Utafiti huu unapendekeza mfumo unaounganisha BIM, mitandao ya neva bandia, mitandao ya kumbukumbu ya muda mrefu na muda mfupi, na uzalishaji unaosaidiwa na urejeshaji wa taarifa ili kusimamia matengenezo ya mifumo ya kupasha joto, uingizaji hewa na kiyoyozi katika majengo ndani ya mtiririko mmoja wa kazi wa kidijitali. Mfumo huchota aina, mahali, miunganisho na sifa za uendeshaji za vifaa vya HVAC kutoka kwenye modeli ya BIM iliyo katika muundo wa Industry Foundation Classes; kisha huunganisha taarifa hizi za kisemantiki na vipimo vya sensa kama vile halijoto, shinikizo, kiwango cha mtiririko, mtetemo, matumizi ya nishati na ufanisi. Sifa tuli na za muktadha huchakatwa katika tawi la mtandao wa neva bandia, huku mienendo ya kuzorota inayobadilika kwa muda ikichakatwa katika tawi la LSTM; uwakilishi huu miwili huunganishwa ili kutabiri hali ya sasa ya afya ya kifaa na hatari ya hitilafu ya baadaye.

Hali ya kuzorota iliyotabiriwa kisha hutumwa kwenye moduli ya RAG, ambayo hurejesha sehemu husika kutoka kwenye miongozo ya matengenezo, nyaraka za watengenezaji, rekodi za matengenezo ya awali na viwango vya uhandisi. Kwa kutumia taarifa za mali za BIM, kuzorota kulikotabiriwa na nyaraka za kiufundi zilizorejeshwa, modeli kubwa ya lugha huunda rekodi za FMEA zilizopangwa zinazojumuisha aina ya hitilafu, chanzo kikuu, athari, kiashiria cha utambuzi, ukali, uwezekano wa kutokea, uwezo wa kugundulika, Nambari ya Kipaumbele cha Hatari na hatua za matengenezo zinazopendekezwa.

Kwa mujibu wa matokeo yaliyoripotiwa katika utafiti, modeli mseto ya ANN–LSTM ilipata %4,1 RMSE, %3,2 MAE, %5,0 MAPE, 0,958 R² na usahihi wa utabiri wa %95. Kwa safu ya RAG, alama ya wastani ya RAGAS iliripotiwa kuwa 0,917, huku thamani za BLEU na ROUGE-1 zikiwa %79,2. Kavitesheni ya pampu ilitolewa kama mfano kwa RPN 420, uchafuzi wa kibadilisha joto cha chiller kwa 336, kuziba kwa kichujio cha kitengo cha kushughulikia hewa kwa 252, na hitilafu ya aktueta ya damper ya VAV kwa 160.

Hata hivyo, matokeo yalipatikana hasa kwa mapacha dijitali sanisi wa IFC4 na data iliyodhibitiwa ya saa 24 yenye uchunguzi 96 tu wa sensa. Kwa sababu mbinu ya kugawa data na kuunda mfuatano haijaelezwa vya kutosha, uaminifu wa utendaji wa jaribio huru hauwezi kuthibitishwa kwa uhakika. Modeli kubwa ya lugha iliyotumiwa, modeli ya embedding, mipangilio ya kugawanya nyaraka vipande, idadi ya hoja na itifaki ya tathmini ya wataalamu pia hazijaelezwa. Zaidi ya hayo, kupewa kwa kavitesheni au hitilafu ya bearing kwa vipengele kama circuit breaker, duct ya hewa na terminali ya VAV katika orodha ya hitilafu muhimu iliyotengenezwa kunaonyesha kuwa uzalishaji wa FMEA wa kiotomatiki bado haujafikia kiwango cha kuaminika kinachoweza kutoa uamuzi wa matengenezo moja kwa moja.

