir. Mevcut literatür, BIM tabanlı dijital ikizlerin, BIM uyumlu ontolojiler etkin bir şekilde kullanılarak HVAC AFDD modelleri için kullanılabileceğini göstermektedir [ 39 , 70 , 71 ]. Ancak, uygulamaya yönelik kapsamlı bir metodoloji şu anda eksiktir ve mevcut çözümler hâlâ araştırmanın veya kavramsal biçimin ilk aşamalarındadır.

3 . AFDD için BIM ve BMS entegrasyon metodolojisi
Duyusal ve bağlamsal olarak ilişkili verilerin sınırlı kullanılabilirliği, ticari binalar için AFDD modellerinin geliştirilmesinde zorluk teşkil etmektedir. Bu konuyu ele almak için dinamik BIM özelliklerinin oluşturulmasını ve bunların AFDD modeline dahil edilmesini içeren bir araştırma metodolojisi önerilmiştir. Bu bağlamsal özellikler, yeterli duyusal veri eksikliğini telafi etmek için eklenmiştir. Bu yaklaşım, AFDD modeli geliştirme ve devreye alma aşamaları boyunca BIM’den yararlanarak bir tesisin Dijital İkizinin oluşturulmasını kolaylaştırır.

Önerilen çözüm dört ana kavramı entegre etmektedir: Şekil 3’te gösterildiği gibi BIM, BMS, AFDD modeli ve “AFDDOnto” ontolojisi . BIM, bina ve HVAC verilerini ve bunların ilişkilerini yakalamak üzere AFDDOnto ile genişletildi ve tesis için bir bilgi deposu görevi gördü. Dijital ikiz içerisinde AFDD ile BIM arasındaki çift yönlü bilgi akışı, analitiklerin dahil edilmesini ve ardından bunların güncellenmesinin sağlanmasını sağlar. AFDD modeli, BIM ve BMS’nin statik ve dinamik özelliklerinden yararlanarak, arıza tespitini ve teşhisini geliştirebilecek veya önemli özelliklere erişim eksikliğini telafi edebilecek yeni bir dizi özelliğe erişim kazanır. Ek olarak, AFDD analitiğinin dijital ikize geri kaydedilmesi, tesisin güncel bir temsilini sağlar ve tesis yöneticileri tarafından inceleme ve sorgulama için erişilebilir hale gelir. BIM ve makine öğrenimi tekniklerinin birleştirilmiş gücü, AFDD’nin HVAC sistemleri için etkinliğini kolaylaştırır ve ilgili veriler mevcut olmadığında telafi eder.

Şekil. 3 . Varlık Yönetimi için BIM tabanlı Dijital ikiz (HVAC’ın AFDD’sinin kullanılması).

Önerilen DT, BIM’in BMS ile dört adımla entegre edilmesiyle oluşturulur: (i) Şema Dönüştürme, (ii) Özellik Mühendisliği, (iii) AFDD için Makine Öğrenimi ve (iv) Bilgi Modeli Yönetimi. Bu adımlar Şekil 4’te gösterilmektedir . Ayrıca, yeni dinamik BIM özellikleri oluşturmak ve DT modelini güncellemek için bu makalenin sonraki bölümünde önerilen metodolojiyi uygulamak ve göstermek için bir vaka çalışması kullanılmıştır.

Şekil 4 . BIM tabanlı DT için önerilen metodoloji

3.1 . Şema dönüşümleri
Önerilen BIM tabanlı Dijital İkiz’i (DT) geliştirmenin ilk adımı, erişilebilir bir şema kullanarak BIM ve BAS/BMS’den izole edilmiş bilgileri entegre etmeyi amaçlayan şema dönüşümünü içerir. Bu süreç entegre veri setine merkezi erişimi kolaylaştırır. IFC tipik olarak EXPRESS Şeması’nda depolanır ancak ontolojilerle uyumluluğu sağlamak için IFCOWL’de de saklanabilir. Bununla birlikte, IFCOWL daha büyük bir dosya boyutuna sahip olma eğiliminde olduğundan ve AFDD için gerekli tüm kavramlardan yoksun olduğundan, önerilen metodoloji, IFCOWL ile uyumluluğu koruyan ve AFDD ile ilgili kavramları içeren AFDDOnto’yu kullanır. Modüler ontoloji, mevcut YİD ontoloji kavramlarını kullanır, dolayısıyla önerilen BIM tabanlı ontoloji için YİD ve IFC-SPC şema hizalamalarının yeniden kullanılmasına olanak tanır. Dönüştürme ve hizalama prosedürü, başlangıçta IFC-SPC şemasının IFCOWL’ye dönüştürülmesini ve YİD modülleri aracılığıyla AFDDOnto’ya eşlenmesini içerir. Ortaya çıkan ontoloji , Şekil 5’te gösterildiği gibi BIM ve BMS özellikleri kullanılarak geliştirilen makine öğrenimi modellerinden çıkarılan HVAC AFDD, bakım ve izleme durumları için gerekli kavramları içerir .

Şekil 5 . AFDDOnto tarafından BIM ve AFDD analizlerini entegre etmek için kullanılan Şema Dönüştürme ve Haritalama.

IFC verilerini dışa aktarmak için önerilen IFC MVD (Model Görünümü Tanımı) iki seçenek içerir: En geniş MVD olan IFC4 Referans Görünümü ve BIM verilerini IFC formatına aktarmak için kullanılan IFC4 Referans Görünümünün bir alt kümesi olan IFC4 Tasarım Aktarım Görünümü. Ortaya çıkan IFC verileri, dönüştürme araçları kullanılarak IFCOWL hedef şemasına dönüştürülür. EXPRESS şeması ve IFCOWL arasındaki eşleme YİD ontolojisini kullanarak Site, Bina, Kat, Alan ve Öğeler gibi IFC varlıklarını hedef bilgi modeline dönüştürür. Her BIM varlığı, bu dönüştürme sırasında referans amacıyla bir GUID’i (Küresel Benzersiz Tanımlayıcı) tutar. Öte yandan, BAS/BMS duyusal verileri, formatı değişebilen ve belirli analiz araçlarıyla uyumluluk gerektiren analitik için içe aktarılır. Bu çalışmada veri seti CSV formatında mevcut olup, model geliştirmede TensorFlow ve Keras kütüphanelerinden yararlanılmıştır. Parametreler, konfigürasyonlar ve sonuçlar, kavramlar arasındaki ilişkilerin aksiyomlar biçiminde yakalandığı BIM tabanlı bilgi modeline aktarılır ve bireylerin iddiasına izin verilir. Önerilen bilgi modeline sorgulama yapmak için SPARQL kullanılarak erişilebilir.

Ürün bilgilerini, kurulum tarihlerini, değişiklik emirlerini, bakım iş emirlerini veya ilgili verileri içeren bilgi modelini desteklemek amacıyla IFC’ye ek özel özellik setleri dahil edilebilir. Bu ayrıntılar genellikle kılavuzlarda, iş emirlerinde veya ürün web sayfalarında bulunur ve BIM yöneticileri tarafından COBie dosyalarında (İnşaat-İşletme Binası bilgi alışverişi) saklanabilir. Revit gibi BIM modelleme araçları, ‘P-set’ veya ‘Özellik Seti’, bir BIM modelindeki bir nesneye bağlı özellikler koleksiyonunu belirtmek için kullanılır. Bu özellikler belirli nitelikleri tanımlar. Öte yandan BIM modelindeki ‘Varlıklar’, tanımlanabilir özelliklere sahip bireysel unsurları ifade eder. Ontoloji sözlüğünde, ‘P-kümesi’ ve ‘varlıklar’ bireyler olarak ele alınırken, ‘Tanımlanmış tür’ ve ‘Sayılandırma türü’ sınıflar veya kavramlardır.

3.2 . Özellik mühendisliği
Uygulamada, AFDD model geliştirmeye yönelik özelliklerin kullanılabilirliği, HVAC ve alanlar da dahil olmak üzere tesiste kurulu sensörlerin sayısına ve türüne bağlıdır. Özellik mühendisliği adımının amacı, hesaplanmış ölçümler olarak oluşturulabilecek yeni bir İlgi Çekici Özellikler (FOI) kümesinin kullanıma sunulmasını sağlamak için dinamik BIM ve BMS verilerini kullanmaktır ( bir veri kümesi içindeki diğer mevcut ölçümler veya veri öğeleri). Özellik mühendisliği adımının amacı, AFDD için kullanılabilecek, tesisin dinamizmini yakalayan özellikler ekleyerek veri kümesini geliştirmektir. Özellik Mühendisliği adımı, model geliştirmenin ön işleme aşamaları sırasında olağan veri hazırlama faaliyetlerini içerir. Ek olarak, HVAC arızalarının teşhisine yardımcı olabilecek, sistemin durumunu veya koşulunu gösterebilecek temel değişkenlerin veya niteliklerin tanımlanmasını ve seçilmesini gerektirir. Bu, bir veya daha fazla ilgili özelliğin kullanılmasıyla ve dijital ikizin dinamizmini yakalayan yeni bir dizi özellik eklemek için aritmetik işlemler gerçekleştirilerek gerçekleştirilebilir. Aritmetik işlemleri kullanan hesaplanmış bir özelliğe örnek olarak HVAC sistemi için ‘Sıcaklık Farkı’ gösterilebilir. Hesaplanan bu özellik, çıkış sıcaklığının giriş sıcaklığından çıkarılmasıyla oluşturulabilir. Oluşturulan hesaplanan özellik, HVAC’ın soğutma verimliliğini gösteren bir ölçüm olarak kullanılabilir ve sistemin performansını değerlendirmek için gerçek zamanlı olarak daha fazla izlenebilir.

Bu çalışmada tanımlanan İlgi Çekici Özellikler (FOI’ler), HVAC sisteminin çalışma durumunu ve HVAC alt sisteminin konumu ve iklimlendirme fonksiyonu gibi mekansal bilgileri kullanarak HVAC’ın ve bununla ilişkili alanların dinamizmini ve bağlamını yakalayabilir. . Veri yakalama ve depolamanın süresi ve sıklığı, söz konusu HVAC arızasının türüne göre belirlenir. Belirli bilgilerin mevcut olmadığı durumlarda bilgi modeli, bilginin yakalanma sıklığını tanımlayan kavramları içerir. Bu çalışmada kullanılan özellikler hem BIM hem de BMS’den alınmıştır. AFDDOnto aksiyomları, hata türleri, sistem türleri ve belirli özellikler arasındaki bağlantıları dikkate alarak belirli bir görev için ihtiyaç duyulan ilgili özellikler için bağlantılar oluşturmak üzere kullanılır. İncelenmekte olan vaka çalışmasında, tesislerin dinamizmini yakalamak ve sınırlı duyusal verileri telafi etmek amacıyla her bina alanı için birden fazla özellikten oluşan bir FOI kategorisini tanıtmak için statik BIM özellikleri ve BMS özellikleri kullanılmıştır. AFDD modeli için kullanılabilecek duyusal veri türüne ilişkin kısıtlamalar, kullanılan algoritmanın ihtiyaçlarına ek olarak bina tipi, HVAC tipi, doluluk ve pencere durumları gibi faktörlere de bağlıdır. mevcut sensörlerin sayısı ve türü (özellikler) ve sensörlerin binaya ve HVAC’a yerleştirilmesi.

Tanımlanan özelliklerin önemini değerlendirmek amacıyla çalışma, özelliğin önemini belirlemek amacıyla istatistiksel korelasyon analizinden ve makine öğrenimi algoritmalarından yararlanır. Bu analitik teknikler, tanımlanan özelliklerin, arıza tespiti ve teşhis sürecinin kullanabileceği mevcut özelliklerle göreceli önemine izin vererek özellik analizini mümkün kılar. Tanıtılan özellikler, altta yatan ilişkileri ve kalıpları ortaya çıkararak modele dahil edilebilir ve özellikle ilgili özelliklerin mevcut olmadığı durumlarda AFDD modelinin geliştirilmesine katkıda bulunabilir. Duyusal veriler, işlevlerine göre kategorize edilebilir ve gruplandırılabilir ve oluşturulan özelliklerden hangisinin AFDD sürecini geliştirebileceğini veya belirli özellik kategorilerinin mevcut olmamasını telafi edebileceğini belirlemek için istatistiksel korelasyon analizine ve özellik önemi analizine tabi tutulabilir.

