Bu tədqiqat binalardakı isitmə, ventilyasiya və kondisioner sistemlərinin texniki xidmətini vahid rəqəmsal iş axını altında idarə etmək məqsədilə BIM, süni neyron şəbəkələri, uzun-qısa müddətli yaddaş şəbəkələri və məlumat axtarışı ilə dəstəklənən generasiyanı birləşdirən çərçivə təklif edir. Sistem Industry Foundation Classes formatındakı BIM modelindən HVAC avadanlıqlarının növünü, yerini, əlaqələrini və əməliyyat xüsusiyyətlərini çıxarır; bu semantik məlumatları temperatur, təzyiq, axın sürəti, vibrasiya, enerji sərfiyyatı və səmərəlilik kimi sensor ölçmələri ilə birləşdirir. Statik və kontekstual xüsusiyyətlər süni neyron şəbəkəsi qolunda, zamanla dəyişən deqradasiya davranışları isə LSTM qolunda işlənir; iki təsvir birləşdirilərək avadanlığın mövcud sağlamlıq vəziyyəti və gələcək nasazlıq riski proqnozlaşdırılır.

Proqnozlaşdırılan deqradasiya vəziyyəti daha sonra texniki xidmət təlimatları, istehsalçı sənədləri, keçmiş texniki xidmət qeydləri və mühəndislik standartlarından uyğun hissələri gətirən RAG moduluna ötürülür. Böyük dil modeli; BIM aktiv məlumatı, proqnozlaşdırılan deqradasiya və gətirilən texniki sənədlərdən istifadə etməklə nasazlıq növü, kök səbəb, təsir, aşkarlama göstəricisi, şiddət, başvermə ehtimalı, aşkarlana bilmə, Risk Prioritet Sayı və tövsiyə olunan texniki xidmət əməliyyatlarını ehtiva edən strukturlaşdırılmış FMEA qeydləri yaradır.

Tədqiqatda bildirilən nəticələrə görə hibrid ANN–LSTM modeli %4,1 RMSE, %3,2 MAE, %5,0 MAPE, 0,958 R² və %95 proqnoz dəqiqliyi əldə edib. RAG qatı üçün orta RAGAS balı 0,917, BLEU və ROUGE-1 dəyərləri isə %79,2 kimi hesabatlandırılıb. Nasos kavitasiyası 420, chiller istilik dəyişdiricisinin çirklənməsi 336, hava emalı qurğusunun filtr tıxanması 252 və VAV damper aktuatoru nasazlığı 160 RPN ilə nümunələndirilib.

Bununla belə nəticələr əsasən sintetik IFC4 rəqəmsal əkizləri və cəmi 96 sensor müşahidəsindən ibarət 24 saatlıq nəzarətli məlumat əsasında əldə edilib. Məlumatların bölünməsi və ardıcıllığın yaradılması üsulu kifayət qədər açıqlanmadığı üçün müstəqil test performansının etibarlılığı dəqiq deyil. İstifadə olunan böyük dil modeli, embedding modeli, sənəd parçalama parametrləri, sorğu sayı və ekspert qiymətləndirmə protokolu da göstərilməyib. Bundan başqa yaradılan kritik nasazlıqlar siyahısında elektrik açarı, hava kanalı və VAV terminalı kimi komponentlərə kavitasiya və ya rulman nasazlığı təyin edilməsi avtomatik FMEA generasiyasının hələ birbaşa texniki xidmət qərarı verəcək etibarlılığa çatmadığını göstərir.

Türkiyə baxımından mənası və uyğunlaşdırma tələbləri

Təklif olunan yanaşma Türkiyədə xəstəxana, ticarət mərkəzi, hava limanı, otel, dövlət binası, zavod və məlumat mərkəzi kimi sıx HVAC infrastrukturu olan tikililərdə texniki xidmət məlumatlarının BIM obyektləri ilə əlaqələndirilməsi baxımından əhəmiyyətlidir. Yerli tətbiqdə nasos, chiller, fan, kondisioner qurğusu, VAV terminalı və sensorların IFC identifikatorları; bina avtomatlaşdırma sistemindən gələn real vaxt məlumatları və texniki xidmət idarəetmə proqramındakı iş əmrləri ilə ortaq aktiv qeydiyyat sistemində birləşdirilə bilər.