Maana kwa Uturuki na mahitaji ya urekebishaji

Mbinu iliyopendekezwa ni muhimu kwa kuunganisha taarifa za matengenezo na vitu vya BIM katika majengo yenye miundombinu mizito ya HVAC nchini Uturuki, kama hospitali, vituo vya ununuzi, viwanja vya ndege, hoteli, majengo ya umma, viwanda na vituo vya data. Katika utekelezaji wa ndani, vitambulisho vya IFC vya pampu, chiller, feni, kitengo cha kushughulikia hewa, terminali ya VAV na sensa vinaweza kuunganishwa katika mfumo mmoja wa rejesta ya mali pamoja na data za wakati halisi kutoka mfumo wa otomatiki wa jengo na maagizo ya kazi katika programu ya usimamizi wa matengenezo.

Hata hivyo, kabla ya kutekeleza moja kwa moja nchini Uturuki, uthibitishaji unapaswa kufanywa kwa angalau mwaka mmoja wa data halisi za uendeshaji zinazojumuisha maeneo tofauti ya hali ya hewa na misimu, vifaa vya HVAC kutoka watengenezaji tofauti, sensa za mtetemo na nishati zilizokalibishwa, marejeleo ya FMEA yaliyotayarishwa na wataalamu huru wa matengenezo, na rekodi halisi za hitilafu. Nyaraka za matengenezo kwa Kituruki na kanuni za kiufundi zinazotumika zinapaswa kuongezwa kwenye hazina ya maarifa; kila pendekezo linalozalishwa linapaswa kuonyesha hati chanzo, sehemu ya hati na alama ya kujiamini. RPN au ushauri wa matengenezo unaotolewa na mfumo wa kiotomatiki haupaswi kutumiwa kuzima kifaa, kubadilisha sehemu au kufanya uamuzi muhimu wa usalama bila idhini ya mhandisi aliyeidhinishwa.

Tatizo ambalo utafiti unalenga kutatua

Matengenezo ya kawaida ya HVAC kwa kiasi kikubwa hutegemea mbinu mbili. Katika matengenezo ya kurekebisha, hatua huchukuliwa baada ya kifaa kuharibika; hali hii inaweza kusababisha kusimama kusikotarajiwa, gharama kubwa za ukarabati na kukatika kwa huduma za jengo. Katika matengenezo ya kinga, kifaa hukaguliwa au sehemu zake hubadilishwa kwa vipindi maalumu vya kalenda. Mbinu hii ya kalenda inaweza kusababisha sehemu iliyo salama kubadilishwa bila sababu au kuchelewa kuingilia kifaa kinachozorota haraka.

Matengenezo ya utabiri yanalenga kuingilia kabla ya hitilafu kuendelea kwa kufuatilia hali halisi ya kifaa kupitia sensa. Hata hivyo, katika mitiririko ya kazi ya sasa, modeli ya jengo, katalogi ya kifaa, vipimo vya sensa, rekodi za matengenezo na nyaraka za uhandisi mara nyingi huhifadhiwa katika mifumo iliyotenganishwa. Mhandisi wa matengenezo anaweza kulazimika kuunganisha vyanzo hivi tofauti kwa mikono ili kuelewa mwenendo wa hitilafu na kutayarisha kwa mikono nyaraka za uaminifu kama FMEA.

Utafiti unalenga kupunguza mgawanyiko huu wa taarifa kwa kuunganisha teknolojia tatu:

• BIM na IFC: Huwakilisha jengo, ghorofa, eneo na mtandao wa HVAC ambamo kifaa kiko, pamoja na aina, uwezo, miunganisho na sifa zake.
• ANN–LSTM: Huunganisha taarifa tuli za mali na data za sensa za mfululizo wa muda ili kutabiri kuzorota na hatari ya hitilafu.
• RAG: Huunganisha matokeo ya utabiri na nyaraka za kiufundi ili kuzalisha FMEA iliyopangwa na pendekezo la matengenezo.