3.3 . AFDD için veri kümesi ve makine öğrenimi algoritması
AFDD modeli geliştirmenin temel mühendislik adımları ilk olarak BIM ve BMS/BAS kaynaklarından veri toplanmasını içerir. İkinci adım, BIM tabanlı özelliklerin oluşturulmasını sağlayan, yani statik BIM özelliklerini dinamik olanlara dönüştürmek için özellik dönüşümü gerçekleştiren özellik mühendisliğidir. Bu, bu çalışmada ‘düzeltilmiş veri kümesi’ olarak anılan bir veri kümesinin oluşturulmasına yol açar. Daha sonra çeşitli hataların tespiti (ve/veya teşhisi) için bu veri seti üzerinde farklı makine öğrenme algoritmaları geliştirilebilir. Bu tür algoritmaların geliştirilmesi tipik olarak CRISP-DM’nin (Veri Madenciliği için Endüstriler Arası Standart Süreç) altı adımını takip eder; yani problemin anlaşılması; veri anlayışı; veri Hazırlama; modelleme; değerlendirme; ve dağıtım [ 72 ]. Çalışma, bağlamsal bilgilerin ve dinamik BIM özelliklerinin kullanılmasının önemini göstermek için BIM ve BMS’den gelen verileri entegre etmeyi amaçlamaktadır. Önerilen metodolojinin bu adımında, AFDD modelinin geliştirilmesi için hem BMS hem de BIM veri kaynaklarından gelen özellikleri içeren seçilmiş veri seti kullanılır. Başlangıçtaki BIM özellikleri statiktir ve özellik mühendisliği adımında hesaplanan ölçümler kullanılarak dinamik BIM özelliklerine dönüştürülmeleri gerekir. Oluşturulan dinamik özellikler, HVAC sisteminin zamansal özelliklerini ve davranışını yakalar; bu özellikler, belirli duyusal verilerin mevcut olmadığı durumlarda veri setini değiştirmek veya veri setine eklemek için kullanılabilir veya HVAC için ek hata tipi teşhisler sağlayabilir. Bu zamansal özellikler zaman aralıklarını, zamansal bağımlılıkları veya mevsimsellik gibi diğer dış faktörleri içerebilir. Ek olarak sunulan bu özellikler, sistemin durumunu ve genellikle BMS/BAS’te bulunmayan uygulanabilir alanlarını temsil eder ve HVAC’ın AFDD’si için kullanılabilecek yeni özellikler biçiminde seçilmiş veri kümesine eklenir.

Önerilen metodoloji, herhangi bir veriye dayalı algoritmayla sınırlı olmaksızın, HVAC seviyelerinin ve arızalarının özel gereksinimleri ve özelliklerini karşılamak üzere uyarlanmış çeşitli algoritmik tekniklerin kullanılmasına olanak sağlar. Otomatik arıza tespit ve teşhis modelinin etkinliği, bu çalışmada, tanıtılan özelliklere olan duyarlılığı ölçülerek değerlendirilmektedir. Bu hassasiyet ölçüsü, araştırılan arızalara ilişkin teşhis sonuçlarının doğruluğuna dayanmaktadır. Bu ölçüm daha sonra en uygun AFDD modelini karşılaştırmak ve seçmek için kullanılır. Metodoloji, algoritmaları karşılaştırarak varlık yöneticisine bilinçli algoritma seçimi ve karşılaştırması için karar verme yeteneği kazandırır. Bu çalışma, yeni makine öğrenimi algoritmalarının geliştirilmesine doğrudan katkıda bulunmasa da, arıza tespitine, arıza teşhisine ve sınırlı duyusal veri kullanılabilirliğine yardımcı olacak yeni özelliklerin sunulmasına izin vererek HVAC sistemleri için AFDD’de çok önemli bir rol oynamaktadır.

Bu çalışma, AFDD’de kullanılan en yaygın algoritmalardan ikisini (literatür analizine göre [ 27 ]), yani ANN (Yapay Sinir Ağı) ve SVM’yi (Destek Vektör Makineleri) kullanmaktadır. YSA modelleri, girdi verilerinin, verilere dönüşümü gerçekleştiren, birbirine bağlı bir veya daha fazla nöron katmanı aracılığıyla işlenmesi esasına göre çalışır [ 73 , 74 ]. SVM sınıflandırıcıları, sınıflandırmayı mümkün kılmak için özellik alanlarındaki bir dizi veri sınıfı arasındaki marjı en üst düzeye çıkarmak için en uygun hiperdüzlemi belirleyerek çalışır [ 75 , 76 ]. Bir YSA eğitilirken ince ayar yapılan ortak parametreler arasında Aktivasyon fonksiyonu (relu ve softmax), Gizli bırakma oranı, durdurma toleransı, rastgele tohum, gizli katman boyutu, çağ ve optimize edici (adam) yer alır. SVM için en yaygın parametreler Kayıp Fonksiyonu, C değeri ve Çekirdek tipini içerir. Bu çalışmada her iki model ailesi de TensorFlow ve Keras gibi Python kütüphaneleri ve scikit-learn kullanılarak eğitilmiş ve test edilmiştir.

Model, BIM tabanlı ve BMS özelliklerini içeren seçilmiş bir veri kümesini içeriyordu. Bu çalışmanın vaka çalışmasında, ticari binalardaki sınırlı duyusal veri kullanılabilirliğini simüle etmek için bazı özellik grupları kasıtlı olarak kaldırıldı. Bu, çalışmanın dinamik BIM özelliklerinin etkinliğini değerlendirmesine olanak sağladı. Hata tespiti ve teşhis için modelin doğruluğu, seçilmiş veri kümesindeki dinamik BIM özellikleriyle uyumlu en uygun AFDD algoritmasını belirlemek için bir hassasiyet testi olarak kullanıldı. Bu yaklaşım, bir AFDD modelinin, model doğruluğunun iyileştirilmesi, ek hata türlerinin karşılanması ve duyusal verilerin kullanılamamasının giderilmesi gibi çeşitli yollarla geliştirilmesine olanak sağlar.

3.4 . BIM tabanlı bilgi modeli
Önerilen BIM tabanlı dijital ikiz, Şekil 6’da gösterildiği gibi, AFDD’den elde edilen analitiği depolamak için kavram veya sınıf açısından on hüküm içermektedir . Takip ve Durum kavramları, bilgi modelinin tesisin mevcut durumunu temsil edecek şekilde önceden belirlenen aralıklarla güncellenmesini sağlar. BIM’i tüm AFDD verileri yerine analitiklerle zenginleştiren dijital ikiz, yalnızca AFDD kullanım senaryoları için gereken ilgili bilgileri saklayarak fazlalığı önler. Bu, kaynak GUID’si ve AFDD amacıyla BIM modeline eklenen özel parametreler de dahil olmak üzere, IFC ile uyumluluğu koruyan Tekdüzen Kaynak Tanımlayıcıları (URI’ler) kullanılarak BIM öğelerinin ve ilgili özelliklerin eşlenmesiyle gerçekleştirilir. BIM ve BMS kaynakları arasındaki bağlantı, AFDD için gerekli olan ilgili kavramların haritalanmasıyla kurulur ve sürdürülür, böylece kesintisiz entegrasyon sağlanır. BIM tabanlı bilgi modeli, ASHRAE tarafından önerilen aylık, üç aylık, altı aylık veya yıllık [ 77 ] gibi önceden tanımlanmış aralıkları takip ederek HVAC sisteminin bakım planına dayalı yeni analitiklerle periyodik güncellemeler gerektirir ve buna ek olarak AFDD modellerinde her zaman arızaları tespit edin. Bilgi modeli, bu kavramı bakım sınıfı altında içerir ve HVAC ile ilgili sıklık, bakım eylemi türü ve teşhis hakkında bilgi sağlar.

Şekil 6 . BIM Tabanlı Bilgi modeli (AFDDOnto).

BIM tabanlı bilgi modeline erişim SPARQL sorgulama dili aracılığıyla kolaylaştırılmaktadır. Kullanıcıların özellikler, konfigürasyonlar, analizler, mekansal ayrıntılar, bakım bilgileri, görüntüler ve harici dosyalara bağlantılar hakkında sorgu oluşturmasına ve bilgi almasına olanak tanır. Anlamsal model, RDF (Kaynak Açıklama Çerçevesi) ve TTL (Terse RDF Üçlü Dil) formatlarında saklanarak çevrimiçi olarak erişilebilir hale getirilebilir. Önerilen metodoloji için BIM tabanlı bilgi modelinin uygulaması örnek olay bölümünde gösterilmiş ve bu makalenin tartışma bölümünde daha fazla ayrıntı verilmiştir.

4 . Uygulama ve vaka çalışması
ORNL’nin Esnek Araştırma Platformu (FRP) [ 78 ], önerilen çözümün analizini, test edilmesini ve değerlendirilmesini göstermek için bir vaka çalışması olarak seçilmiştir. FRP, çok bölgeli bir VAV (Değişken Hava Hacmi) alt sistemine bağlı tek bir paket RTU (Çatı Üstü Ünitesi) ile donatılmış, 1980’lerden kalma bir ofis binasını taklit etmek üzere tasarlanmış 3200 ft2’lik bir tesistir [ 79 ] . Test tesisi, hataların kasıtlı olarak tek tek ortaya konulduğu ve hedeflendiği, kontrollü ve tam donanımlı bir laboratuvar deneyi olarak tasarlanmıştır. Bu kontrollü ortam, arıza tespiti ve teşhisi için gerekli tüm duyusal veriler hazır olduğundan, hassas araştırma ve analizlere olanak tanır.

Laboratuvar tesisi, araştırmanın AFDD’nin gerçek dünya senaryolarında nasıl farklılık gösterebileceğini keşfetmesine olanak tanıyarak önerilen metodolojiyi araştırmak için ideal bir ortam sağlar. Uygulamada, kapsamlı duyusal verilerin elde edilmesinde sınırlamalar veya zorluklar ya da hava durumu, çevre, bina sakinleri ve HVAC varlıklarından kaynaklanan ek belirsizlikler olabilir. Bu nedenle, etkili bir AFDD modeli için istenen duyusal verilere erişimin mümkün olmadığı pratik ortamlarda karşılaşılan potansiyel eksiklikleri telafi etmek için BIM’den yararlanma potansiyelini araştırmak hayati önem taşıyor. BIM’i çalışmaya dahil etmenin amacı, BIM’in kontrollü laboratuvar deneyleri ile gerçek dünya uygulamaları arasındaki boşluğu kapatmak için değerli bir kaynak olarak hizmet edip edemeyeceğini değerlendirmektir. Çalışma, BIM’in pratik sınırlamaların üstesinden gelme potansiyelini araştırmayı ve gerçek dünya senaryolarında HVAC arıza tespit ve teşhis tekniklerinin genel performansını ve güvenilirliğini geliştirmeyi amaçlamaktadır.

Önerilen metodoloji, on VAV alt sistemine bağlı bir RTU sistemi için arıza tespiti ve teşhis modelleri geliştirmek üzere BIM ve BMS özelliklerini birleştiren dinamik BIM özellikleri üretir. Test tesisi için bir BIM modeli oluşturulmuş ve oda olarak kullanılan 10 alan ve merdivenler için kullanılan her katta iki ek alandan oluşan iki katlı binanın kat planı Şekil 7’de gösterilmektedir. Bu modeller için kullanılan makine öğrenimi algoritmaları, SVM (Destek Vektör Makinesi) ve ANN’nin (Yapay Sinir Ağı) literatürde AFDD için en çok kullanılan algoritmalar olduğunu tespit eden AFDD yöntemlerinin analizi üzerine daha önceki bir çalışmaya dayanmaktadır; Alt sistem seviyesinde kullanılan SVM ile karşılaştırıldığında sistem ve alt sistem seviyesindeki HVAC arızaları için neredeyse eşit dağılım gösterir [ 27 ] ve bu nedenle bu çalışmada birincil algoritma olarak YSA, referans noktası olarak ise SVM kullanılmıştır.

Şekil 7 . FRP tesisinin Kat Planı.