Lakin Türkiyədə birbaşa tətbiqə keçməzdən əvvəl müxtəlif iqlim zonalarını və fəsilləri əhatə edən ən azı bir illik real əməliyyat məlumatı, müxtəlif istehsalçılara aid HVAC cihazları, kalibrlənmiş vibrasiya və enerji sensorları, müstəqil texniki xidmət mütəxəssisləri tərəfindən hazırlanmış FMEA istinadları və real nasazlıq qeydləri ilə doğrulama aparılmalıdır. Türkcə texniki xidmət sənədləri və qüvvədə olan texniki qaydalar bilik bazasına əlavə edilməli; yaradılan hər tövsiyə mənbə sənədi, sənəd bölməsi və etibar balı ilə göstərilməlidir. Avtomatik sistemin verdiyi RPN və ya texniki xidmət tövsiyəsi səlahiyyətli mühəndisin təsdiqi olmadan cihazı söndürmək, hissə dəyişdirmək və ya təhlükəsizlik-kritik qərar üçün istifadə edilməməlidir.

Tədqiqatın həll etməyə çalışdığı problem

Ənənəvi HVAC texniki xidməti əsasən iki yanaşmaya söykənir. Düzəldici texniki xidmətdə avadanlıq sıradan çıxdıqdan sonra müdaxilə edilir; bu vəziyyət gözlənilməz dayanma, yüksək təmir xərci və bina xidmətlərində fasilə yarada bilər. Profilaktik texniki xidmətdə isə avadanlıq müəyyən təqvim intervallarında yoxlanılır və ya hissələri dəyişdirilir. Təqvim əsaslı bu yanaşma sağlam hissənin lazımsız dəyişdirilməsinə və ya sürətlə deqradasiya edən avadanlığa gec müdaxilə edilməsinə səbəb ola bilər.

Proqnozlaşdırıcı texniki xidmət real cihaz vəziyyətini sensorlardan izləyərək nasazlıq yaranmamışdan əvvəl müdaxilə etməyi hədəfləyir. Buna baxmayaraq mövcud iş axınlarında bina modeli, cihaz kataloqu, sensor ölçmələri, texniki xidmət qeydləri və mühəndislik sənədləri çox vaxt bir-birindən ayrı sistemlərdə saxlanılır. Texniki xidmət mühəndisi nasazlıq meylini anlamaq üçün bu müxtəlif mənbələri əl ilə birləşdirməli və FMEA kimi etibarlılıq sənədlərini manual hazırlamalı ola bilər.

Tədqiqat bu məlumat parçalanmasını üç texnologiyanı bir araya gətirməklə azaltmağı hədəfləyir:

• BIM və IFC: Cihazın hansı bina, mərtəbə, zona və HVAC şəbəkəsində yerləşdiyini; növünü, tutumunu, əlaqələrini və xüsusiyyətlərini təmsil edir.
• ANN–LSTM: Statik aktiv məlumatı ilə zaman sırası sensor məlumatını birləşdirərək deqradasiya və nasazlıq riskini proqnozlaşdırır.
• RAG: Proqnoz nəticəsini texniki sənədlərlə əlaqələndirərək strukturlaşdırılmış FMEA və texniki xidmət tövsiyəsi yaradır.

Təklif olunan başdan-başa iş axını

19. səhifədəki Şəkil 1 üsulu altı əlaqəli mərhələdə göstərir:

1. Revit və ya başqa BIM mühitindəki modelin IFC formatında ixrac edilməsi.
2. IFC-nin ayrışdırılması və HVAC aktivlərinin semantik xüsusiyyətlərinin çıxarılması.
3. IFC xüsusiyyətləri ilə əməliyyat sensor məlumatlarının birləşdirilməsi.
4. Hibrid ANN–LSTM modeli ilə avadanlıq vəziyyətinin proqnozlaşdırılması.
5. Texniki sənədlərin bilik bazasından semantik olaraq gətirilməsi və RAG ilə FMEA yaradılması.
6. Nəticənin ağıllı texniki xidmət qərar dəstəyi, BIM mühiti və ya kompüterləşdirilmiş texniki xidmət idarəetmə sisteminə ötürülməsi.