Mtiririko wa kazi uliopendekezwa wa mwanzo hadi mwisho

Kielelezo 1 kwenye ukurasa wa 19 kinaonyesha mbinu katika hatua sita zilizounganishwa:

1. Kusafirisha modeli kutoka Revit au mazingira mengine ya BIM katika muundo wa IFC.
2. Kuchanganua IFC na kutoa sifa za kisemantiki za mali za HVAC.
3. Kuunganisha sifa za IFC na data za sensa za uendeshaji.
4. Kutabiri hali ya kifaa kwa modeli mseto ya ANN–LSTM.
5. Kurejesha nyaraka za kiufundi kwa njia ya kisemantiki kutoka hazina ya maarifa na kuzalisha FMEA kwa RAG.
6. Kuhamisha matokeo kwenye usaidizi wa maamuzi ya matengenezo mahiri, mazingira ya BIM au mfumo wa kompyuta wa usimamizi wa matengenezo.

Katika mbinu hii, modeli ya IFC inachukuliwa kuwa uti wa mgongo wa kisemantiki wa pacha dijitali. Utabiri hauishii kuwa mistari ya sensa isiyo na utambulisho; kila matokeo yanaunganishwa na kitu cha BIM cha pampu, chiller, feni, vali au kitengo maalumu cha kushughulikia hewa.

Ni taarifa gani zinazotolewa kutoka modeli ya IFC?

Modeli za IFC4 husomwa kwa injini ya uchanganuzi kama IfcOpenShell. Mfumo unalenga kutambua mali zifuatazo za HVAC:

• Pampu katika darasa la IfcPump.
• Vitengo vya chiller katika darasa la IfcChiller.
• Vitengo vya kushughulikia hewa katika darasa la IfcAirHandlingUnit.
• Feni katika darasa la IfcFan.
• Vali katika darasa la IfcValve.
• Terminali za kiwango cha hewa kinachobadilika katika darasa la IfcVAVTerminal.
• Sensa za halijoto, unyevunyevu na shinikizo katika darasa la IfcSensor.
• Duct, bomba, paneli ya udhibiti, kituo cha udhibiti wa motor na vitengo vya HVAC vya juu ya paa.

Taarifa zilizotolewa zinashughulikiwa katika makundi matatu:

Seti ya mali za HVAC:

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

inafafanuliwa. Kila \(e_i\) inawakilisha kifaa cha HVAC kilichotolewa kutoka modeli ya IFC. Seti ya sifa za kifaa:

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

iko katika muundo huu. \(p_j\) ni sifa kama kiwango cha mtiririko, shinikizo, halijoto, ufanisi au mtetemo. Sifa za mali zote zinaunganishwa katika matriki ifuatayo:

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

Usafishaji wa data na uhandisi wa sifa

Modeli za IFC zinaweza kuwa na sifa zinazokosekana, vitengo tofauti vya kipimo, rekodi zilizorudiwa na taarifa za kategoria zisizo katika mpangilio. Utafiti unaeleza kuwa data zinazokosekana zilijazwa kwa interpolation au median, rekodi zilizorudiwa ziliondolewa, vitengo vilisanifishwa na data za kategoria zilibadilishwa kuwa nambari kwa one-hot encoding.

Ingizo za modeli zinagawanywa katika makundi mawili:

• Sifa tuli: Aina ya kifaa, mtengenezaji, eneo la jengo, mahali pa usakinishaji, uongozi wa mfumo na miunganisho.
• Sifa zinazobadilika: Mtetemo, mabadiliko ya halijoto, mabadiliko ya shinikizo, kiwango cha mtiririko, matumizi ya nishati, ufanisi na historia ya uendeshaji.

Vekta ya sifa iliyounganishwa:

\[ X=[X_s,X_d] \]

inatolewa. \(X_s\) inawakilisha sifa tuli za IFC na \(X_d\) inawakilisha data zinazobadilika za uendeshaji.

Vigezo endelevu hupimwa kwa urekebishaji wa min–max:

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

Ili kuhifadhi utegemezi wa muda, vipimo hubadilishwa kuwa mifuatano ya hatua 24 za muda:

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

Hapa \(T=24\) inafasiriwa katika utafiti kama dirisha la saa 24. Hata hivyo, kwa sababu seti ya data ina uchunguzi 96 tu, haijaelezwa wazi ni mifuatano mingapi huru ya mafunzo iliyoundwa.