Analitiklerden ve konfigürasyonlardan elde edilen sonuçlar, BIM tabanlı bilgi modeli içerisinde depolanır ve GUID tanımlayıcıları kullanılarak ilgili alanlara ve HVAC sistemlerine bağlanır. Uygulama, metodolojide tanıtılan adımları, yani şema dönüştürme, özellik oluşturma, seçilen makine öğrenimi algoritmasını kullanarak HVAC’ın AFDD’sini, bilgi modelinin popülasyonunu ve bilgi modeline erişmeyi kapsar. Bu adımlar, geliştirilen AFDD modellerinin ve bunlarla ilgili sonuçların bilgi modeline etkili bir şekilde entegre edilmesini sağlayarak ilgili bilgilere etkin erişim ve geri alımı mümkün kılar. BIM tabanlı ontoloji, örnek olay çalışmasından elde edilen verileri ve öngörüleri organize etmek ve yönetmek için bir çerçeve görevi görerek gelecekteki analizleri, karşılaştırmaları ve HVAC arıza tespit ve teşhis modelinde daha fazla iyileştirme yapılmasını kolaylaştırır.

4.1 . Örnek olay: BIM şeması dönüşümü
Dönüşüm süreci , başlangıçta FRP test tesisinin mimari ve mekanik modellerinin Autodesk Revit kullanılarak oluşturulduğu Şekil 8’de gösterilmektedir . Bu çalışmada kullanılan BIM (model), BIMFORUM standardına göre LOD 300’dedir [ 80 ]. Bu geliştirme düzeyinde 3 boyutlu model, kanal sistemi, ekipman ve aksesuarlar gibi bileşenlerin ayrıntılı geometrik temsillerini içerir. Model, ekipman boyutlarının doğru temsillerini sağlarken, yalıtım, askılar ve destekler gibi özel ayrıntılar gerekli değildir [ 80 ]. Revit’in yerleşik dönüştürücüsü, modeli IFC-SPC şemasına aktarmak için kullanılır. En kapsamlı IFC çıktısı olan IFC4 Referans görünümü seçilir. BIM tabanlı bilgi modeli ile BIM yazma aracı kullanılarak oluşturulan model arasındaki uyumluluğu sürdürmek için çıktı dosyası, BIM’de oluşturulan özel varlıklar da dahil olmak üzere varlıkların GUID’sini içerir. IFC modeli , analiz için usBIM.viewer + [ 81 ] adı verilen bir IFC görüntüleyiciye ayrı olarak aktarılır .

Şekil 8 . FRP vaka çalışması için model dönüşümü.

Bu çalışmada, IFC’yi IFC OWL’ye dönüştürme işlemi, önerilen “IFCtoRDF” dönüştürücü [ 82 ] kullanılarak buildSMART tarafından otomatikleştirilmiştir. Bu dönüştürücü, gerekli bilgileri kaynaktan hedef ontolojiye çıkarma ve eşleme yeteneğine sahip olup, HVAC’ın AFDD’si için gereken varlıkların tanımlanmasını ve eşlenmesini kolaylaştırır. IFC dosya çıktısı artık SPC şemasında kullanıma sunulduğundan, ontolojiye uygulanabilir bir şemaya dönüştürülmesi gerekiyor. Dolayısıyla model, her iki şemadaki varlıkları haritalayan ve şemayı BIM verileriyle dolduran IFC’den LBD’ye dönüştürücü [ 83 ] kullanılarak OWL şemasına dönüştürülür. IFCOWL, BIM tabanlı ontolojiye aktarılır. Akıllı sistemler oluşturmaya yönelik “Protégé” ontoloji editörü ve çerçevesi [ 84 ], BIM ve BMS entegre verilerinin bilgi modeli yönetimi için kullanılır.

4.2 . Örnek olay: özellik mühendisliği
Bu çalışmada kullanılan FRP veri seti, çeşitli sensörler tarafından hem zaman serisi hem de durum temsili formatlarında toplanan duyusal verileri temsil eden BMS’den çıkarılan 68 özellikten oluşmaktadır. Veri setini etkili bir şekilde analiz etmek için BMS özellikleri, sensörün konumuna bakılmaksızın benzerliklerine göre 11 kategoride gruplandırıldı. Bu kategoriler arasında VAV sıcaklığı, oda sıcaklığı, nem, durum, besleme ve dönüş sıcaklığı, ölçülen veriler, ayar noktası, akış hızı, devre 1 ve 2 ve ilgili özellikler yer alır.

Etkili AFDD için gerekli olan belirli BMS özelliklerinin kullanılamadığı potansiyel senaryoları ele almak amacıyla BIM’den 80 statik özellik sağlandı. BIM özellikleri ayrıca Canlı ve Statik BIM özelliklerine ayrılmıştır . Statik özellikler doğrudan içe aktarılırken dinamik BIM özellikleri, hem BMS zaman serisi verilerini hem de BIM verilerini içeren hesaplanmış özellikler olarak görev yapan FOI’dir. Bu dinamik BIM özellikleri, HVAC sistemlerinin AFDD’si için gerekli olan önemli bağlamsal bilgileri sağlar. Statik BIM özellikleri, VAV’dan HVAC’a olan mesafe (VAV’ın RTU’dan bulunduğu mesafe), oda alanı, pencere alanı, kapı alanı, açılış alanı (toplamın alanını gösterir) gibi özellikler de dahil olmak üzere mekansal verileri kapsar. açıklık (her mekan için kapı ve pencereler dahil) , şaftın yanında (merdiven şaftının duvarları çevreleyip çevrelemediğini belirtir) ve dış oda (odanın zeminin içinde yer aldığını veya dışarıya baktığını gösterir) özellikleri. Ek olarak özel özellikler, HVAC bileşenleri, arızalar ve geçmiş bilgiler hakkında tamamlayıcı bağlamsal ayrıntılar sunmak ve genel AFDD sürecini daha da geliştirmek üzere tanımlanır.

FRP veri kümesi, yeni bir seçilmiş veri kümesi oluşturmak için BIM verileriyle birleştirilir. FRP mimari ve mekanik modelinin statik özelliklerine atanan GUID’ler, BIM öğelerini BMS zaman serisi verileriyle ilişkilendirmek için tanımlayıcı görevi görür. Bu seçilmiş veri kümesi hem BIM hem de BMS özelliklerini içerir ve aday özelliklerden oluşan bir havuz görevi görür. En önemli özellikleri belirlemek için özellik önem analizi yapılır. Veri kümesini eğitmek için bir Rastgele Orman sınıflandırıcısı kullanılır ve özelliğin önemi, her ağaçtaki safsızlığın ortalama ve standart sapması azaldıkça ölçülür. XGBoost Sınıflandırma Özellik Önemi (kazanca dayalı), Rastgele Sınıflandırma ve Karar Ağacı Sınıflandırması (özelliğin getirdiği kriterlerin normalleştirilmiş toplam azaltılması) gibi diğer özellik önemi teknikleri de değerlendirildi. Çeşitli sınıflandırıcılar değerlendirildikten sonra Rastgele Orman Sınıflandırıcısı seçildi çünkü veri kümesindeki BIM özelliklerinin önemini etkili bir şekilde vurguluyor.

Bu yaklaşım, özellikle belirli BMS özelliklerinin sınırlı olduğu veya kullanılamadığı durumlarda, AFDD sürecinde önemli bir rol oynayan temel özellikleri tanımlar. Bu çalışmada en üst özellik kategorileri yalnızca özellik sayısını sınırlamak amacıyla dikkate alınmıştır. Uygulamada, özelliklerin sayısı, kullanımdaki algoritmaya göre değiştirilebilir veya AFDD kullanım durumu için BMS özelliklerinin ve BIM verilerinin fiili kullanılabilirliği ile sınırlandırılabilir. Bu çalışmada aşağıdaki özellik kategorileri incelenmiştir: Hava nemi, Deşarj Sıcaklığı, Emme Sıcaklığı, Hava sıcaklığı ve soğutma ayar noktası ve spaceAirConditioned . Seçilen kategoriler, seçilen veri kümesinin özellik analizi yoluyla belirlenir. Bu kategorilerin çoğu, “spaceAirConditioned” kategorisi dışında BMS’den gelmektedir. Bunun temel nedeni spaceAirConditioned’ın diğer statik özellikler arasında tek Canlı BIM özelliği olmasıdır, bu da bu tür özelliklerin önemini göstermektedir. Bununla birlikte, veri kümesine uzun bir süre boyunca erişilebiliyorsa ve söz konusu arıza türleri için bakım bilgileri mevcutsa bakım bilgileri, durum bilgisi olan BIM özelliklerini oluşturmak üzere birleştirilecektir. Önerilen metodolojinin mevcut binalarda kullanılmasının, durum bilgisi olan BIM özelliklerinin rolünü ifade etmesi beklenmektedir.

FRP vaka çalışmasında oda olarak kullanılan 12 alanı temsil eden spaceAirConditioned kategorisi, iki devrenin, iki kompresörün ve on bölgenin iklimlendirmesinin durumuna bağlı olarak hesaplanan 10 özelliğe dönüştürülür. Geriye kalan iki alan ise VAV’a (Değişken hava hacmi) doğrudan bağlı olmayan merdivenlerdir ve binada iki katı birbirine bağlayan bir şaft görevi görür.

Ayrıca, hesaplanan ölçüm, çalışma zamanına ve modlara ilişkin HVAC programını, HVAC’ın durumunu (yani soğutma, ısıtma veya fan durumu) ve klimalı olarak kabul edilen VAV’a erişimi olan alanları dikkate alır. değil, dinamik özelliği tanımlamak için. Eşiklere ulaşıldığında her HVAC modu etkinleştirilir. HVAC programının eşikleri, önceden tanımlanan tesisteki doluluk durumuna göre tanımlanır.

Şekil 9 . FRP örnek olay incelemesi için canlı BIM hesaplanmış özellik oluşturma.

Özellik durumlarını temsil eden veri seti açısından HVAC sistemini bir iklimlendirme durumunda belirtmek için, Şekil 9’da gösterildiği gibi aşağıdaki koşulların karşılanması gerekir . Şekil 10’da gösterildiği gibi Kompresör 1 ve Devre 1 , Kompresör 2 ve Devre 2 veya Devre 1 ve 2 ile Kompresör 1 ve 2’nin zaman serisi satırlarında en az bir Gerçek değer bulunmalıdır . 11 ve 12 numaralı odaların ayrı bir VAV’si yoktur, dolayısıyla bu odalardaki klima modu her zaman Yanlış olarak tanımlanmıştır.

Şekil 10 . FRP örnek olay incelemesinde statik BIM özelliğinden dinamik BIM özelliğine geçiş için canlı BIM kriterleri.

4.3 . Örnek olay: Makine öğrenimi algoritmalarını kullanarak AFDD modeli geliştirme
BMS ve BIM özelliklerini birleştiren seçilmiş veri seti, Anaconda dağıtım programına [ 85 ] aktarılır ve AFDD modellerini geliştirmek için özel olarak ayarlanmış sanal bir ortam görevi görür. YSA modları başlangıçta yeni oluşturulan veri seti kullanılarak geliştirildi ve ayrıca bu çalışmada modelleri test etmek ve karşılaştırmak için SVM kullanıldı. Model geliştirme için kullanılan FDD doğrulukları ve parametreler gibi analitikler bilgi modeline beslenir ve modellerin verilen özelliklere yönelik hassasiyetleri ölçülür. Geliştirilen modeller YSA kullanan arıza tespit modelleri ve YSA kullanan arıza teşhis modelleri olarak ikiye ayrılmıştır. Benzer şekilde, karşılaştırmalı analiz için SVM modelleri geliştirilmiştir. Geliştirilen AFDD modelleri için Berkeley Lab FDD veri seti [ 86 ] kullanılarak elde edilen en yüksek doğruluk, YSA ve SVM modelleri kullanılarak hata tespiti için sırasıyla 0,98 ve 0,96’dır. HVAC arızalarının arıza teşhisinde doğruluklar YSA ve SVM modelleri için 0,99 ve 0,97’dir. Bu kadar yüksek doğruluğun nedeni, tesisin kontrollü doğasına, hataların ayrı ayrı ortaya çıkmasına ve AFDD uygulamalarının ana amacı ile tesise monte edilen bir dizi farklı sensöre atfedilebilir. Duyusal veri türünün önemini ve model üzerindeki kullanılabilirliğini anlamak. AFDD modelleri , Terminal: Oda Hava Nemi, RTU: Devre 2 Tahliye Sıcaklığı, RTU: Devre 2 Emme Sıcaklığı, Terminal: Oda 102 Hava Sıcaklığı, Terminal: Oda Hava Sıcaklığı Soğutma Ayar Noktası olmak üzere en önemli 5 özelliğe odaklanılarak geliştirilmiştir . Ortak ve etkili özelliklerin yokluğunda dinamik BIM özelliklerinin önemini incelemek için tesislerin sınırlı duyusal veriye sahip olduğu senaryoları simüle etmek amacıyla yukarıda belirtilen bir veya daha fazla BMS özelliği kombinasyonunun çıkarıldığı ve yerine BIM özellikleri konduğu çeşitli modeller oluşturuldu.

