Facilities management (FM) organizations generate substantial volumes of operational maintenance data, yet conventional tabular data formats lack the semantic structure necessary to make this information readily queryable, interoperable, or suitable for AI-driven decision support. This research addresses this gap by developing and deploying a domain-specific OWL ontology for building fault representation, in collaboration with Einar Mattsson AB, a Swedish residential property management organization.  The ontology is structured around six core classes—BuildingComponent, Failure, Cause, Measure, Actor, and SeverityLevel—connected by directed object properties that form an explicit causal chain from component-level fault identification to responsible actor assignment. Utilizing a human-in-the-loop engineering approach, a Large Language Model (LLM) was employed to accelerate the serialization of maintenance knowledge into RDF Turtle format, while all structural and semantic design decisions were strictly validated through iterative inspection in Protégé. The resulting semantic model, covering 23,033 individuals and 3,487 explicit RDF triples (expanding to 4,730 total statements via OWL-Horst inference), was deployed within GraphDB. Validation via competency questions demonstrated that complex multi-hop SPARQL queries executed in under 100 milliseconds across the Top 10 maintenance categories, representing 56,924 historical incidents.  To bridge the accessibility gap for non-technical users, a natural language interface was developed using GraphDB's integrated AI agent, enabling FM professionals to interact with the knowledge graph conversationally. Comparative evaluation of the direct SPARQL editor and the conversational AI agent demonstrated accurate retrieval for multi-hop causal chain traversal, cross-category cost comparison, team workload analysis, and preventive maintenance prioritization.  These findings demonstrate that an ontology-based approach offers a semantically richer, flexible, and expressive alternative to flat databases. Crucially, this study establishes a formal semantic foundation for future integration with industry standards such as the Building Topology Ontology (BOT), ifcOWL, and RealEstateCore, while underpinning AI-driven predictive maintenance initiatives like the AIDA-B project.  

Organisationer inom fastighetsförvaltning (Facilities Management, FM) genererar betydande volymer av operationella underhållsdata, men konventionella tabellformat saknar den semantiska struktur som krävs för att göra denna information lätt sökbar, interoperabel eller lämplig för AI-drivet beslutsstöd. Denna forskning adresserar detta gap genom att utveckla och implementera en domänspecifik OWL-ontologi för underhållsfel, i samarbete med Einar Mattsson AB. Ontologin är strukturerad kring sex kärnklasser – BuildingComponent (Byggnadskomponent), Failure (Fel), Cause (Orsak), Measure (Åtgärd), Actor (Aktör) och SeverityLevel (Allvarlighetsgrad) – sammankopplade med riktade objektegenskaper som bildar en explicit kausal kedja från felidentifiering på komponentnivå till åtgärdande aktör. Genom att använda en "human-in-the-loop"-metod användes en stor språkmodell (LLM) för att underlätta serialiseringen av underhållskunskap till RDF Turtle-format, medan alla strukturella och semantiska designbeslut validerades genom iterativ granskning i Protégé. Den resulterande semantiska modellen, som omfattar 23 033 individer och 3 487 explicita RDF-tripler (vilket expanderar till totalt 4 730 påståenden via OWL-Horst-inferens), importerades i GraphDB. Validering via kompetensfrågor visade att komplexa SPARQL-sökningar med flera hopp (multi-hop) exekverades på under 100 millisekunder över de 10 största underhållskategorierna, vilka representerar 56 924 historiska incidenter. För att överbrygga tillgänglighetsklyftan för icke-tekniska användare utvecklades ett gränssnitt för naturligt språk med hjälp av GraphDB:s integrerade AI-agent, vilket gör det möjligt att interagera med kunskapsgrafen i konversationsform. Jämförande utvärdering av den direkta SPARQL-editorn och den konversationsbaserade AI-agenten visade på noggrann hämtning av data för kausala kedjor med flera hopp, kostnadsjämförelser mellan kategorier, analys av teamens arbetsbörda och prioritering av förebyggande underhåll. Dessa resultat visar att ett ontologibaserat tillvägagångssätt erbjuder ett semantiskt rikare, mer flexibelt och uttrycksfullt alternativ till platta databaser. Framför allt etablerar denna studie en formell semantisk grund för framtida integration med branschstandarder såsom Building Topology Ontology (BOT), ifcOWL och RealEstateCore, samtidigt som den underbygger AI-drivna initiativ för prediktivt underhåll som AIDA-B-projektet.