Usanifu mseto wa ANN–LSTM

Kielelezo 2 kwenye ukurasa wa 24 kinaonyesha matawi mawili sambamba ya kujifunza ya modeli na kuunganishwa kwake. Katika awamu ya kwanza, data wazi za BIM, topolojia ya anga, taarifa za vifaa vya HVAC, sifa za nyenzo na fizikia, mipaka ya udhibiti na rekodi za matengenezo ya awali hupokelewa. Katika awamu ya pili, usafishaji wa outlier, urekebishaji, usimbaji wa kategoria na mgawanyo wa data hufanywa.

Tawi la ANN

Tawi la ANN hujifunza mahusiano yasiyo ya mstari kati ya sifa tuli na za muktadha zinazotoka IFC. Uwakilishi uliofichwa:

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

huhesabiwa. \(W_A\) inawakilisha matriki ya uzito, \(b_A\) vekta ya bias, na \(f\) kazi isiyo ya mstari ya uanzishaji kama ReLU.

Tawi hili linalenga kumodeli jinsi sifa kama aina ya kifaa, eneo la usakinishaji, uwezo wa kawaida, saa za uendeshaji, ufanisi na mtetemo zinavyoathiri kwa pamoja hatari ya kuzorota.

Tawi la LSTM

Tawi la LSTM huchanganua mabadiliko ya muda mrefu katika vipimo vya sensa vinavyofuatana:

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

Seli za LSTM zinatarajiwa kujifunza mienendo ya kuzorota ya polepole au inayoongezeka kasi, kama kupungua kwa ufanisi, kuongezeka kwa mtetemo, kupanda kwa halijoto na mabadiliko ya shinikizo.

Muunganisho wa sifa

Uwakilishi uliofichwa wa matawi mawili unaunganishwa:

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

Utabiri wa mwisho:

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

hupatikana. \(\hat{Y}\) ni hali ya kuzorota iliyotabiriwa au hatari ya hitilafu ya kifaa. Kulingana na maelezo ya utafiti, muktadha wa BIM unaweza kusaidia kutofautisha pampu mbili zenye thamani zinazofanana za mtetemo lakini zinazofanya kazi katika hali tofauti za mfumo.

Mipangilio ya mafunzo ya modeli

Hitilafu ya wastani ya mraba:

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

Hitilafu ya mzizi wa wastani wa mraba ni:

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

huhesabiwa. Utafiti pia umeripoti thamani za MAE, MAPE na \(R^2\).

Moduli ya RAG inaundaje FMEA?

Kielelezo 3 kwenye ukurasa wa 30 kinaonyesha mtiririko wa kazi wa RAG katika awamu tano:

1. Kuunda hazina ya maarifa kutoka modeli za IFC, katalogi za vifaa, rekodi za FMEA za awali, historia ya matengenezo, viwango na rekodi za sensa.
2. Kubadilisha lengo la mtumiaji au hali ya kifaa iliyotabiriwa kuwa vekta ya embedding.
3. Kurejesha vipande vya nyaraka vinavyofanana zaidi kutoka hifadhidata ya vekta kwa mbinu ya Top-K.
4. Kuunganisha taarifa za BIM, matokeo ya utabiri na muktadha wa kiufundi katika prompt moja.
5. Kutengeneza matriki ya FMEA, RPN, pendekezo la matengenezo na matokeo ya JSON au CSV yanayoweza kusafirishwa kwa modeli kubwa ya lugha.

Ufanano wa kosini kati ya embedding za hoja na hati:

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

huhesabiwa. Nyaraka zenye alama za juu zaidi za ufanano huongezwa kwenye muktadha wa modeli ya lugha.

Prompt iliyopangwa:

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

iko katika muundo huu. \(X_{\mathrm{IFC}}\) inawakilisha sifa za mali; \(\hat{Y}\) utabiri wa kuzorota; na \(D_r\) nyaraka za kiufundi zilizorejeshwa. FMEA iliyozalishwa:

\[ F=g(P) \]

inaelezwa.