Bu yanaşmada IFC modeli rəqəmsal əkizin semantik onurğası kimi qəbul edilir. Proqnozlar yalnız anonim sensor sətirləri kimi qalmır; hər nəticə müəyyən nasos, chiller, fan, klapan və ya hava emalı qurğusunun BIM obyekti ilə əlaqələndirilir.

IFC modelindən hansı məlumatlar çıxarılır?

IFC4 modelləri IfcOpenShell kimi ayrışdırma mühərriki ilə oxunur. Sistem aşağıdakı HVAC aktivlərini tapmağı hədəfləyir:

• IfcPump sinfindəki nasoslar.
• IfcChiller sinfindəki chiller qurğuları.
• IfcAirHandlingUnit sinfindəki hava emalı qurğuları.
• IfcFan sinfindəki fanlar.
• IfcValve sinfindəki klapanlar.
• IfcVAVTerminal sinfindəki dəyişən hava axınlı terminallar.
• IfcSensor sinfindəki temperatur, rütubət və təzyiq sensorları.
• Kanal, boru, idarəetmə paneli, motor idarəetmə mərkəzi və dam tipli HVAC qurğuları.

Çıxarılan məlumatlar üç qrupda nəzərdən keçirilir:

HVAC aktivlər toplusu:

\[ E=\{e_1,e_2,\ldots,e_n\} \]

kimi müəyyən edilir. Hər \(e_i\), IFC modelindən çıxarılan HVAC avadanlığını təmsil edir. Avadanlığa aid xüsusiyyətlər toplusu:

\[ P_i=\{p_1,p_2,\ldots,p_m\} \]

formasındadır. \(p_j\); axın, təzyiq, temperatur, səmərəlilik və ya vibrasiya kimi bir xüsusiyyətdir. Bütün aktivlərin xüsusiyyətləri aşağıdakı matriksdə birləşdirilir:

\[ X= \begin{bmatrix} P_1\\ P_2\\ \vdots\\ P_n \end{bmatrix} \]

Məlumat təmizləmə və xüsusiyyət mühəndisliyi

IFC modellərində əskik xüsusiyyətlər, fərqli ölçü vahidləri, təkrarlanan qeydlər və nizamsız kateqorik məlumatlar ola bilər. Tədqiqatda əskik məlumatların interpolasiya və ya medianla tamamlandığı, təkrarlanan qeydlərin çıxarıldığı, vahidlərin standartlaşdırıldığı və kateqorik məlumatların one-hot kodlama ilə ədədləşdirildiyi göstərilir.

Model girişləri iki qrupa ayrılır:

• Statik xüsusiyyətlər: Avadanlıq növü, istehsalçı, bina zonası, quraşdırılma yeri, sistem iyerarxiyası və əlaqələr.
• Dinamik xüsusiyyətlər: Vibrasiya, temperatur dəyişikliyi, təzyiq dalğalanması, axın, enerji istehlakı, səmərəlilik və iş tarixçəsi.

Birləşdirilmiş xüsusiyyət vektoru:

\[ X=[X_s,X_d] \]

kimi verilir. \(X_s\) statik IFC xüsusiyyətlərini, \(X_d\) dinamik əməliyyat məlumatlarını təmsil edir.

Davamlı dəyişənlər min–maks normallaşdırması ilə miqyaslanır:

\[ X_{\mathrm{norm}}=\frac{X-X_{\min}}{X_{\max}-X_{\min}} \]

Zaman asılılığını qorumaq üçün ölçmələr 24 zaman addımından ibarət ardıcıllıqlara çevrilir:

\[ X_t=\{x_{t-T+1},x_{t-T+2},\ldots,x_t\} \]

Burada \(T=24\), tədqiqatda 24 saatlıq pəncərə kimi şərh olunur. Lakin məlumat dəstində cəmi 96 müşahidə olduğu üçün neçə müstəqil təlim ardıcıllığının yarandığı açıq şəkildə bildirilməyib.

