The operation and maintenance of buildings has seen several advances in recent years. Multiple information and communication technology (ICT) solutions have been introduced to better manage building maintenance. However, maintenance practices in buildings remain less efficient and lead to significant energy waste. In this paper, a predictive maintenance framework based on machine learning techniques is proposed. This framework aims to provide guidelines to implement predictive maintenance for building installations. The framework is organised into five steps: data collection, data processing, model development, fault notification and model improvement. A sport facility was selected as a case study in this work to demonstrate the framework. Data were collected from different heating ventilation and air conditioning (HVAC) installations using Internet of Things (IoT) devices and a building automation system (BAS). Then, a deep learning model was used to predict failures. The case study showed the potential of this framework to predict failures. However, multiple obstacles and barriers were observed related to data availability and feedback collection. The overall results of this paper can help to provide guidelines for scientists and practitioners to implement predictive maintenance approaches in buildings.

Introduction de l'intelligence artificielle dans le secteur de la construction : études de cas du Facility Management.: L’industrie du Facility Management (FM) a connu une évolution rapide au cours des dernières décennies, ce qui a entraîne une forte expansion des activités qui y sont liées. Les organisations de FM sont passées du rôle traditionnel de fournisseur de services de maintenance à des activités complexes et interconnectées impliquant des personnes, des processus et des technologies. En conséquence de cette croissance exponentielle, les industriels de la FM sont confrontés à des défis croissants et variés allant des défis environnementaux aux défis contractuels et économiques. Le récent développement de l'Intelligence artificielle (IA) et de l’apprentissage machine a offert aux universitaires comme aux industriels un nouveau ensemble d'outils pour innover et relever les nouveaux défis de la digitalisation et de la donnée.L'IA a permis le développement des solutions multiples telles que l'automatisation et la personnalisation des services. Le secteur du Facility Management peut bénéficier de ces nouvelles techniques pour mieux gérer ses actifs et améliorer ses processus. Cependant, l'intégration de l'IA dans l'écosystème du FM est une tâche difficile qui nécessite de réduire l'écart entre les problématiques métiers et les technologies de données. Pour développer le véritable potentiel de l'analyse des données et de l'IA dans l'industrie du FM, un travail important est nécessaire pour surmonter les problèmes de qualité et de gestion des données dans le secteur du FM. L'objectif global de cette thèse est de conceptualiser la compréhension théorique et pratique de la mise en œuvre de l'intelligence artificielle et des technologies d’apprentissage machine dans les activités de Facility Management pour mieux exploiter les bâtiments. Les promesses de la mise en œuvre de l'IA ont été présentées ainsi que les défis et les obstacles qui limitent le développement de l'IA dans le secteur du Facility Management. Pour résoudre ces problématiques, un cadre de travail a été proposé pour améliorer la gestion des données et tirer parti de l'IA dans ce secteur d’activité. Plusieurs études de cas ont été sélectionnées pour aborder ce cadre de travail. Les études de cas sélectionnées couvraient les applications de maintenance prévisionnelle, d'assistant virtuel et d’automatisation de la gestion des demandes d’interventions. Les résultats de ce travail ont démontré le potentiel de l'IA pour relever les défis du FM tels que la gestion de la maintenance et la gestion des déchets. Cependant, de nombreux obstacles limitant le développement de l'IA dans le secteur du FM ont été identifiés, notamment des problèmes de disponibilité des données et de passage à grande échelle.