Sehemu kuu zinazolengwa kuzalishwa ni hizi:

• Aina ya hitilafu.
• Chanzo kikuu.
• Athari ya hitilafu kwenye kifaa na mfumo.
• Kiashiria cha utambuzi au dalili ya sensa.
• Hatua ya kurekebisha.
• Pendekezo la matengenezo.
• Alama za ukali, kutokea na uwezo wa kugundulika.
• Nambari ya Kipaumbele cha Hatari.

Hesabu ya hatari ya FMEA

Nambari ya Kipaumbele cha Hatari:

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

huhesabiwa. RPN kubwa inaashiria kipaumbele cha juu zaidi cha matengenezo. Hata hivyo, utafiti haujatoa jedwali la kina la viwango au itifaki ya utoaji alama na wataalamu kwa alama za ukali, kutokea na utambuzi.

Matukio ya majaribio

Matriki ya sifa za IFC

Kielelezo 4 kwenye ukurasa wa 38 kinaonyesha sifa za halijoto, shinikizo, kiwango cha mtiririko, nguvu, mtetemo na ufanisi kwa mali 12 za HVAC kama ramani ya joto. Rangi zinaonyesha mabadiliko katika hali za joto, majimaji na mitambo za vifaa tofauti.

Mali nne zilizoangaziwa katika utafiti ni hizi:

Kwa Pump_001, mtetemo mkubwa na ufanisi mdogo vilitafsiriwa kuwa viashiria vya kuzorota kwa mitambo. Kwa Chiller_001, mabadiliko laini zaidi ya joto yalielezwa kama kupungua kwa utendaji hatua kwa hatua kunakohusishwa na uchafuzi wa kibadilisha joto. Hata hivyo, haijaelezwa kwa kina kama mahusiano haya yalitokana na kipimo halisi cha hitilafu au yaliundwa kwa kanuni za kutengeneza data sanisi.

Grafu ya utabiri wa kuzorota

Kielelezo 5 kwenye ukurasa wa 41 kinalinganisha mikondo ya ufanisi ya saa 24 iliyopimwa na kutabiriwa kwa Chiller_001 na Pump_001. Ufanisi wa chiller unaonyeshwa kushuka takribani kutoka %89 hadi %83, huku ufanisi wa pampu ukishuka takribani kutoka %92 hadi %75. Kiwango cha ufanisi cha %80 kimeonyeshwa kama kizingiti muhimu kwa mstari wa mlalo uliokatika.

Mkunjo wa pampu hushuka chini ya kizingiti muhimu karibu na saa 14–16, huku mkunjo wa chiller ukibaki juu ya kizingiti kwa saa zote 24. Mistari ya utabiri hufuata kwa karibu mikondo iliyopimwa; hata hivyo, kwa kuwa data kwenye grafu ziliundwa katika mazingira yaliyodhibitiwa au kwa njia sanisi, utendaji huo hauwezi kuhamishwa moja kwa moja kwenye kelele na data pungufu za sensa katika majengo halisi.

Mbinu na Matokeo ya Utafiti

Utendaji linganishi wa utabiri wa modeli

Modeli mseto ilipata thamani za hitilafu zilizo chini kuliko modeli za ANN pekee na LSTM pekee zilizolinganishwa katika utafiti. Mtafiti anahusisha matokeo haya na tawi la ANN kujifunza mahusiano tuli na yasiyo ya mstari, huku tawi la LSTM likijifunza kuzorota kunakotegemea muda.

Hata hivyo, haijaelezwa kulikuwa na sampuli ngapi huru za jaribio, matokeo ni wastani wa marudio mangapi ya mafunzo, wala hakujatolewa mkengeuko sanifu, kipindi cha kujiamini, mwanzo wa nasibu au umuhimu wa kitakwimu. Kwa kuwa ukubwa wa modeli na muda wa mafunzo pia haukulinganishwa, faida ya usanifu mseto dhidi ya utata wake wa ziada haiwezi kutathminiwa kikamilifu.