Hibrid ANN–LSTM arxitekturası

24. səhifədəki Şəkil 2 modelin iki paralel öyrənmə qolunu və onların birləşdirilməsini göstərir. Birinci mərhələdə açıq BIM məlumatları, məkan topologiyası, HVAC cihaz məlumatları, material və fiziki xüsusiyyətlər, idarəetmə sərhədləri və keçmiş texniki xidmət qeydləri götürülür. İkinci mərhələdə kənar dəyər təmizlənməsi, normallaşdırma, kateqorik kodlama və məlumatların bölünməsi aparılır.

ANN qolu

ANN qolu IFC-dən gələn statik və kontekstual xüsusiyyətlər arasındakı qeyri-xətti münasibətləri öyrənir. Gizli təsvir:

\[ H_{\mathrm{ANN}}=f(W_AX+b_A) \]

kimi hesablanır. \(W_A\) çəki matriksini, \(b_A\) bias vektorunu və \(f\) ReLU kimi qeyri-xətti aktivasiya funksiyasını təmsil edir.

Bu qol avadanlıq növü, quraşdırılma zonası, nominal tutum, iş saatı, səmərəlilik və vibrasiya kimi xüsusiyyətlərin birlikdə deqradasiya riskinə necə təsir etdiyini modelləşdirməyi hədəfləyir.

LSTM qolu

LSTM qolu ardıcıl sensor ölçmələrində uzunmüddətli dəyişiklikləri təhlil edir:

\[ H_{\mathrm{LSTM}}=\mathrm{LSTM}(X_t) \]

LSTM hüceyrələrinin səmərəlilik itkisi, vibrasiyanın artması, temperaturun yüksəlməsi və təzyiq dalğalanması kimi yavaş və ya sürətlənən deqradasiya meyllərini öyrənməsi gözlənilir.

Xüsusiyyətlərin birləşdirilməsi

İki qolun gizli təsvirləri birləşdirilir:

\[ H_f=[H_{\mathrm{ANN}},H_{\mathrm{LSTM}}] \]

Son proqnoz:

\[ \hat{Y}=g(H_f) \]

ilə əldə edilir. \(\hat{Y}\), avadanlığın proqnozlaşdırılan deqradasiya vəziyyəti və ya nasazlıq riskidir. Tədqiqatın izahına görə BIM konteksti oxşar vibrasiya dəyərlərinə malik, lakin fərqli sistem şəraitində işləyən iki nasosun bir-birindən fərqləndirilməsinə imkan verə bilər.

Modelin təlim parametrləri

Orta kvadrat xəta:

\[ \mathrm{MSE}=\frac{1}{N}\sum_{i=1}^{N}(Y_i-\hat{Y}_i)^2 \]

Kök orta kvadrat xəta isə:

\[ \mathrm{RMSE}= \sqrt{\frac{1}{N}\sum_{i=1}^{N}(Y_i-\hat{Y}_i)^2} \]

kimi hesablanır. Tədqiqatda MAE, MAPE və \(R^2\) dəyərləri də hesabatlandırılıb.

RAG modulu FMEA-nı necə yaradır?

30. səhifədəki Şəkil 3 RAG iş axınını beş mərhələdə göstərir:

1. IFC modelləri, cihaz kataloqları, keçmiş FMEA qeydləri, texniki xidmət tarixçəsi, standartlar və sensor qeydlərindən bilik deposunun yaradılması.
2. İstifadəçi məqsədi və ya proqnozlaşdırılan cihaz vəziyyətinin embedding vektoruna çevrilməsi.
3. Vektor məlumat bazasından ən oxşar sənəd hissələrinin Top-K üsulu ilə gətirilməsi.
4. BIM məlumatı, proqnoz nəticəsi və texniki kontekstin bir promptda birləşdirilməsi.
5. Böyük dil modeli ilə FMEA matriksi, RPN, texniki xidmət tövsiyəsi və ixrac edilə bilən JSON və ya CSV çıxışının yaradılması.

