Analytics for enabling data-driven facility management using building management systems data

Simple item page
dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.advisorFrämling, Kary
dc.contributor.authorRehn, Jonathan
dc.contributor.schoolPerustieteiden korkeakoulufi
dc.contributor.supervisorFrämling, Kary
dc.date.accessioned2020-08-23T17:02:10Z
dc.date.available2020-08-23T17:02:10Z
dc.date.issued2020-08-18
dc.description.abstractFacility managers today have vast amounts of data available through Building Automation Systems. However, this data is currently primarily used through rule based automation and manual analysis, leaving room for new and more sophisticated analytical tools. This thesis explores and proposes analytical tools with the aim to make facility management more data-driven. Specifically, the maintenance, comfort and energy consumption related activities of facility management are addressed. A linear correlation model for unsupervised fault detection and predictive maintenance is proposed and implemented. The model is concluded to be more interpretable than its industrial counterparts as well as able to detect both system faults and equipment degradation. Energy consumption forecasting is concluded to be a key capability of facility managers to optimize consumption and participate in the Smart Grid. Two separate models for heating energy usage forecasting are proposed and implemented. The first is a deep neural network, the second an additive ensemble model of regression trees. The latter model is proved more accurate and substantially less resource intensive to implement, while the deep neural network is suggested to be more suitable for complex forecasting. All three models presented in this thesis are meant to provide a first step with low requirements to implement and direct benefits, ultimately encouraging more business investment into data-oriented capabilities and infrastructure.en
dc.description.abstractByggnadsautomationssystem ger dagens fastighetsadministratörer en ansenlig mängd data att arbeta med. Nyttjandet av dessa data sker dock ännu främst i form av regelbaserad automation och manuella analyser. Utrymme finns därför för mer avancerade analytiska verktyg. I det här diplomarbetet utforskas och presenteras analytiska verktyg med målet att göra fastighetsadministration till en mer dataorienterad verksamhet. Specifikt behandlas aktiviteter relaterade till underhåll, bekvämlighet och energiförbrukning. En lineär korrelationsmodell för oövervakad felupptäckning och prediktivt underhåll föreslås och implementeras. Modellen konstateras vara mer tolkningsbar än motsvarande lösningar inom processkontroll och förmår upptäcka både systemfel och slitage av utrustning. Prognostisering av energikonsumption konstateras vara centralt för att optimera totalkonsumption samt utnyttja fördelarna i det smarta elnätet. Två modeller för prognostisering av energikonsumption föreslås och implementeras. Den första är ett neuralt nätverk, den andra en ensemblemetod byggd på regressionsträd. Av dessa konstateras den senare producera bättre prognoser samt kräva mindre resurser att implementera. Modellerna som presenteras i diplomarbetet strävar till att vara ett första steg med låg implementeringströskel och direkta fördelar som möjliggör fortsatta investeringar i dataorienterde färdigheter och infrastruktur.sv
dc.format.extent40 + 7
dc.format.mimetypeapplication/pdfen
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/45987
dc.identifier.urnURN:NBN:fi:aalto-202008234919
dc.language.isoenen
dc.programmeMaster’s Programme in Computer, Communication and Information Sciencesfi
dc.programme.majorSoftware and Service Engineeringfi
dc.programme.mcodeSCI3043fi
dc.subject.keywordfacility managementen
dc.subject.keywordbuilding automation systemen
dc.subject.keywordinternet of thingsen
dc.subject.keywordsmart buildingsen
dc.titleAnalytics for enabling data-driven facility management using building management systems dataen
dc.titleAnalytik för dataorienterad fastighetsförvaltning genom analys av data från byggnadsautomationssystemsv
dc.typeG2 Pro gradu, diplomityöfi
dc.type.ontasotMaster's thesisen
dc.type.ontasotDiplomityöfi
local.aalto.electroniconlyyes
local.aalto.openaccessyes
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
master_Rehn_Jonathan_2020.pdf
Size:
4.82 MB
Format:
Adobe Portable Document Format
Download
Collections
[dipl] Perustieteiden korkeakoulu / SCI