Matokeo wakilishi ya FMEA yaliyotengenezwa

Kwa kavitesheni ya pampu, hatua zinazopendekezwa ni ufuatiliaji wa mtetemo, ukaguzi wa shinikizo la kufyonza na mtiririko wa majimaji, pamoja na ukaguzi wa impela. Kwa uchafuzi wa chiller, kusafisha condenser au kibadilisha joto, kupima utendaji wa joto na tathmini iliyopangwa ya ufanisi kunapendekezwa. Katika kuziba kwa kichujio, ufuatiliaji wa kushuka kwa shinikizo na kubadilisha kichujio hupendekezwa, huku katika hitilafu ya damper ukaguzi wa aktueta na mrejesho wa nafasi ukipewa kipaumbele.

Mgawanyo wa RPN

Kielelezo 6 kwenye ukurasa wa 46 kinaonyesha thamani za RPN kwa vipengele 12 vya HVAC:

Kwa vipengele vya ziada katika Kielelezo 6, maelezo ya alama za ukali, kutokea na utambuzi au aina za hitilafu zinazohusishwa na RPN hayajatolewa. Kwa hiyo, haiwezekani kuhesabu upya jinsi thamani zote kwenye grafu zilivyozalishwa.

Matokeo ya tathmini ya RAG

Thamani hizi zimewasilishwa kuwa za juu. Hata hivyo, haijaelezwa rekodi ngapi za FMEA zilitathminiwa, nani aliandika nyaraka za marejeo, modeli ipi ilikuwa mwamuzi wa RAGAS, au kama tathmini ya mtaalamu wa binadamu ilikuwepo. Ukweli kwamba thamani za BLEU na ROUGE-1 ni sawa kabisa pia unaonyesha haja ya kuripoti matokeo ya tathmini kwa undani zaidi.

Kutolingana kwa kisemantiki katika Kielelezo 7

Kielelezo 7 kwenye ukurasa wa 52 kinapanga aina 15 muhimu zaidi za hitilafu. Ingawa baadhi ya ulinganifu kama kavitesheni ya pampu na hitilafu ya bearing ya AHU yanaonekana kuwa na mantiki kiufundi, ulinganifu ufuatao hauendani na aina za vipengele:

• Kavitesheni katika circuit breaker.
• Kavitesheni katika terminali ya VAV.
• Kavitesheni katika duct ya hewa.
• Hitilafu ya bearing katika duct ya hewa.
• Hitilafu ya bearing katika sensa.
• Hitilafu ya bearing au uvujaji wa seal katika kituo cha udhibiti wa motor.
• Uvujaji wa seal katika terminali ya VAV.

Kavitesheni huhusishwa na vifaa vya majimaji vinavyobeba vimiminika, huku hitilafu ya bearing ikihusishwa na sehemu za mitambo zinazozunguka. Kwa hiyo, Kielelezo 7 kinaashiria kwamba hakukuwa na kizuizi au uthibitishaji wa kutosha kati ya darasa la mali na aina inayowezekana ya hitilafu. Hitilafu hii inaonyesha kuwa matokeo ya moduli ya RAG au FMEA hayapaswi kutumiwa kama hati ya kuaminika ya matengenezo bila idhini ya mtaalamu.

Nguvu za utafiti

• Kuunganisha semantiki ya BIM, uchanganuzi wa sensa na uzalishaji wa nyaraka za kiufundi katika mtiririko mmoja wa kazi wa mwanzo hadi mwisho.
• Kulenga kuhifadhi utambulisho wa mali wa IFC katika mchakato wote wa utabiri na pendekezo la matengenezo.
• Kuchakata muktadha tuli na taarifa za mfululizo wa muda katika matawi mawili tofauti ya modeli.
• Kujaribu kubadilisha utabiri wa nambari kuwa muundo wa FMEA unaoweza kutumiwa na mhandisi wa matengenezo.
• Kulinganisha ANN, LSTM na modeli mseto kwa vipimo sawa vya utendaji.
• Kujumuisha matukio tofauti ya matumizi kama hospitali, ofisi na kituo cha ununuzi.
• Kulenga kutathmini matokeo ya RAG kwa kuzingatia utegemezi wa ushahidi, ubora wa muktadha na ufanano wa maandishi.