Sorğu və sənəd embeddingləri arasındakı kosinus oxşarlığı:

\[ \mathrm{Sim}(q,d)=\frac{q\cdot d}{\|q\|\|d\|} \]

ilə hesablanır. Ən yüksək oxşarlıq balına malik sənədlər dil modelinin kontekstinə əlavə edilir.

Strukturlaşdırılmış prompt:

\[ P=\{X_{\mathrm{IFC}},\hat{Y},D_r\} \]

formasındadır. \(X_{\mathrm{IFC}}\) aktiv xüsusiyyətlərini; \(\hat{Y}\) deqradasiya proqnozunu; \(D_r\) gətirilən texniki sənədləri təmsil edir. Yaradılan FMEA:

\[ F=g(P) \]

kimi ifadə olunur.

Yaradılması hədəflənən əsas sahələr bunlardır:

• Nasazlıq növü.
• Kök səbəb.
• Nasazlığın avadanlıq və sistem üzərində təsiri.
• Aşkarlama göstəricisi və ya sensor əlaməti.
• Düzəldici fəaliyyət.
• Texniki xidmət tövsiyəsi.
• Şiddət, başvermə və aşkarlana bilmə balları.
• Risk Prioritet Sayı.

FMEA risk hesabı

Risk Prioritet Sayı:

\[ \mathrm{RPN}=\mathrm{Şiddet}\times\mathrm{Oluşma}\times\mathrm{Tespit} \]

kimi hesablanır. Böyük RPN daha yüksək texniki xidmət prioritetini ifadə edir. Lakin tədqiqat şiddət, başvermə və aşkarlama balları üçün ətraflı qiymətləndirmə cədvəli və ya ekspert balvermə protokolu təqdim etməyib.

Təcrübə ssenariləri

IFC xüsusiyyət matriksi

38. səhifədəki Şəkil 4, 12 HVAC aktivi üçün temperatur, təzyiq, axın, güc, vibrasiya və səmərəlilik xüsusiyyətlərini istilik xəritəsi kimi göstərir. Rənglər müxtəlif cihazların termal, hidravlik və mexaniki şəraitindəki dəyişiklikləri göstərir.

Tədqiqatda önə çıxarılan dörd aktiv bunlardır:

Pump_001 üçün yüksək vibrasiya və aşağı səmərəlilik mexaniki deqradasiyanın göstəricisi kimi şərh edilib. Chiller_001 üçün daha hamar termal dəyişmə istilik dəyişdiricisinin çirklənməsi ilə əlaqələndirilən mərhələli performans itkisi kimi açıqlanıb. Lakin bu əlaqələrin real nasazlıq ölçməsi ilə, yoxsa sintetik məlumat yaratma qaydaları ilə formalaşdırıldığı ətraflı izah edilməyib.

Deqradasiya proqnoz qrafiki

41. səhifədəki Şəkil 5 Chiller_001 və Pump_001 üçün ölçülən və proqnozlaşdırılan 24 saatlıq səmərəlilik əyrilərini müqayisə edir. Chiller səmərəliliyinin təxminən %89-dan %83-ə, nasos səmərəliliyinin isə təxminən %92-dən %75-ə düşdüyü göstərilir. %80 səmərəlilik səviyyəsi kritik hədd kimi üfüqi kəsik xəttlə qeyd olunub.

Nasos əyrisi 14–16. saatlar ətrafında kritik həddin altına düşərkən chiller əyrisi 24 saat ərzində həddin üzərində qalır. Proqnoz xətləri ölçülən əyriləri yaxından izləyir; lakin qrafikdəki məlumatların nəzarətli və ya sintetik yaradılması performansın real bina sensorlarındakı səs-küy və əskik məlumatlara birbaşa ötürülməsinə mane olur.

Tədqiqatın Metodu və Tapıntıları

Modellərin müqayisəli proqnoz performansı

Hibrid model tədqiqatda müqayisə olunan ayrıca ANN və ayrıca LSTM modellərindən daha aşağı xəta dəyərləri əldə edib. Tədqiqatçı bu nəticəni ANN qolunun statik və qeyri-xətti münasibətləri, LSTM qolunun isə zamandan asılı deqradasiyanı öyrənməsinə bağlayır.

