Integrating Predictive Maintenance Analytics into a Cloud-based CMMS for Smart Work Order Management and Resource Allocation

在维护实践中生成了大量与建筑物、设施和基础设施的组件相关的数据。这些数据大多作为维护记录被动地存储在数据库中。数据分析技术提供了将大量数据转化为有用信息并生成知识以提高未来维护实践的性能、可靠性和效率的机会。在这方面，预测性分析不仅可用于故障预测和诊断(确保物理系统的可靠性)，还可用于维护活动的智能(智能和预测性)管理，以提高资源效率。拟议项目的主要目标是建立将人工智能技术整合到基于云的维护管理流程中的研发，重点是维护工单管理和资源分配。使用选定的一组聚类方法，识别该组区分属性(特征)和最优(最小)数量的聚类，以对工单管理模式进行分类。此外，还设计了基于规则的智能资源分配系统，以智能的方式将工作人员分配到工作岗位上，从而降低资源密集度，提高成本效率。使用决策树分类器，利用从历史数据中识别的模式来为未来的维护项目生成一组决策规则，从而建立对资源分配的预测性方法。最后，将开发一个基于关键绩效指标的评估系统，作为向上述基于人工智能的算法提供反馈的一种手段，用于验证和改进。公司主要负责股票的钝化，以此为基础进行维修。LES技术分析了变压器的大容量和信息，以及更多的LES性能、故障和L的有效未来实践和维护。在此基础上，L的《分析预测的应用与诊断》(Assuant la Fablitédes Systèmes Physiques)et Vers‘One Groublem Intelligence(Intelligence Et Predictive)de Actiitée S de Maintenance Per amélier’Es Efficiacéde Resources‘Des Actiitéto Maintenance Popelacitélilier Amélilier L’fferacitédes Resources.L的目标是研发项目负责人L的技术集成和L的管理维护基础云技术L的重点是维护和资源的配置。有用的非集合体S的集合体、L的集合体和非范数最优(最小)的集合体的声音标识S为班级提供了学习和训练的机会。此外，联合国系统的智能基础和资源分配与受影响的人员和受影响的人员或人员和L的内涵资源和租赁者的关系密切相关。L的助手负责确定S的历史地位，S负责管理和维护未来的项目，L负责分配资源。在此基础上，提出了一种基于S和L的信息评估算法。

There is a massive amount of data generated in the maintenance practices as related to components of buildings, facilities, and infrastructure. This data is mostly passively stored in databases as maintenance records. Data analytics technologies present an opportunity to turn this large volume of data into useful information and generate knowledge to enhance the performance, reliability, and efficiency of future maintenance practices. In this regard, predictive analytics can be utilized beyond failure prediction and diagnosis (ensuring reliability of physical systems) and towards an intelligent (smart and predictive) management of maintenance activities to enhance resource efficiency. The main objective of the proposed project is to establish R&D into the integration of AI technologies into a cloud-based maintenance administration process with a focus on maintenance work-order management and resource allocation. Using a select set of clustering methods, the set of differentiating attributes (features) and an optimal (minimum) number of clusters are identified to classify work-order management patterns. In addition, a smart resource allocation rule-based systems is designed to assign the staff to the jobs in an intelligent manner such that to reduce resource intensity and improve the cost efficiency. Using decision tree classifiers, the identified patterns from historical data are utilized to generate a set of decision rules for future maintenance projects, establishing a predictive approach toward resource allocation. Finally, a KPIs-based assessment system will be developed as a means of providing feedback to the above AI-based algorithms for validation and improvement purposes.#(cr)#(lf)Il existe une énorme quantité de données générées dans les pratiques de maintenance en ce qui concerne les composants des bâtiments, des installations et des infrastructures. Ces données sont principalement stockées passivement dans des bases de données en tant qu'enregistrements de maintenance. Les technologies d'analyse de données offrent la possibilité de transformer ce grand volume de données en informations utiles et de générer des connaissances pour améliorer les performances, la fiabilité et l'efficacité des futures pratiques de maintenance. À cet égard, l'analyse prédictive peut être utilisée au-delà de la prédiction et du diagnostic de défaillance (assurant la fiabilité des systèmes physiques) et vers une gestion intelligente (intelligente et prédictive) des activités de maintenance pour améliorer l'efficacité des ressources. L'objectif principal du projet proposé est d'établir la R&D dans l'intégration des technologies de l'IA dans un processus d'administration de maintenance basé sur le cloud en mettant l'accent sur la gestion des ordres de travail de maintenance et l'allocation des ressources. En utilisant un ensemble sélectionné de méthodes de clustering, l'ensemble d'attributs de différenciation (fonctionnalités) et un nombre optimal (minimum) de clusters sont identifiés pour classer les modèles de gestion des ordres de travail. En outre, un système intelligent basé sur des règles d'allocation des ressources est conçu pour affecter le personnel aux tâches de manière intelligente de manière à réduire l'intensité des ressources et à améliorer la rentabilité. À l'aide de classificateurs d'arbre de décision, les modèles identifiés à partir de données historiques sont utilisés pour générer un ensemble de règles de décision pour les futurs projets de maintenance, établissant une approche prédictive de l'allocation des ressources. Enfin, un système d'évaluation basé sur des KPIs sera développé afin de fournir un retour d'informations aux algorithmes basés sur l'IA ci-dessus à des fins de validation et d'amélioration.