4.4 . Örnek olay: bilgi modeli kullanılarak BMS ve BIM’in entegrasyonu ve erişimi
FRP vaka çalışmasında Blazegraph [ 87 ] veritabanı ve Protégé bilgi yönetimi editörü SPARQL sorgularını destekledi. Blazegraph, RDF verilerini depolamak için ölçeklenebilir ve yüksek performanslı bir üçlü depo görevi görerek bilgi modelinin verimli ve esnek bir şekilde sorgulanmasını kolaylaştırır. Öte yandan Protege, BIM tabanlı ontolojinin geliştirilmesine ve yönetilmesine olanak tanıyan bir ontoloji editörü ve bilgi temsil aracı olarak kullanılır. Bilgi modeli, dijital ikiz içindeki özellikler, konfigürasyonlar, analitikler, mekansal veriler, bakım ayrıntıları, görüntüler ve harici dosyalara bağlantılarla ilgili bilgilere yeterli erişime ve bu bilgilere erişime olanak tanır.

Ayrıca Protégé, AFDD analizlerini içe aktarmak için kullanılır. Bu, AFDD modellerinin analitiklerinin ve konfigürasyonlarının BIM tabanlı ontolojiye, yani parametre özelliklerinin (belirli ayarlar, konfigürasyonlar, hata türleri ve model doğruluğu) aktarılmasını içerir. Bu adım vaka çalışması için yarı manuel olarak gerçekleştirilmiş olsa da, bu adım komut dosyaları kullanılarak otomatikleştirilebilir.

Önerilen metodoloji kullanılarak analitiklerin içe aktarılması, ABOX ontolojisi biçiminde doldurulmuş bir bilgi modeliyle sonuçlanacaktır; bu, bilgi modelinin kendisini oluşturan TBOX’un (yani resmi adlandırmanın) aksine bilgi grafiğinin iddialar ve bireylerle doldurulduğu anlamına gelir. kategorilerin ve özelliklerin tanımı [ 88 ]. Bu, AFDD’den BIM’e veri akışına izin verir. Ontoloji, BIM’den çıkarılan veriler de dahil olmak üzere AFDD modelindeki analizler ve konfigürasyonlarla doldurulur.

AFDDOnto, bakımla ilgili bilgilere erişime izin veren ve HVAC bakımı için ASHRAE’nin [ 77 ] kavramlarını kullanan Bakım kavramı kapsamında durum bilgisi olan BIM için güncelleme sıklığını belirleyen bir bakım konseptini ontoloji çerçevesi içine dahil eder; ancak HVAC ile ilgili yaklaşık bir aylık verileri içeren ve gerekli bakım programından çok daha kısa olan BMS veri setinin doğası gereği. Sınırlı veri seti, durum bilgisi olan BIM özelliklerinin oluşturulmasına olanak sağlayacak bakım bilgilerinin takibinin test edilmesini imkansız hale getiriyor. Böyle bir veri seti için gereken minimum süre, RTU ve VAV sistemlerinin bakım verilerini temsil etmek için genellikle yaklaşık üç aydır, ancak bakım verileri, birden fazla bakımı kapsayacak şekilde çok daha uzun süreler boyunca kaydedildiğinde önemini göstermesi beklenir. BIM’den dışa aktarılan özelliklerin, GUID’leri kullanarak BIM nesnelerine olan bağlantılarını sürdürdüklerine dikkat edilmelidir. Özellikler bilgi modeline eklendikten sonra, modeldeki BMS ve BIM özellikleri, koruyucu dışa aktarma aracı kullanılarak, referans verme ve sorgular için bilgi modelindeki URI’yi oluşturan bir CSV dosyasına aktarılabilir. Bilgi modeli özellikler, bakım ve AFDD konfigürasyonları hakkında bilgi için sorgulanabilir ve bu çalışmada yapıldığı gibi YSA ve SVM gibi modeller arasında model karşılaştırması için ayrıca kullanılabilir. Veri kümesinin daha uzun bir süre boyunca kullanılabilir olması durumunda, bilgi modeli, tesisin olduğu gibi durumunu bir DT biçiminde temsil edecek şekilde analitik tarafından periyodik olarak güncellenebilir.

Bilgi grafikleri, ontolojinin Protégé’ye yüklenmesi ve “Grafik Görünümü” sekmesinin kullanılmasıyla etkili bir şekilde görselleştirilebilir; kullanıcılar bilgi grafiğindeki sınıfları, bireyleri ve özellikleri temsil eden birbirine bağlı düğümleri ve kenarları görsel olarak keşfedebilir. Bu etkileşimli ve sezgisel grafiksel gösterim, grafik içindeki hiyerarşik yapının ve ilişkilerin anlaşılmasına yardımcı olarak analizi kolaylaştırır. Öte yandan bilgi grafiklerine erişim Blazegraph’ın SPARQL uç noktası kullanılarak mümkün; Varlık yöneticileri, bilgi grafiğinden belirli bilgileri almak için SPARQL sorgularını çalıştırabilir. Bu, karmaşık aramalara, ilişki analizine ve verilerden değerli içgörülere olanak tanıyarak bu tür veritabanlarını, anlamsal web, veri entegrasyonu ve bilgi gösterimi dahil olmak üzere çeşitli uygulamalardaki büyük ölçekli bilgi grafiklerini yönetmek ve sorgulamak için uygun bir seçim haline getirir.

5 . Sonuçlar ve tartışma
Çalışmanın sonuçları, Şekil 11’de gösterildiği gibi BIM’den AFDD’ye ve bunun tersi olarak AFDD’den BIM’e veri akışı dikkate alınarak iki yol altında sunulmaktadır ; böylece DT’nin iki yönlülüğü şu şekilde gösterilir: veri akışı. Önerilen metodoloji sistem, ekipman ve alt sistem seviyelerinde HVAC AFDD’si için geçerlidir. Dijital ikiz, BIM ve BMS’den gelen duyusal ve bağlamsal bilgiler kullanılarak oluşturulan dinamik özellikleri kullanan dinamik BIM tarafından desteklenmektedir. Oluşturulan dinamik BIM FOI kategorisi, oda alanlarının ve HVAC bileşenlerinin mekansal ilişkilerinin BAS/BMS tarafından yakalanan gerçek zamanlı veri akışıyla kullanılmasını sağlayan tesisin BIM modelinin entegre edilmesiyle mümkün hale gelir.

Şekil 11 . BIM tabanlı Digital Twin’de çift yönlü veri akışı.

Başlangıçta, BIM’den AFDD’ye giden yolda BIM ve BMS verileri, HVAC ve kapladığı alanlar hakkında mekansal, bağlamsal bilgileri hesaba katan ek özellikleri tanıtmak için kullanılır; bunu yaparak, çeşitli algoritmalar kullanarak Arıza tespiti ve teşhisini gerçekleştirmek için oluşturulan özellikler AFDD modeline aktarılır. Sunulan özelliklerin ya belirli duyusal veri kullanılabilirliği eksikliğini telafi etmesi ya da modeli geliştirmesi amaçlanmaktadır.

Örnek olay incelemesindeki AFDD modellerinin sonuçları Belirli bir kategoriye ait özellikler, seçilmiş veri kümesinden çıkarıldığında ve dinamik BIM özellikleriyle değiştirildiğinde; arıza tespitinde bir iyileşmeye veya benzer bir doğruluğa yol açabilir. Örneğin, her bölge için 12 özellikten oluşan Oda havası nemi kategorisi mevcut olmadığında, dinamik BIM özelliklerinin eklenmesi algılama doğruluğunu artırabilir. Ayrıca, en önemli özelliklerin mevcut olmadığı durumlarda, BIM özelliklerinin entegre edilmesi, YSA modellerinde performansta hafif bir artış gösterirken, SVM modellerinde bu görülmedi. Bulgular, BIM özelliklerinin YSA modelleri üzerinde SVM modellerine göre daha önemli bir etkiye sahip olduğunu göstermektedir. AFDD modelinin parametreleri, özellikleri ve sonuçları, doğruluk da dahil olmak üzere, her arıza tespit ve teşhis modeli için CSV formatında aktarılır ve saklanır. Vaka çalışmasının tamamen kontrol edilen bir ortamda gerçekleştiğini kabul etmek, bağlamsal bilgilerle ilgili dinamik BIM özelliklerinin önemini azaltır. Ancak bu kontrollü kurulum, AFDD modelinin sınırlı duyusal kullanılabilirlik altında test edilmesine olanak tanır. Gerçek dünya senaryolarında, sensör arızaları veya önyargıları eksik veri yakalamaya yol açabilir ve bu gibi durumlarda, dinamik veri eksikliğini kısmen telafi edebildiğinden BIM özelliklerinin kullanılması değerli hale gelir. Kontrollü ortamın doğruluk açısından BIM özelliklerinin önemini küçümsemesine rağmen, bunların dahil edilmesi pratik uygulamalarda geçerliliğini koruyarak daha kapsamlı ve doğru bir arıza tespit ve teşhis sürecine katkıda bulunuyor.

En önemli 5 özelliğin, seçilmiş veri kümesindeki BIM duyusal bilgileriyle değiştirilmesinin etkisi, BIM özelliklerinin önemini göstermektedir. Her ne kadar BIM özellikleri en etkili özelliklerin yokluğunu kısmen telafi edebilse de modeller genel olarak performanslarını aşamadı. BIM özelliklerinin AFDD modelindeki davranışı, kullanılan sınıflandırma modeline bağlıdır. BIM, yalnızca Terminal: Oda Hava Sıcaklığı Soğutma Ayar Noktası ve Terminal: Oda Hava Nemi gibi belirli BMS özellikleri çıkarıldığında gelişmiş doğruluk sunar . BIM ve BMS özellikleri arasındaki etkileşimi ve bunların AFDD modelinin genel performansı üzerindeki etkisini anlamak önemlidir. Özellikle YSA modelleri için, dinamik BMS verilerinin BIM özellikleriyle değiştirilmesi, tesislerin tamamen kontrol edilen ortamı göz önüne alındığında, BIM özelliklerine olan ihtiyacı önemli ölçüde azaltan hata tespiti ve teşhis doğruluğunu %6’ya kadar artırdı.

Akışın AFDD’den BIM’e olan ikinci bölümünde, AFDD modeli kullanılarak elde edilen analitiklerin yanı sıra parametreler ve konfigürasyonlar, modelden çıkarılan AFDD bilgilerinin sağlanmasını içeren BIM tabanlı bilgi modeline aktarılır. Bu bilgi yakalama, AFDD analitiğini depolamak ve modeli tesisin mevcut durumunu yansıtacak şekilde güncellemek için bir depo görevi görür ve bu, Dijital İkiz olarak anılır. Bu süreç, benzer tesisler için aynı konfigürasyonu kullanan AFDD modellerinin geliştirilmesine olanak tanır ve mevcut modellerin iyileştirilmesi için farklı modeller arasında karşılaştırma yapılmasını kolaylaştırır.