Bununla belə müqayisədə neçə müstəqil test nümunəsinin olduğu, nəticələrin neçə təlim təkrarının ortalaması olduğu, standart sapma, etibar intervalı, təsadüfi başlanğıclar və ya statistik əhəmiyyət verilməyib. Model ölçüləri və təlim müddətləri də müqayisə edilmədiyi üçün hibrid quruluşun əlavə mürəkkəbliyinə qarşı təmin etdiyi qazanc tam qiymətləndirilə bilmir.

Yaradılan nümunəvi FMEA nəticələri

Nasos kavitasiyası üçün tövsiyə olunan fəaliyyətlər vibrasiyanın izlənməsi, sorma təzyiqi və hidravlik axının yoxlanması ilə çarxın müayinəsidir. Chiller çirklənməsi üçün kondensator və ya istilik dəyişdiricisinin təmizlənməsi, termal performans ölçülməsi və planlı səmərəlilik qiymətləndirilməsi tövsiyə olunur. Filtr tıxanmasında təzyiq düşümünün izlənməsi və filtrin dəyişdirilməsi, damper nasazlığında isə aktuator və mövqe geribildiriminin yoxlanması önə çıxarılır.

RPN paylanması

46. səhifədəki Şəkil 6, 12 HVAC komponenti üçün RPN dəyərlərini göstərir:

Şəkil 6-dakı əlavə komponentlər üçün şiddət, başvermə və aşkarlama ballarının detalları və ya RPN-lə əlaqəli nasazlıq növləri verilməyib. Buna görə qrafikdəki bütün dəyərlərin necə yaradıldığını yenidən hesablamaq mümkün deyil.

RAG qiymətləndirmə nəticələri

Bu dəyərlər yüksək kimi təqdim olunub. Lakin neçə FMEA qeydinin qiymətləndirildiyi, istinad sənədlərinin kim tərəfindən yazıldığı, RAGAS model hakiminin hansı model olduğu və insan ekspert qiymətləndirməsinin olub-olmadığı açıqlanmayıb. BLEU və ROUGE-1 dəyərlərinin tam eyni olması da qiymətləndirmə çıxışlarının daha ətraflı hesabatlandırılmasını tələb edir.

Şəkil 7-dəki semantik uyğunsuzluq

52. səhifədəki Şəkil 7 ən kritik 15 nasazlıq növünü sıralayır. Nasos kavitasiyası və AHU rulman nasazlığı kimi bəzi uyğunluqlar texniki baxımdan məntiqli görünsə də aşağıdakı uyğunluqlar komponent növləri ilə uyğun deyil:

• Elektrik açarında kavitasiya.
• VAV terminalında kavitasiya.
• Hava kanalında kavitasiya.
• Hava kanalında rulman nasazlığı.
• Sensorda rulman nasazlığı.
• Motor idarəetmə mərkəzində rulman nasazlığı və ya möhür sızması.
• VAV terminalında möhür sızması.

Kavitasiya maye daşıyan hidravlik avadanlıqlarla, rulman nasazlığı isə fırlanan mexaniki hissələrlə əlaqəlidir. Buna görə Şəkil 7 aktiv sinfi ilə mümkün nasazlıq növü arasında kifayət qədər məhdudiyyət və ya doğrulama tətbiq edilmədiyini göstərir. Bu xəta RAG və ya FMEA modulunun çıxışının ekspert təsdiqi olmadan etibarlı texniki xidmət sənədi kimi istifadə edilməməli olduğunu göstərir.