Mapungufu makuu ya kimetodolojia

• Jumla ya data ni uchunguzi 96 tu wa sensa.
• Data kwa kiasi kikubwa ni sanisi na zinatokana na hali za uendeshaji zilizoigizwa.
• Haijaelezwa jinsi mifuatano ya hatua 24 za muda na mgawanyo wa data wa %70/%10/%20 ulivyotekelezwa.
• Haijulikani ikiwa hatua za muda za mali moja zilichanganyika kati ya mafunzo na jaribio.
• Utambulisho wazi na matokeo tofauti ya seti ya data ya nje ya AHU hayajatolewa.
• “Usahihi wa utabiri” ulioripotiwa kwa regression haujafafanuliwa.
• Hakuna kipindi cha kujiamini, mkengeuko sanifu au marudio mengi ya mafunzo kwa matokeo ya modeli.
• Idadi ya vigezo vya modeli za ANN na LSTM zilizolinganishwa haijaelezwa.
• Data na msimbo chanzo hazijashirikiwa.
• LLM na modeli ya embedding zilizotumiwa hazijatajwa.
• Idadi ya nyaraka katika hazina ya maarifa, matoleo yake, mbinu ya kugawanya vipande na thamani ya Top-K havijatolewa.
• Haijaelezwa jinsi nyaraka za marejeo za FMEA zilivyoandaliwa na wataalamu.
• Kiwango sanifu cha upangaji alama za RPN hakijatolewa.
• Katika Kielelezo 7 kuna ulinganifu wa mali–hitilafu usio sahihi kiufundi.
• Kifupisho RPN kimetumiwa kwa maana mbili tofauti.
• Viwango vya kiufundi vilivyoorodheshwa katika maandishi na schema ya RAG vinatofautiana.
• Uingiliaji wa matengenezo, kuzuia hitilafu au kupunguza gharama katika jengo halisi hakujapimwa.
• Utafiti haujapitia tathmini ya rika.

Matokeo yanayoungwa mkono na utafiti

• Sifa za mali za IFC zinaweza kubadilishwa kuwa ingizo za nambari za kujifunza kwa mashine.
• Katika seti ya data iliyodhibitiwa ya utafiti, kuunganisha sifa za ANN na LSTM kulitoa hitilafu ndogo ya utabiri kuliko modeli moja moja.
• Hali ya kifaa iliyotabiriwa inaweza kuongezwa kwenye prompt ya RAG ili kuzalisha FMEA iliyopangwa.
• Inawezekana kuanzisha kiungo cha kisemantiki kati ya kitu cha BIM na pendekezo la matengenezo.
• Thamani za RPN zinaweza kutumika kama usaidizi wa maamuzi unaoonyesha kipaumbele cha matengenezo.

Matokeo ambayo utafiti haujathibitisha

• Haijathibitishwa kuwa mfumo utafanya kazi kwa usahihi wa %95 katika majengo halisi.
• Haijaonyeshwa kuwa modeli inatabiri kuzorota kwa msimu, mwaka au miaka mingi.
• Haijathibitishwa kuwa FMEA ya kiotomatiki inaaminika sawa na mtaalamu wa binadamu.
• Haijaonyeshwa kuwa matokeo ya RAG hayana hallucination.
• Haijapimwa kama mapendekezo ya kiotomatiki yanapunguza gharama za matengenezo, matumizi ya nishati au kusimama kusikopangwa.
• Uwezo wa kujumlisha kwa watengenezaji tofauti wa HVAC na ubora tofauti wa uundaji wa IFC haujaonyeshwa.
• Haijaonyeshwa kuwa mfumo unafanya kazi kwa wakati halisi na BIM hai, IoT, otomatiki ya jengo au mfumo wa CMMS.
• Haijaonyeshwa kuwa thamani za RPN zilizozalishwa ni sawa na alama zilizothibitishwa za wataalamu wa uaminifu.
• Ulinganifu wa moja kwa moja na kanuni za majengo, hali ya hewa, vifaa na matengenezo nchini Uturuki haujathibitishwa.