Şu anda BIM analitiği içermemektedir ve AFDD modeli çalıştırıldığında modelin konfigürasyonu ve analitiği kaydedilmemektedir. Bu, karşılaştırmaların etkinliğini sınırlar ve aynı modellerin çoğaltılmasına izin vermez. Ancak önerilen metodoloji kullanılarak bu tür bilgiler bilgi modeline getirilebilir. Sınıflar arasındaki ilişkileri belirlemek amacıyla daha soyut düzeydeki görselleştirmeler için bilgi grafikleri tercih edilmektedir. Bilgi grafiklerini kullanarak görselleştirmeye yönelik birden fazla araç vardır; Örneğin WebVOWL [ 89 ] grafiği çevrimiçi olarak temsil etmek için kullanılabilir. Paydaşlar, bilgi grafiği görselleştirmesi sayesinde BIM ve AFDD verileri arasında görsel olarak gezinebilir ve bunlarla etkileşime girebilir, böylece binanın dijital temsili ve ilgili analitiğine ilişkin bütünsel bir görünüm elde edebilir. Bu görsel temsil, anlayışı geliştirir, veri araştırmasını kolaylaştırır ve HVAC sisteminin arıza tespiti, teşhisi ve bakım stratejileriyle ilgili karar verme süreçlerini destekler. Örneğin, Şekil 12’de gösterildiği gibi , AFDD analitiği YSA ve SVM modeli kullanılarak ayrı ayrı yürütüldüğünde, her iki modelin analitiği de bilgi modeline aktarıldı; Aşağıdaki bilgi grafiğinde, Protégé’de bulunabilen ve ayrıca listelenebilen OWLViz ve OntoGraf gibi araçlar kullanılarak iddiaların görselleştirildiği, oluşturulan SVM modeli için RTU-1 ve ANN için RTU-1 gösterilmektedir. Bilgiler, tesis yöneticisinin AFDD modelleri için kullanılan her parametrenin yanı sıra ilgili değerler ve modelin doğruluğu gibi ek ayrıntılar hakkında net bir anlayışa sahip olmasını sağlar. Bu bilgi, HVAC sistemleri, yerleşim planları ve analizler dikkate alınarak benzer tesisler için benzer modeller geliştirmek amacıyla kullanılabilir.

Şekil 12 . YSA ve SVM modeli yapılandırmasını eklemek için ABOX bilgi grafiğinden bir alıntı.

Bu bilgiye, bilgi grafiklerinden bilgi almayı sağlayan SPARQL sorguları aracılığıyla BIM tabanlı ontoloji kullanılarak erişilebilir. Bu yetenek, varlık yöneticisinin HVAC sistemiyle ilişkili hatalar, alanlar ve bunları tespit edecek konfigürasyon gibi analitiklere erişmesini sağlar. Bilgi modelleri açısından bireyler olarak adlandırılan verilere erişim gerekiyorsa, gerekli verilere ulaşmak için SPARQL kullanılarak sorguların oluşturulması gerekir. Örneğin, varlık yöneticisinin farklı odalardaki belirli HVAC sistemini tanımlamasına olanak sağlamak için bir SPARQL sorgusu yazılır. Şekil 13’te gösterilen sorgu çıkışı, IFC modelinde izlenebilen GUID referansını sağlar. Bakım bilgileriyle birleştirildiğinde bu tür sorgular, ürünün bakım durumuna, değiştirilmesine veya durum bilgisi içeren BIM bilgileri mevcut olduğunda beklenen kullanım ömrüne ilişkin ek bilgiler sağlayabilir.

Şekil 13 . Bilgi modelindeki boşlukları ve BIM’deki ilgili GUID’leri gösteren sorgu yeniden seyahat sonuçlarının bir alıntısı.

Bilgi modelleri, bilgi grafiklerini kullanan görselleştirmeye ek olarak, dosya ve görüntülerin saklanmasına veya BIM modeli gibi harici dosyalara erişim sağlanmasına olanak tanır. Örnek olarak, örnek olay çalışmasında, RTU’nun Revit modelinden bir parça görüntü yakalamak için bir PNG dosyası kullanıldı. Bu görüntü daha sonra bilgi modeline bağlandı ve Şekil 14’te gösterildi . Uygulamada bakım fişleri, ürün resimleri ve kılavuzlar referans amacıyla modellere bağlanabilir.

Şekil 14 . BIM tabanlı bilgi modelinde saklanan görüntünün bir parçası.

6 . Tartışma
Analizin öncelikle dış faktörleri veya bağlamsal bilgileri dikkate almadan mevcut verilere dayandığı tamamen veriye dayalı modellerde, bu tür bilgilerin yokluğu, modelin gerçek dünyadaki karmaşıklıkları veya varyasyonları yakalama yeteneğini sınırlayabilir. Bu sınırlama, belirli bir sorgu için birden fazla sisteme erişim ihtiyacına yol açabilir; bu genellikle izole edilir ve çok sayıda araçta uzmanlık gerektirir. Bu gibi durumlarda, BIM özelliklerinin, özellikle de dinamik BIM’in etkisinin, FRP vaka çalışması gibi kontrollü ortamın aksine, gerçek HVAC senaryolarında daha yüksek olduğundan şüphelenilmektedir. Tanımlanan ana kısıtlamalar, ilgili belgelerin ve FRP laboratuarındaki çalışmaların [ [90] , [91] , [92] ] analizi ve BIM’in bu kısıtlamaları kolaylaştırmak için nasıl tasarlandığı ile aşağıda listelenmiştir :

Aşırı enstrümantasyon ve izleme: FRP vaka çalışmasında enerji yönetimi kontrol sistemi oda sıcaklığını, programlamayı ve diğer değişkenleri ayarlar. FRP verileri; sıcaklık, nem, hava beslemesi, geri dönüş hava akışı gibi zaman serisi verilerini ve kompresörün durumu, kondenser, besleme fanı durumu (Açık veya Kapalı) gibi durumu temsil eden sensörleri ve bunları toplayan VAV yeniden ısıtma enerji sensörlerini içerir. 1-, 15- ve 60 dakikalık frekanslardaki veriler. Aynı zamanda FRP çatının özel hava durumu istasyonunun ölçtüğü hava sıcaklığını, nemi, güneş ışınımını (doğrudan normal, dağınık ve küresel), rüzgar hızını ve yönünü de içerir. Şu anda çoğu bina bu kadar yüksek düzeyde enstrümantasyona ve izlemeye sahip değildir. Bu çalışmada gösterildiği gibi, BIM’den çıkarılan mekansal ve dinamik BIM özellikleri, AFDD için gerekli özelliklerin yokluğunda AFDD gelişimini telafi etmede veya iyileştirmede yardımcı olabilir.

Özellik sınırı: FRP vaka çalışmasında kullanılan RTU tabanlı HVAC sistemi, soğutucu sıcaklığı, basınç, hava sıcaklığı, hava RH’si, hava akışı ve sensör veri akışları: durum, komutlar ve kontrol sinyalleri için sınırlar biçiminde kısıtlamalar tanımlar. Limit, FDD’nin doğruluğunu artırmak için ayarlanır; oysa gerçekte veriler düzensiz, bozuk, eksik olabilir ve mutlaka hata olmayan anormallikler içerebilir. Dinamik formdaki BIM, bakım ve HVAC ile ilgili bilgilere erişim de dahil olmak üzere binaya özel bağlam ve tesis için geçerli temel çizgilerle donatılabilir.

Kontrollü çevre ve bina kabuğu: Çalışmada kullanılan bina, panjurların olmaması ve hiçbir duyulur veya gizli iç yükü taklit etmek için zeminin altındaki yalıtımlı zeminin kullanılması gibi sistem çevresel kısıtlamalarını empoze etmektedir. Ayrıca, belirsizliğin etkisini ve bağlamsal bilgi eksikliğini sınırlamak için aşağıdaki simüle edilmiş veya önceden belirlenmiş parametreler eklenmiştir: Simüle edilmiş doluluk, Spesifik RTU boşaltma sıcaklığı ve statik basıncı korurken dış havanın veya egzoz havasının bloke edilmesi. Bütün bunlar, çevre ve bina parametrelerinin kontrollü bir ortamdan önemli ölçüde farklı olabileceğini göstermektedir; örneğin, bina sakinlerinin pencereleri ve panjurları kullanması, modele belirsizlik katmaktadır ve dinamik BIM’in olduğu gibi modeline erişim, daha iyi performans sağlayabilir. CE’nin mevcut durumuna erişimin kanıtlanması veya durum bilgisi olan bilgilere erişim sağlanması yoluyla karar vermede yardım. Ayrıca, dinamik BIM’e erişim, yalnızca sınırlı çevresel değişkenliklere sahip kontrollü test tesislerinde tipik olarak elde edilebilen yüksek doğrulukların aksine, AFDD modellerinin gerçek binalardaki uygulanabilirliğini artıracaktır.

Arıza yükleme (deneysel ve simüle edilmiş) yöntemi: HVAC sistemleri, veri türleri/tesisleri ve arıza türleri dahil olmak üzere ön veri seti için hatalı ve hatalı olmayan senaryolar, arızalar 10 saniye boyunca (mekanik olarak simüle edilmiş) tanıtıldıkça, önceden tanımlanmış bir günlük süre boyunca sürer. test. Gerçekte arızalar üst üste binmiş, eşzamanlı, aralıklı veya sürekli olabilir. Arızalarla ilgili karmaşıklıklar meydana geldiğinde, bilinçli kararlar vermek için durum bilgisi olan BIM bilgilerinden ve görselleştirmeden yararlanılabilir. Ek olarak, önerilen metodolojide BIM, ister deneysel ister simüle edilmiş olsun, farklı modelleri karşılaştırmak için bir referans noktası görevi görebilir. Bu, AFDD modellerinin gerçek dünya senaryolarında daha iyi değerlendirilmesine ve doğrulanmasına olanak tanır.

Bakım : FRP vaka çalışmasındaki HVAC sistemi ve tüm bileşenleri yeni ve mükemmel durumdaydı. Bu nedenle sistemde herhangi bir bakım yapılmadı, bu da HVAC durumunun FDD üzerinde yaratabileceği belirsizliği azaltıyor. Gerçekte HVAC bileşenleri onarılabilir veya değiştirilebilir; bu da ekipmanın kalan ömrünün ve durumunun FDD üzerindeki etkisini etkiler. Bu gibi durumlarda önerilen dinamik BIM, özellikle de durum bilgisi olan BIM, modeldeki bakım değişikliklerini takip ederek faydalı bilgiler sağlayabilir.

Yukarıda belirtilenlerin tümü, HVAC’ın karmaşıklığı nedeniyle çoğu AFDD modelinin, gerçek binalarda olmasa da test kurulumlarında daha yüksek doğruluk gösterdiğini göstermektedir. Bu nedenle AFDD modelleri, HVAC, bina, bina sakinleri ve kullanıma ilişkin belirsizlikleri telafi etmek için bağlamsal bilgilerden yararlanabilir.

Vaka çalışması, BIM tabanlı dijital ikizin potansiyelini, özellikle de oluşturulan özelliklerin ve durum bilgisi olan BIM özelliklerinin etkisini tam olarak göstermese de, bunun nedenleri, tesisin kontrollü ortam yapısına ve bunun için gerekli olan sınırlı veri seti kullanılabilirliğine atfedilebilir. durum bilgisi olan BIM özellikleri. Ancak bu vaka çalışmasının seçiminin belirli bir amaca hizmet ettiğini belirtmek önemlidir. Amaç, HVAC AFDD’si için sınırlı sayıda duyusal verinin mevcut olduğu senaryolara BIM özelliklerinin eklenmesinin etkisini göstermekti. Böylece vaka çalışması, HVAC ve çevresi ile ilgili çeşitli duyusal veriler için tamamen veriye dayalı çözümlerin odaklanmış bir analizini mümkün kıldı. Bu nedenle, BIM özelliklerinin AFDD’yi etkileyebileceği büyüklüğün bu spesifik koşullar altında tam olarak ortaya konulamamış olabileceği kabul edilmelidir. Son olarak, tesisin dinamizmi yalnızca gelişen modeller için, yani canlı BIM için yakalanabildi ve durum bilgisi olan BIM özellikleri için gerektiği gibi izlenemedi. Veri setinin zaman aralığı HVAC bakımı için yeterli değil. Sonuç olarak, zaman içinde durum bilgisi olan değişiklikleri izlemek ve takip etmek için bir tesisin Dijital İkizi olarak kullanılabilecek Durum Bilgili BIM’i uygulamak mümkün değildir. Bununla birlikte, BMS verileri genellikle duyusal verileri neredeyse gerçek zamanlı olarak yakalar ve uzun süreler boyunca kullanılabilir; dolayısıyla Durum Bilgili BIM’in gelişimi gerçek senaryolardan etkilenmemelidir.