Tədqiqatın güclü tərəfləri

• BIM semantikasını, sensor analizini və texniki sənəd generasiyasını eyni başdan-başa iş axınında birləşdirməsi.
• IFC aktiv identifikatorunu proqnoz və texniki xidmət tövsiyəsi boyunca qorumağı hədəfləməsi.
• Statik kontekst ilə zaman sırası məlumatını iki ayrı model qolunda işləməsi.
• Sayısal proqnozu texniki xidmət mühəndisinin istifadə edə biləcəyi FMEA formatına çevirməyə çalışması.
• ANN, LSTM və hibrid modeli eyni performans meyarları ilə müqayisə etməsi.
• Xəstəxana, ofis və ticarət mərkəzi kimi müxtəlif istifadə ssenarilərini əhatə etməsi.
• RAG çıxışını sübuta bağlılıq, kontekst keyfiyyəti və mətn oxşarlığı baxımından qiymətləndirməyi hədəfləməsi.

Əsas metodoloji məhdudiyyətlər

• Ümumi məlumat miqdarı cəmi 96 sensor müşahidəsidir.
• Məlumatlar əsasən sintetik və simulyasiya edilmiş əməliyyat şəraitindən ibarətdir.
• 24 zaman addımlı ardıcıllıqlar ilə %70/%10/%20 məlumat bölgüsünün necə tətbiq edildiyi açıqlanmayıb.
• Eyni aktivə aid zaman addımlarının təlim və test arasında qarışıb-qarışmadığı bilinmir.
• Xarici AHU məlumat dəstinin açıq kimliyi və ayrıca nəticələri verilməyib.
• Reqressiya üçün bildirilən “proqnoz dəqiqliyi” müəyyən edilməyib.
• Model nəticələri üçün etibar intervalı, standart sapma və ya çoxsaylı təlim təkrarı yoxdur.
• Müqayisə olunan ANN və LSTM modellərinin parametr sayları açıqlanmayıb.
• Məlumat və mənbə kod paylaşılmayıb.
• İstifadə olunan LLM və embedding modeli göstərilməyib.
• Bilik bazasındakı sənəd sayı, versiyaları, parçalama üsulu və Top-K dəyəri verilməyib.
• FMEA istinad sənədlərinin ekspertlər tərəfindən necə hazırlandığı açıqlanmayıb.
• RPN balları üçün standart qiymətləndirmə şkalası təqdim edilməyib.
• Şəkil 7-də texniki baxımdan uyğunsuz aktiv-nasazlıq uyğunluqları var.
• RPN qısaltması iki fərqli mənada istifadə olunub.
• Mətn və RAG sxemində sadalanan texniki standartlar bir-birindən fərqlidir.
• Real bina üzərində texniki xidmət müdaxiləsi, nasazlığın qarşısının alınması və ya xərc azalması ölçülməyib.
• Tədqiqat resenziyadan keçməyib.

Tədqiqatın dəstəklədiyi nəticələr

• IFC aktiv xüsusiyyətləri sayısal maşın öyrənməsi girişlərinə çevrilə bilər.
• Tədqiqatın nəzarətli məlumat dəstində ANN və LSTM xüsusiyyətlərinin birləşdirilməsi tək modellərə görə daha aşağı proqnoz xətası yaradıb.
• Proqnozlaşdırılan avadanlıq vəziyyəti strukturlaşdırılmış FMEA generasiyası üçün RAG promptuna əlavə edilə bilər.
• BIM obyekti ilə texniki xidmət tövsiyəsi arasında semantik əlaqə qurmaq mümkündür.
• RPN dəyərləri texniki xidmət prioritetini vizuallaşdıran qərar dəstəyi kimi istifadə oluna bilər.

Tədqiqatın sübut etmədiyi nəticələr

• Sistemin real bina portfellərində %95 dəqiqliklə işləyəcəyi sübut edilməyib.
• Modelin mövsümi, illik və ya çoxillik deqradasiyanı proqnozlaşdırdığı göstərilməyib.
• Avtomatik FMEA-nın insan ekspert qədər etibarlı olduğu sübut edilməyib.
• RAG çıxışlarının halüsinasiyadan azad olduğu göstərilməyib.
• Avtomatik tövsiyələrin texniki xidmət xərclərini, enerji sərfiyyatını və ya plansız dayanmanı azaltdığı ölçülməyib.
• Müxtəlif HVAC istehsalçılarına və IFC modelləşdirmə keyfiyyətlərinə ümumiləşdirilə bilmə göstərilməyib.
• Çərçivənin canlı BIM, IoT, bina avtomatlaşdırması və ya CMMS sistemi ilə real vaxtda işlədiyi göstərilməyib.
• Yaradılan RPN dəyərlərinin doğrulanmış etibarlılıq eksperti balları ilə eyni olduğu göstərilməyib.
• Türkiyədəki bina, iqlim, cihaz və texniki xidmət qaydalarına birbaşa uyğunluq sübut edilməyib.

