AI system spots hidden building problems by reading equipment alarms
Researchers developed an unsupervised machine learning tool that analyzes building operation logs to detect patterns and issues in school facilities without requiring manual labeling. The approach could cut maintenance costs and catch system failures earlier by automating what facilities managers typically spend hours doing manually.
Originaltitel: Unsupervised Analysis of EcoStruxure Building Operation (EBO) Alarm Logs in School Buildings
Författaren presenterar en metod för oövervakad analys av larmloggar från EcoStruxure Building Operation i skolbyggnader. Genom att tillämpa maskininlärningsalgoritmer på ostrukturerade larmsignaler identifieras mönster som traditionell hantering missar. Studien genomfördes på data från Skellefteå Hospital och byggnader vid Luleå University of Technology. Den oövervakade ansatsen eliminerar behovet av märkt träningsdata, vilket reducerar kostnaden och tiden för implementering betydligt. Resultaten visar att automatiserad analys av byggkontrollsystem kan förbättra drifteffektiviteten och reducera både falska larm och missade fel. För digitaliseringsledare och fastighetsägare betyder detta möjlighet att förutsäga underhållsbehov utan att bygga dyra märkta datasatser. Metoden är tillämplig på andra byggklasser och öppnar väg för storskalig implementering av prediktiv underhållsövervakning i befintlig bygginfrastruktur.