Binanın anlamsal bir modeli olarak BIM, binanın fiziksel ve kavramsal unsurlarının bilgi ve niteliklerini 3 boyutlu/mekansal bir temsille bütünleştirir. BIM, tek ve koordineli bir model olarak mimari, yapısal ve MEP gibi çeşitli disiplinlerden oluşur. Buna göre BIM, binanın tüm yaşam döngüsü boyunca çeşitli kullanım durumları için erişilebilirliği ve bilgi akışını destekler. Uygun bir BIM’in genellikle HVAC sistemi, alt sistemleri ve bileşenlerinin ayrıntılarını ve ayrıca bileşenler ve bina alanları arasındaki bağlantıyı sağladığı göz önüne alındığında, bilgisayar destekli tesis yönetimi için önemli bir fırsat sağlamıştır. Genellikle statik verilerden ve farklı bileşenlere yönelik çalışma koşulları ve işletme talimatları gibi resmi bilgilerden oluşan bir koleksiyon olan BIM’in, BMS’den alınan binanın işletme verileriyle ilişkilendirilmesi, tesisin dijital ikizinin oluşturulmasına yardımcı olur. Şekil 15, önerilen modelin arıza tespitinin kullanım durumu için uygulanmasını göstermektedir. DT, yalnızca sistemin sürekli güncellenen gerçeklik yakalamasını sağlamakla kalmaz, aynı zamanda sistemi çeşitli kullanım durumları için veriler, analitikler ve temel bilgilerle zenginleştirir.

Şekil 15 . HVAC FDD için BIM tabanlı bilgi modelinin uygulanması

Önerilen BIM tabanlı DT, BMS ve BAS sistemlerine bağlanarak HVAC sistemlerinin gerçek zamanlı izlenmesini ve kontrolünü kolaylaştırabilir. Bu entegrasyon, tesis yöneticisinin binayı ve HVAC’ı görselleştirmesine ve HVAC sistem performansını doluluk durumları, dış hava koşulları ve güneş ışığı yönelimi gibi faktörlere dayalı olarak daha da optimize etmesine olanak tanır. Ayrıca, HVAC kullanım verileri ve ekipman ömrü beklentisi gibi durum bilgisi olan bilgilere erişim, bağlantılı veri teknolojileri kullanılarak tesis verilerinin ürün katalogları gibi üretici verileriyle ilişkilendirilmesiyle HVAC bakımı gibi görevler için daha da kullanılabilir. BIM tabanlı DT, bu kapsamlı verilerden yararlanarak HVAC sistemlerinin genel verimliliğine ve sürdürülebilirliğine katkıda bulunarak enerji tasarrufuna ve gelişmiş konfor seviyelerine yol açabilir.

Önerilen BIM tabanlı AFDD’nin uygulanmasıyla ilgili olası zorluklar ve sınırlamalar, BIM modeli geliştirmenin ilk maliyetini ve mevcut duyusal verilerin kalitesini ve türünü içerir. Açık BIM araç ve teknolojilerinin daha erişilebilir hale gelmesiyle birlikte bu maliyetin giderek azalması dikkat çekicidir. Ek olarak, modellerin hataları tespit etme ve teşhis etmedeki doğruluğu, toplanan duyusal verilerin kalitesine ve türüne bağlıdır. Ayrıca, araştırmacıların kullanımına sunulan çoğu veri seti yalnızca sınırlı bir zaman aralığı için mevcuttur ve bu da durum bilgisi olan BIM’in uygulanmasını şu anda zorlaştırmaktadır.

BIM tabanlı bir modelin benimsenmesi, teknisyenler ve bakım personeli gibi kullanıcılarına destek sağlamayı amaçlamaktadır. Otomasyonun temel amacı, bu tür rolleri değiştirmek yerine kullanıcılara eyleme dönüştürülebilir iç görüler kazandırmaktır. Önerilen dijital ikiz, bağlama duyarlı verilere ve kapsamlı bir bilgi modeline erişimin yanı sıra çıktı analitiğinin mekansal tahsisini sağlayarak karar verme yeteneklerini geliştirmeyi amaçlamaktadır. Kullanıcılar ve dijital ikiz arasındaki bu etkileşim, bakım süreçlerini optimize etmeyi ve genel operasyonel verimliliği yükseltmeyi amaçlıyor. Ayrıca böyle entegre bir çözüm, geleneksel olarak izole edilmiş sistemler olan BIM ve BMS arasındaki boşluğu dolduruyor. Geleneksel HVAC bakımından otomatik FDD’ye geçiş, kullanıcılara AFDD model geliştirmenin temel kavramlarının yanı sıra makine öğrenimi, semantik web teknolojileri ve BIM ortamına aşinalık gibi teknolojilerin temelleri konusunda eğitim vermeyi içerir; kullanıcıların otomasyon görevlerini uygulamasına ve tahmine dayalı bakım stratejilerini uygulamasına olanak tanır.

Dinamik BIM kavramı nispeten yenidir ve kavramsal yönleri literatürde iyi bir şekilde tartışılıp geliştirilse de pratik çözümler ve uygulamadaki kullanım örnekleri sınırlıdır. Uygulama eksikliği çoğunlukla entegrasyon araçlarının (BIM, BMS ve AFDD algoritmaları arasında) bulunmamasından kaynaklanmaktadır ve bu yazıda önerilen AFDDOnto, bu tür araç ve teknolojilere bir örnektir. Bu nedenle, şu anda yerleşik endüstri standartları veya en iyileri mevcut değildir. HVAC sistemlerinde BIM tabanlı AFDD’nin geliştirilmesine yönelik uygulamalar. Bu çalışmanın ürünleri, gelecekteki diğer teknoloji gelişmelerinin bu tür çözümleri pratikte desteklemesine ve sonuçta bu alandaki gelecekteki standart gelişmelere katkıda bulunmasına olanak tanır. Anlamsal bir web çerçevesinin kullanılması, daha sonraki kullanım durumlarını kolaylaştırmak için çeşitli paydaşlar arasında uyumluluğu, birlikte çalışabilirliği ve paylaşılabilirliği geliştirmek üzere tasarlanmıştır. Önerilen çözüm, kullanıcılarının model karşılaştırma, özellik mühendisliği, model gibi görevler için BIM tabanlı AFDD modellerini kullanmasını sağlamayı amaçlamaktadır. seçimi ve benzer arketipler arasında kesintisiz bilgi aktarımı.

7 . Çözüm
Bu çalışmanın bilgi birikimine ana katkısı, Dinamik ve Canlı BIM kavramlarının pratikte benimsenmesi, BIM tabanlı veri madenciliğinin, örneğin özellik mühendisliğinin, özel kullanım durumu için bağlama duyarlı bir dijital ikiz yaratılmasında yatmaktadır. HVAC sistemlerinin AFDD’si. Bu bağlamda ontoloji, anlamsal arama, BIM destekli hata tespit algoritmaları ve hatanın BIM tabanlı görselleştirilmesi ve takibi makalenin somut katkıları olarak adlandırılabilir. Ek olarak, bu araştırmanın yeniliği, bilgiyi AFDD analitiği biçiminde yakalamak için sırasıyla makine öğrenimi ve ontoloji mühendisliği olmak üzere yapay zekanın hem aşağıdan yukarıya (veri odaklı) hem de yukarıdan aşağıya (bilgiye dayalı) yaklaşımlarını benimsemesinde yatmaktadır. HVAC ve alt sistemlerinin durumunu arşivlemek ve temsil etmek için tesisin dijital ikizini güncelleyin.

Çalışma bulguları, HVAC’ın AFDD’si ile ilgili mevcut eksikliklerin, BIM’in dinamik biçiminde, yani canlı BIM ve durum bilgisi olan BIM kullanılarak hafifletilebileceğini göstermektedir. Önerilen BIM tabanlı dijital ikiz, AFDD modeli tarafından arıza tespiti ve teşhisin doğruluğunu telafi etmek veya geliştirmek için kullanılabilecek ek özellikler üretmeyi sağlayan unsurlar olarak BIM’in bağlamsal bilgilerini ve BMS veri akışını kullanır. Ayrıca önerilen metodoloji, AFDD analitiğinin, birincil kaynaklarda mevcut verileri çoğaltmadan dijital ikize aktarılmasını sağlar. Daha sonra, önerilen yöntemin çift yönlü doğası, BIM’i dinamik bir forma dönüştürerek ve BMS’nin BIM’de mevcut bağlamsal bilgileri kullanmasına izin vererek önceden izole edilmiş BIM ve BMS veri kaynakları arasında köprü kurar. Ayrıca önerilen dijital ikiz, oluşturulan modellerin her biri için kullanıcıların konfigürasyonlara ve referans noktalarına (bilgi geçmişi) erişmesini sağlayarak AFDD süreçlerini kolaylaştırır. Dinamik BIM özelliklerinin eklenmesiyle AFDD modelinde yapılan iyileştirmeler, sınırlı sayıda sensör ve bina ve HVAC belirsizlikleriyle karşı karşıya kalan AFDD model geliştiricileri, sahipleri, tesis yöneticileri ve varlık yöneticileri gibi kullanıcılara muhtemelen fayda sağlayacaktır.

Önerilen metodolojinin sınırlaması iki yönlüdür. İlk olarak, HVAC bakımının alanı çok geniş olduğundan önerilen BIM tabanlı bilgi modeli, kullanıcının gereksinimlerinin her yönünü garanti edemez. Ek olarak, araştırma sırasında IFC’den IFCOWL’ye dönüştürme prosedürü otomatikleştirilmedi ve bu da AECOM’da yaygın olarak kullanılan IFC dosyasının güncellenmesine izin vermiyor. İkinci olarak, vaka çalışması açısından, durum bilgisi olan BIM oluşturma için gereken süre, kullanılan veri kümesi aracılığıyla dinamizm gösterme yeteneğini yalnızca canlı BIM ile sınırladı. BIM özelliğinin etkisi, vaka çalışmasının kontrollü ortamı nedeniyle sınırlıydı; bu da dinamik BIM’in tam potansiyelinin ve AFDD üzerindeki etkisinin gösterilmesini engelledi. Bu çalışma, gerçek ticari binalar için dinamik BIM’in AFDD üzerindeki etkisini belirlemek ve ölçmek amacıyla gerçek binaların veri seti üzerindeki metodolojiyi test ederek büyük fayda sağlayabilir. İdeal olarak HVAC ekipmanının tüm ömrünü kapsayan geniş bir veri seti gereklidir.

Bu çalışma varlık yönetiminin bir alt kümesini araştırmaktadır. Ancak, önerilen çözümün diğer kullanım senaryolarına genellenebilirliğini değerlendirmek için gelecekte ek BIM kullanımları incelenebilir. BIM ve BMS arasındaki entegrasyon, statik bina bilgi modelini dinamik ve bağlama duyarlı bir dijital ikize yükseltir. Bu çalışma tarafından önerilen ve uygulanan dijital ikiz ile AFDD arasındaki bağlantı, bir izleme aracı sunarak işletme ve bakım süreçlerine yardımcı olabilir; Sistemin güncel ve geçmiş durumlarına ilişkin duyusal verilerle birlikte sistemin sürekli güncellenen mekansal modeli, tesisteki fiziksel muadiliyle bağlantılıdır. Bu, erken alarmları tespit ederek ve bunları mekansal model içerisinde bağlamlandırarak öngörücü ve önleyici bakımı mümkün kılmak için önemli bir destektir. Ayrıca DT, bilgi modelini doldurmak, hafif arızaların varlığını veya oluşma riskini, gelişir gelişmez ve yükselip kendilerini göstermeden önce yakalamak için BIM yoluyla gelen çeşitli ekipmanlar için kılavuzlardan ve standart çalışma koşullarından yararlanır. sistem (veya alt sistem) arızası şeklinde. Arızalı bileşenlerin teşhisi, bunların tesisin mekansal modeline tahsis edilmesi ve geçmişlerinin muhafaza edilmesi, HVAC bakım ekibi için başka bir destek aracı olacaktır. Gelecekteki araştırmalar, BIM’den gelen anlamsal bilgilerin BIM tabanlı AFDD modellerinin doğruluğu üzerindeki etkisini ölçmeye odaklanmalıdır; dijital ikiz tesisi için oluşturulan özelliğin hassasiyetleri gerçek hayattaki binalar için daha fazla araştırılmalıdır. Ayrıca, belirli bir bina ve HVAC sistemi için oluşturulan modellerin diğer karşılaştırılabilir DT’lerde kısmen veya tamamen yeniden kullanılıp kullanılamayacağını belirlemek için birden fazla DT karşılaştırılabilir ve analiz edilebilir.