Maelezo ya Chanzo na Mbinu

Jina kamili la awali la utafiti: A BIM-Integrated ANN–LSTM–RAG Framework for Intelligent Predictive Maintenance and Automated FMEA Generation in HVAC Systems

Mwandishi: Asif Iqubal.

Mpangilio wa waandishi: Utafiti una mwandishi mmoja.

Mwandishi mwenza wa kwanza: Haitumiki; utafiti una mwandishi mmoja.

Mwandishi anayewajibika: Asif Iqubal. Alama ya nyota kwenye jina la mwandishi na anwani ya barua pepe ya mawasiliano zinaonyesha mwandishi anayewajibika.

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

Dokezo la uthibitishaji wa taasisi: Taarifa ya taasisi ipo katika maandishi yaliyokaguliwa. Katika rekodi rasmi ya SSRN, uhusiano wa taasisi wa mwandishi haujatolewa kando.

ORCID: Taarifa ya ORCID haipo katika toleo lililokaguliwa.

DOI:10.2139/ssrn.7193081

Jarida: Hakuna jina la jarida lililopitiwa na rika katika toleo lililokaguliwa.

Mchapishaji: Hakuna taarifa ya mwisho ya mchapishaji wa awali iliyothibitishwa.

Jukwaa la uchapishaji: SSRN.

Tarehe ya uchapishaji: 27 Julai 2026.

Mwaka wa uchapishaji: 2026.

Aina ya chanzo: Preprint ya utafiti wa uhandisi inayounganisha uchimbaji wa semantiki za BIM, data sanisi za pacha dijitali, ujifunzaji wa kina mseto na uzalishaji wa FMEA unaotegemea RAG.

Hali ya tathmini ya rika: Utafiti haujapitia tathmini ya rika.

Chanzo rasmi:Rekodi rasmi ya utafiti ya SSRN.

Ufadhili: Hakuna tamko la ufadhili katika toleo lililokaguliwa.

Mgongano wa maslahi: Hakuna tamko la mgongano wa maslahi katika toleo lililokaguliwa.

Idhini ya kimaadili: Ingawa inaeleweka kuwa hakuna washiriki binadamu au wanyama waliotumiwa, hakuna tamko tofauti la kimaadili katika toleo lililokaguliwa.

Upatikanaji wa data na msimbo: Hakuna kiungo cha hazina wazi kilichotolewa kwa msimbo chanzo, modeli iliyofunzwa, skripti za kutengeneza data sanisi, faili za IFC, hazina ya maarifa ya RAG na kumbukumbu za majaribio.

Maelezo haya ya Kiswahili yaliandaliwa baada ya kukagua toleo la kurasa 60 la utafiti pamoja na maandishi, fomula, majedwali na vielelezo. Hakuna matokeo mapya ya majaribio kutoka nje ya utafiti yaliyoongezwa kwenye matokeo ya kisayansi. Ukaguzi wa vyanzo vya nje ulitumika tu kuthibitisha taarifa za bibliografia kama kichwa, mwandishi, DOI, tarehe ya rekodi ya SSRN na hali ya uchapishaji.

Matokeo mengi ya utafiti yanategemea seti ndogo na kwa kiasi kikubwa sanisi ya data. Baadhi ya ulinganifu wa kipengele–hitilafu katika sehemu ya FMEA ya kiotomatiki hauendani na uhandisi. Kwa hiyo, mfumo huu unapaswa kutazamwa si kama mfumo wa kujitegemea wa kufanya maamuzi ya matengenezo katika majengo halisi, bali kama mfano wa awali wa usaidizi wa maamuzi unaohitaji uthibitishaji huru wa data, vikwazo vya aina ya mali, idhini ya wataalamu na majaribio ya muda mrefu ya uwanjani.