Innovation through the implementation of the PrIME (Proactive Maintenance-based IoT and Machine Learning integrated environment) in the management of the complex building

The traditional maintenance strategies for the management of the complex buildings can be redefined thanks to a new proactive approach, which derives from a technology transfer of predictive maintenance approaches in use in the industrial sectors. The technology transfer to define the new proactive maintenance approach for the complex buildings involves the adoption of the Industry 4.0 enabling technologies (such as big data, machine learning and Internet of Things IoT) to support the continuous analysis of data coming from the systems, which can further result in the failures prediction. The PhD research investigates the degree of proactiveness which is possible to reach with new data collection and elaboration tools in support of new procedures for the management process of the complex buildings. The research path has been defined starting from few general questions: Which predictive maintenance approaches of the industrial sectors can be transferred to the building sector? How can time-series data, which have been collected during the operations of the complex building management, be analysed proactively? Which data architecture can promote the proactivity in the complex building management? The work aims to bring forth a new proactive approach to be implemented in the management of complex buildings to deal with the dynamic anticipation of the risks related to systems failures. To fulfil this objective the research develops an analysis, summarized in the proposed model (PrIME - Proactive maintenance-based IoT and Machine learning integrated environment), in order to: represent the systems according to their classification and their criticalities; elaborate the existing data of the complex buildings - in the form of bad data and big data - in data-driven models such as artificial neural network models in the form of both supervised and unsupervised learning; propose possible forms of IoT architectures to support the data collection and elaboration. The final result of the research is the creation of an integrated environment for the empowerment of the proactive maintenance approach, based on machine learning models and IoT technology, to be used for the management of complex buildings through dynamic and continuous data analysis.

Le strategie tradizionali di manutenzione per la gestione degli edifici complessi possono essere ridisegnate grazie ad un nuovo approccio proattivo, che deriva da un trasferimento tecnologico delle pratiche di manutenzione predittiva in atto nei settori industriali. Il trasferimento tecnologico per creare il nuovo approccio di manutenzione proattivo implica l'adozione delle tecnologie abilitanti dell'Industria 4.0 (come bi data, machine Learning e IoT) per supportare la predizione dei guasti nella gestione degli asset. In particolare, questa ricerca di dottorato investiga il grado di proattività che è possibile raggiungere tramite nuovi strumenti di raccolta e analisi dati a supporto di nuove procedure che possono essere applicate al processo gestionale dell’edificio complesso. In questa ricerca di dottorato, le domande di ricerca possono essere riassunte in: Quali approcci di manutenzione predittiva in uso in ambito industriale possono essere trasferiti al settore delle costruzioni? Come la serie di dati temporali, raccolti durante le operazioni manutentive dell’edificio complesso, possono essere analizzati proattivamente. Quale architettura per i dati si abbina alla proattività nella gestione dell’edificio complesso? Considerando queste domande di ricerca, questo lavoro di dottorato mira a generare un nuovo approccio proattivo che possa essere applicato agli edifici complessi, a partire dalla fase di progettazione fino alla fase di gestione, per l’anticipazione dei rischi (come possono essere i guasti dei sistemi). Per soddisfare questo obiettivo, la ricerca sviluppa un’analisi, sintetizzata nel modello proposto (PrIME - Proactive maintenance-based IoT and Machine learning integrated environment) per rappresentare i sistemi secondo la loro classificazione e criticità, per elaborare i dati esistenti generati nell’edificio complesso – nella forma di bad data e big data – in modelli data-driven – come reti neurali di tipo supervisionato e non supervisionato – e proporre forme possibili di architetture IoT a supporto della raccolta e analisi dei dati. Il prodotto finale di questa ricerca di dottorato è la creazione di un ambiente integrato per il potenziamento dell’approccio proattivo alla manutenzione, basato su modelli di machine learning e IoT, che possa essere impiegato alla gestione dei sistemi complessi tramite analisi dinamiche e continue dei dati.