CRediT yazarlık katkı beyanı
Arash Hosseini Gourabpasi: Yazma – orijinal taslak, Görselleştirme, Doğrulama, Yazılım, Metodoloji, Araştırma, Biçimsel analiz, Veri iyileştirme. Mazdak Nik-Bakht: Yazma – inceleme ve düzenleme, Denetleme, Metodoloji, Kavramsallaştırma.

Rekabetçi menfaat beyanı
Yazarlar, bu makalede rapor edilen çalışmayı etkileyecek gibi görünen, birbiriyle rekabet halinde olan herhangi bir finansal çıkar veya kişisel ilişkinin bulunmadığını beyan etmektedir.

Referanslar:
[1] S. Sun, G. Li, H. Chen, Q. Huang, S. Shi, W. Hu, A hybrid ICA-BPNN-based FDD strategy for refrigerant charge faults in variable refrigerant flow system, Appl.
Therm. Eng. 127 (2017) 718–728, https://doi.org/10.1016/j.applthermaleng.2017.08.047.
[2] S. Frank, X. Jin, D. Studer, A. Farthing, Assessing barriers and research challenges for automated fault detection and diagnosis technology for small commercial
buildings in the United States, Renew. Sustain. Energy Rev. 98 (2018) 489–499, https://doi.org/10.1016/j.rser.2018.08.046.
[3] J. Winkler, J. Munk, W. Hunt, Barriers to Broader Utilization of Fault Detection Technologies for Improving Residential HVAC Equipment Efficiency, 2022,
https://doi.org/10.2172/1862663.
[4] D. Chakraborty, H. Elzarka, Early detection of faults in HVAC systems using an XGBoost model with a dynamic threshold, Energy Build. 185 (2019) 326–344,
Journal of Building Engineering 87 (2024) 109022
21
A. Hosseini Gourabpasi and M. Nik-Bakht
https://doi.org/10.1016/j.enbuild.2018.12.032.
[5] A. Beghi, R. Brignoli, L. Cecchinato, G. Menegazzo, M. Rampazzo, A data-driven approach for fault diagnosis in HVAC chiller systems, in: 2015 IEEE Conference
on Control Applications (CCA), IEEE, Sydney, Australia, 2015, pp. 966–971, https://doi.org/10.1109/CCA.2015.7320737.
[6] Y. Fan, X. Cui, H. Han, H. Lu, Chiller fault diagnosis with field sensors using the technology of imbalanced data, Appl. Therm. Eng. 159 (2019) 113933, https://
doi.org/10.1016/j.applthermaleng.2019.113933.
[7] M.S. Mirnaghi, F. Haghighat, Fault detection and diagnosis of large-scale HVAC systems in buildings using data-driven methods: a comprehensive review,
Energy Build. 229 (2020) 110492, https://doi.org/10.1016/j.enbuild.2020.110492.
[8] Q. Lu, X. Xie, A.K. Parlikad, J.M. Schooling, Digital twin-enabled anomaly detection for built asset monitoring in operation and maintenance, Autom. ConStruct.
118 (2020) 103277, https://doi.org/10.1016/j.autcon.2020.103277.
[9] B. Dong, Z. O’Neill, Z. Li, A BIM-enabled information infrastructure for building energy Fault Detection and Diagnostics, Autom. ConStruct. 44 (2014) 197–211,
https://doi.org/10.1016/j.autcon.2014.04.007.
[10] A. Andriamamonjy, D. Saelens, R. Klein, An auto-deployed model-based fault detection and diagnosis approach for Air Handling Units using BIM and Modelica,
Autom. ConStruct. 96 (2018) 508–526, https://doi.org/10.1016/j.autcon.2018.09.016.
[11] R. Eftekharirad, M. Nik-Bakht, A. Hammad, Extending IFC for Fire Emergency Real-Time Management Using Sensors and Occupant Information, 2018, p. 9.
[12] J.V. Moreno, R. Machete, A.P. Falcão, A.B. Gonçalves, R. Bento, Dynamic data feeding into BIM for facility management: a prototype application to a university
building, Buildings 12 (2022) 645, https://doi.org/10.3390/buildings12050645.
[13] A.H. Gourabpasi, M. Nik-Bakht, Stateful BIM(BIM) for Digital twinning of the built environment, in: Next-Generation Cities Encyclopedia, 2024.
[14] GitHub – arashhosseiniarash/AFDDOntology, (n.d.). https://github.com/arashhosseiniarash/AFDDOntology (accessed January 28, 2024).
[15] S. Miyata, J. Lim, Y. Akashi, Y. Kuwahara, K. Tanaka, Fault detection and diagnosis for heat source system using convolutional neural network with imaged
faulty behavior data, Science and Technology for the Built Environment 26 (2020) 52–60, https://doi.org/10.1080/23744731.2019.1651619.
[16] R. Chiosa, M.S. Piscitelli, C. Fan, A. Capozzoli, Towards a self-tuned data analytics-based process for an automatic context-aware detection and diagnosis of
anomalies in building energy consumption timeseries, Energy Build. 270 (2022) 112302, https://doi.org/10.1016/j.enbuild.2022.112302.
[17] R. Shohet, M.S. Kandil, Y. Wang, J.J. McArthur, Fault detection for non-condensing boilers using simulated building automation system sensor data, Adv. Eng.
Inf. 46 (2020) 101176, https://doi.org/10.1016/j.aei.2020.101176.
[18] K. Yan, X. Zhou, Chiller faults detection and diagnosis with sensor network and adaptive 1D CNN, Digital Communications and Networks 8 (2022) 531–539,
https://doi.org/10.1016/j.dcan.2022.03.023.
[19] F. Xiao, Y. Zhao, J. Wen, S. Wang, Bayesian network based FDD strategy for variable air volume terminals, Autom. ConStruct. 41 (2014) 106–118, https://
doi.org/10.1016/j.autcon.2013.10.019.
[20] H. Wang, Y. Chen, C.W.H. Chan, J. Qin, J. Wang, Online model-based fault detection and diagnosis strategy for VAV air handling units, Energy Build. 55 (2012)
252–263, https://doi.org/10.1016/j.enbuild.2012.08.016.
[21] A. Rosato, F. Guarino, V. Filomena, S. Sibilio, L. Maffei, Experimental calibration and validation of a simulation model for Fault Detection of HVAC systems and
application to a case study, Energies 13 (2020) 3948, https://doi.org/10.3390/en13153948.
[22] M. Bonvini, M.D. Sohn, J. Granderson, M. Wetter, M.A. Piette, Robust on-line fault detection diagnosis for HVAC components based on nonlinear state
estimation techniques, Appl. Energy 124 (2014) 156–166, https://doi.org/10.1016/j.apenergy.2014.03.009.
[23] K. Yan, X. Chen, X. Zhou, Z. Yan, J. Ma, Physical model informed Fault Detection and diagnosis of air handling units based on transformer generative adversarial
network, IEEE Trans. Ind. Inf. 19 (2023) 2192–2199, https://doi.org/10.1109/TII.2022.3193733.
[24] B. Gunay, B.W. Hobson, D. Darwazeh, J. Bursill, Estimating energy savings from HVAC controls fault correction through inverse greybox model-based virtual
metering, Energy Build. 282 (2023) 112806, https://doi.org/10.1016/j.enbuild.2023.112806.
[25] W.-S. Yun, W.-H. Hong, H. Seo, A data-driven fault detection and diagnosis scheme for air handling units in building HVAC systems considering undefined states,
J. Build. Eng. 35 (2021) 102111, https://doi.org/10.1016/j.jobe.2020.102111.
[26] D.A. Veronica, Automatically detecting faulty regulation in HVAC controls, in: B.L. Capehart, M.R. Brambley (Eds.), Automated Diagnostics and Analytics for
Buildings, first ed., River Publishers, 2021, pp. 453–465, https://doi.org/10.1201/9781003151906-42.
[27] A. Hosseini Gourabpasi, M. Nik-Bakht, Knowledge discovery by analyzing the state of the art of data-driven Fault Detection and diagnostics of building HVAC,
CivilEng 2 (2021) 986–1008, https://doi.org/10.3390/civileng2040053.
[28] K. Verbert, R. Babuška, B. De Schutter, Combining knowledge and historical data for system-level fault diagnosis of HVAC systems, Eng. Appl. Artif. Intell. 59
(2017) 260–273, https://doi.org/10.1016/j.engappai.2016.12.021.
[29] K. Haruehansapong, W. Roungprom, M. Kliangkhlao, K. Yeranee, B. Sahoh, Deep learning-driven Automated Fault Detection and diagnostics based on a
contextual environment: a case study of HVAC system, Buildings 13 (2022) 27, https://doi.org/10.3390/buildings13010027.
[30] L. Zhang, M. Leach, J. Chen, Y. Hu, Sensor cost-effectiveness analysis for data-driven fault detection and diagnostics in commercial buildings, Energy 263 (2023)
125577, https://doi.org/10.1016/j.energy.2022.125577.
[31] S. Mulligan, L. Hannon, P. Ryan, S. Nair, E. Clifford, Development of a data driven FDD approach for building water networks: water distribution system
performance assessment rules, J. Build. Eng. 34 (2021) 101773, https://doi.org/10.1016/j.jobe.2020.101773.
[32] H. Alavi, N. Forcada, User-centric BIM-based framework for HVAC root-cause detection, Energies 15 (2022) 3674, https://doi.org/10.3390/en15103674.
[33] Y. Cao, S.N. Kamaruzzaman, N.M. Aziz, Building information modeling (BIM) capabilities in the operation and maintenance phase of green buildings: a
systematic review, Buildings 12 (2022) 830, https://doi.org/10.3390/buildings12060830.
[34] X. Gao, P. Pishdad-Bozorgi, BIM-enabled facilities operation and maintenance: a review, Adv. Eng. Inf. 39 (2019) 227–247, https://doi.org/10.1016/
j.aei.2019.01.005.
[35] F. Abdoul-Wali, Fault Detection and Localization Using IFC: A Case Study of BIM-Based Visualisation of BAS-Related Faults, CIBSE Technical Symposium, 2019,
p. 17.
[36] J.C.P. Cheng, W. Chen, K. Chen, Q. Wang, Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine
learning algorithms, Autom. ConStruct. 112 (2020) 103087, https://doi.org/10.1016/j.autcon.2020.103087.
[37] P. Schönfelder, A. Aziz, B. Faltin, M. König, Automating the retrospective generation of As-is BIM models using machine learning, Autom. ConStruct. 152 (2023)
104937, https://doi.org/10.1016/j.autcon.2023.104937.
[38] T. Bloch, R. Sacks, Comparing machine learning and rule-based inferencing for semantic enrichment of BIM models, Autom. ConStruct. 91 (2018) 256–272,
https://doi.org/10.1016/j.autcon.2018.03.018.
[39] A. Zabin, V.A. González, Y. Zou, R. Amor, Applications of machine learning to BIM: a systematic literature review, Adv. Eng. Inf. 51 (2022) 101474, https://
doi.org/10.1016/j.aei.2021.101474.
[40] M. Valinejadshoubi, O. Moselhi, A. Bagchi, A. Salem, Development of an IoT and BIM-based automated alert system for thermal comfort monitoring in buildings,
Sustain. Cities Soc. 66 (2021) 102602, https://doi.org/10.1016/j.scs.2020.102602.
[41] G.F. Schneider, Y. Kalantari, G. Kontes, S. Steiger, D. Rovas, AN ONTOLOGY-BASED TOOL FOR AUTOMATED CONFIGURATION AND DEPLOYMENT OF
TECHNICAL BUILDING MANAGEMENT SERVICES, (n.d.) vol. 9..
[42] I. Ha, H. Kim, S. Park, H. Kim, Image retrieval using BIM and features from pretrained VGG network for indoor localization, Build. Environ. 140 (2018) 23–31,
https://doi.org/10.1016/j.buildenv.2018.05.026.