Mənbə və Metod Qeydi

Tədqiqatın tam orijinal adı: A BIM-Integrated ANN–LSTM–RAG Framework for Intelligent Predictive Maintenance and Automated FMEA Generation in HVAC Systems

Müəllif: Asif Iqubal.

Müəllif sıralaması: Tədqiqat tək müəlliflidir.

Bərabər birinci müəllif: Tətbiq edilmir; tədqiqat tək müəlliflidir.

Məsul müəllif: Asif Iqubal. Müəllif adındakı ulduz işarəsi və əlaqə e-poçt ünvanı məsul müəllifi göstərir.

Qurum: Department of Building Engineering and Construction Management, Khulna University of Engineering & Technology, Khulna 9203, Bangladesh.

Qurum doğrulama qeydi: Qurum məlumatı araşdırılan mətndə yer alır. SSRN rəsmi qeydində müəllifin qurum əlaqəsi ayrıca göstərilməyib.

ORCID: ORCID məlumatı araşdırılan versiyada yoxdur.

DOI:10.2139/ssrn.7193081

Jurnal: Resenziyalı jurnal adı araşdırılan versiyada yoxdur.

Nəşriyyat: Qəti orijinal nəşriyyat məlumatı yoxdur.

Nəşr platforması: SSRN.

Nəşr tarixi: 27 İyul 2026.

Nəşr ili: 2026.

Mənbə növü: BIM semantik çıxarışı, sintetik rəqəmsal əkiz məlumatı, hibrid dərin öyrənmə və RAG əsaslı FMEA generasiyasını birləşdirən mühəndislik tədqiqatı preprinti.

Resenziya statusu: Tədqiqat resenziyadan keçməyib.

Rəsmi mənbə:SSRN rəsmi tədqiqat qeydi.

Maliyyələşdirmə: Maliyyələşdirmə bəyanı araşdırılan versiyada yoxdur.

Maraqlar toqquşması: Maraqlar toqquşması bəyanı araşdırılan versiyada yoxdur.

Etik təsdiq: İnsan və ya heyvan iştirakçılarının istifadə edilmədiyi anlaşılır, lakin ayrıca etik bəyan araşdırılan versiyada yoxdur.

Məlumat və koda çıxış: Mənbə kod, təlim keçmiş model, sintetik məlumat generasiya skriptləri, IFC faylları, RAG bilik bazası və təcrübə jurnalları üçün açıq depo keçidi verilməyib.

Bu Azərbaycan dilində izah tədqiqatın 60 səhifəlik versiyası; mətn, formula, cədvəl və şəkilləri ilə birlikdə araşdırılaraq hazırlanıb. Elmi tapıntılara tədqiqat xaricindən yeni təcrübə nəticəsi əlavə edilməyib. Xarici mənbə yoxlaması yalnız başlıq, müəllif, DOI, SSRN qeyd tarixi və nəşr statusunun biblioqrafik doğrulanması məqsədilə istifadə olunub.

Tədqiqatdakı nəticələrin çoxu kiçik və əsasən sintetik məlumat dəstinə əsaslanır. Avtomatik FMEA bölməsindəki bəzi komponent-nasazlıq uyğunluqları mühəndislik baxımından uyğunsuzdur. Buna görə çərçivə real binalarda avtonom texniki xidmət qərar sistemi kimi deyil; müstəqil məlumat doğrulaması, aktiv-növü məhdudiyyətləri, ekspert təsdiqi və uzunmüddətli sahə təcrübələri tələb edən erkən mərhələli qərar dəstək prototipi kimi qiymətləndirilməlidir.