[43] H. Hassanpour, P. Mhaskar, J.M. House, T.I. Salsbury, A hybrid modeling approach integrating first-principles knowledge with statistical methods for fault
detection in HVAC systems, Comput. Chem. Eng. 142 (2020) 107022, https://doi.org/10.1016/j.compchemeng.2020.107022.
[44] T. Hong, Z. Wang, X. Luo, W. Zhang, State-of-the-art on research and applications of machine learning in the building life cycle, Energy Build. 212 (2020)
109831, https://doi.org/10.1016/j.enbuild.2020.109831.
[45] F. Shalabi, Y. Turkan, BIM–energy simulation approach for detecting building spaces with faults and problematic behavior, ITcon 25 (2020) 342–360, https://
doi.org/10.36680/j.itcon.2020.020.
[46] S. Tang, D.R. Shelden, C.M. Eastman, P. Pishdad-Bozorgi, X. Gao, A review of building information modeling (BIM) and the internet of things (IoT) devices
Journal of Building Engineering 87 (2024) 109022
22
A. Hosseini Gourabpasi and M. Nik-Bakht
integration: present status and future trends, Autom. ConStruct. 101 (2019) 127–139, https://doi.org/10.1016/j.autcon.2019.01.020.
[47] A. Schumann, J. Hayes, P. Pompey, O. Verscheure, Adaptable Fault Identification for Smart Buildings, (n.d.) vol. 4..
[48] G. Ramanathan, M. Husmann, C. Niedermeier, N. Vicari, K. Garcia, S. Mayer, Assisting automated fault detection and diagnostics in building automation
through semantic description of functions and process data, in: Proceedings of the 8th ACM International Conference on Systems for Energy-Efficient Buildings,
Cities, and Transportation, ACM, Coimbra Portugal, 2021, pp. 228–229, https://doi.org/10.1145/3486611.3492230.
[49] H. Dibowski, O. Holub, J. Rojicek, Ontology-based automatic setup of virtual sensors in building automation systems, in: 2016 8th International Congress on
Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), IEEE, Portugal, Lisbon, 2016, pp. 375–381, https://doi.org/10.1109/
ICUMT.2016.7765388.
[50] E.A. Pärn, D.J. Edwards, Conceptualising the FinDD API plug-in: a study of BIM-FM integration, Autom. ConStruct. 80 (2017) 11–21, https://doi.org/10.1016/
j.autcon.2017.03.015.
[51] Z. Riaz, M. Arslan, A.K. Kiani, S. Azhar, CoSMoS: a BIM and wireless sensor based integrated solution for worker safety in confined spaces, Autom. ConStruct. 45
(2014) 96–106, https://doi.org/10.1016/j.autcon.2014.05.010.
[52] W. Terkaj, G.F. Schneider, P. Pauwels, Reusing Domain Ontologies in Linked Building Data: the Case of Building Automation and Control, (n.d.) 12..
[53] K. Kim, H. Kim, W. Kim, C. Kim, J. Kim, J. Yu, Integration of ifc objects and facility management work information using Semantic Web, Autom. ConStruct. 87
(2018) 173–187, https://doi.org/10.1016/j.autcon.2017.12.019.
[54] P. Delgoshaei, M.A. Austin, D. Veronica, Semantic models and rule-based reasoning for Fault Detection and diagnostics: applications in heating, Ventilating and
Air Conditioning Systems (2017) 6.
[55] B. Balaji, A. Bhattacharya, G. Fierro, J. Gao, J. Gluck, D. Hong, A. Johansen, J. Koh, J. Ploennigs, Y. Agarwal, M. Bergés, D. Culler, R.K. Gupta, M.B. Kjærgaard,
M. Srivastava, K. Whitehouse, Brick : metadata schema for portable smart building applications, Appl. Energy 226 (2018) 1273–1292, https://doi.org/10.1016/
j.apenergy.2018.02.091.
[56] HVAC – Project Haystack, (n.d.). https://project-haystack.org/tag/hvac (accessed November 19, 2020)..
[57] SAREF extension for building, (n.d.). https://saref.etsi.org/saref4bldg/v1.1.2/(accessed November 19, 2020)..
[58] ifcOWL, buildingSMART Technical (n.d.). https://technical.buildingsmart.org/standards/ifc/ifc-formats/ifcowl/(accessed January 28, 2024)..
[59] Industry Foundation Classes (IFC), buildingSMART Technical (n.d.). https://technical.buildingsmart.org/standards/ifc/(accessed January 28, 2024)..
[60] P. Pauwels, W. Terkaj, EXPRESS to OWL for construction industry: towards a recommendable and useable ifcOWL ontology, Autom. ConStruct. 63 (2016)
100–133, https://doi.org/10.1016/j.autcon.2015.12.003.
[61] Google/digitalbuildings, 2020. https://github.com/google/digitalbuildings. (Accessed 1 December 2020).
[62] M.H. Rasmussen, P. Pauwels, M. Lefrançois, G.F. Schneider, C.A. Hviid, J. Karlshøj, Recent Changes in the Building Topology Ontology, 2017, https://doi.org/
10.13140/RG.2.2.32365.28647.
[63] Arash Hosseini, AFDDOntology-An Ontology for AFDD of HVAC, 2022. https://github.com/arashhosseiniarash/AFDDOntology. April 12, 2023).
[64] B. Dong, Z. O’Neill, Z. Li, A BIM-enabled information infrastructure for building energy Fault Detection and Diagnostics, Autom. ConStruct. 44 (2014) 197–211,
https://doi.org/10.1016/j.autcon.2014.04.007.
[65] H. Dibowski, J. Vass, O. Holub, J. Rojicek, Automatic setup of fault detection algorithms in building and home automation, in: 2016 IEEE 21st International
Conference on Emerging Technologies and Factory Automation (ETFA), IEEE, Berlin, Germany, 2016, pp. 1–6, https://doi.org/10.1109/ETFA.2016.7733622.
[66] H.S. Ur Rehman, M.A. Raza, R. Masood, M.A. Khan, S. Alamgir, M.A. Javed, K. Roy, J.B.P. Lim, A multi-facet BIM based approach for Green Building design of
new multi-family residential building using LEED system, International Journal of Construction Management 23 (2023) 2024–2038, https://doi.org/10.1080/
15623599.2022.2033419.
[67] J. Merino, X. Xie, N. Moretti, J.Y. Chang, A. Parlikad, Data integration for digital twins in the built environment based on federated data models, Proceedings of
the Institution of Civil Engineers – Smart Infrastructure and Construction 176 (2023) 194–211, https://doi.org/10.1680/jsmic.23.00002.
[68] L. Gugliermetti, F. Cumo, S. Agostinelli, A future direction of machine learning for building energy management: interpretable models, Energies 17 (2024) 700,
https://doi.org/10.3390/en17030700.
[69] R.O. Yussuf, O.S. Asfour, Applications of artificial intelligence for energy efficiency throughout the building lifecycle: an overview, Energy Build. 305 (2024)
113903, https://doi.org/10.1016/j.enbuild.2024.113903.
[70] X. Xie, J. Merino, N. Moretti, P. Pauwels, J.Y. Chang, A. Parlikad, Digital twin enabled fault detection and diagnosis process for building HVAC systems, Autom.
ConStruct. 146 (2023) 104695, https://doi.org/10.1016/j.autcon.2022.104695.
[71] H.H. Hosamo, P.R. Svennevig, K. Svidt, D. Han, H.K. Nielsen, A Digital Twin predictive maintenance framework of air handling units based on automatic fault
detection and diagnostics, Energy Build. 261 (2022) 111988, https://doi.org/10.1016/j.enbuild.2022.111988.
[72] C. Schröer, F. Kruse, J.M. Gómez, A systematic literature review on applying CRISP-DM process model, Procedia Computer Science 181 (2021) 526–534,
https://doi.org/10.1016/j.procs.2021.01.199.
[73] A. Afram, F. Janabi-Sharifi, A.S. Fung, K. Raahemifar, Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems:
a state of the art review and case study of a residential HVAC system, Energy Build. 141 (2017) 96–113, https://doi.org/10.1016/j.enbuild.2017.02.012.
[74] A. Afram, F. Janabi-Sharifi, Review of modeling methods for HVAC systems, Appl. Therm. Eng. 67 (2014) 507–519, https://doi.org/10.1016/
j.applthermaleng.2014.03.055.
[75] V. Martinez-Viol, E.M. Urbano, K. Kampouropoulos, M. Delgado-Prieto, L. Romeral, Support vector machine based novelty detection and FDD framework
applied to building AHU systems, in: 2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), IEEE, Vienna, Austria,
2020, pp. 1749–1754, https://doi.org/10.1109/ETFA46521.2020.9212088.
[76] H. Han, X. Cui, Y. Fan, H. Qing, Least squares support vector machine (LS-SVM)-based chiller fault diagnosis using fault indicative features, Appl. Therm. Eng.
154 (2019) 540–547, https://doi.org/10.1016/j.applthermaleng.2019.03.111.
[77] P. Forner, D. Galbreath, D. Halel, W. Lupson, R. Granderson, T. Offord, ANSI/ASHRAE/ACCA Standard 1 80-201 8, (n.d.) 42.
[78] Flexible Research Platforms | ORNL, (n.d.). https://www.ornl.gov/content/flexible-research-platforms (accessed July 17, 2023)..
[79] LBNL Automated Fault Detection for Buildings Data, (n.d.). https://www.kaggle.com/datasets/claytonmiller/lbnl-automated-fault-detection-for-buildings-data
(accessed July 9, 2023)..
[80] Level of Development Specification, https://bim-international.com/wp-content/uploads/2016/03/LOD-Specification-2015.pdf, 2015.
[81] IFC Viewer | usBIM | ACCA software, (n.d.). https://www.accasoftware.com/en/ifc-viewer (accessed July 9, 2023)..
[82] G.F. Schneider, Automated Ontology Matching in the Architecture, Engineering and Construction Domain – A Case Study, (n.d.) 15..
[83] J. Oraskari, M. Bonduel, K. McGlinn, P. Pauwels, F. Priyatna, A. Wagner, V. Kukkonen, S. Steyskaland, J. Lehtonen, IFCtoLBD, https://github.com/jyrkioraskari/
IFCtoLBD, 2023. (Accessed 9 July 2023).
[84] protégé, (n.d.). https://protege.stanford.edu/(accessed July 9, 2023)..
[85] Anaconda | The World’s Most Popular Data Science Platform, Anaconda (n.d.). https://www.anaconda.com/(accessed July 20, 2023)..
[86] Roof top unit (RTU), Fault Detection and Diagnostics (n.d.). https://faultdetection.lbl.gov/dataset/rtu/(accessed February 17, 2024)..
[87] Blazegraph Database, (n.d.). https://blazegraph.com/(accessed July 24, 2023)..
[88] B. Ben Mahria, I. Chaker, A. Zahi, A novel approach for learning ontology from relational database: from the construction to the evaluation, J Big Data 8 (2021)
25, https://doi.org/10.1186/s40537-021-00412-2.
[89] WebVOWL – Web-based Visualization of Ontologies, (n.d.). http://vowl.visualdataweb.org/webvowl.html (accessed July 20, 2023)..
[90] A. Casillas, G. Lin, J. Granderson, Curation of Ground-Truth Validated Benchmarking Datasets for Fault Detection & Diagnostics Tools, 2020, https://doi.org/
10.20357/B7NG6Z.
[91] J. Granderson, G. Lin, A. Harding, P. Im, Y. Chen, Building fault detection data to aid diagnostic algorithm creation and performance testing, Sci. Data 7 (2020)
65, https://doi.org/10.1038/s41597-020-0398-6.
[92] Y. Yoon, Y. Li, P. Im, Y. Bae, Implementation of ASHRAE Guideline 36 Control Logic into Oak Ridge National Laboratory (ORNL)’s Flexible Research Platform,
FRP), 2022, https://doi.org/10.2172/1871093.