mAIntenance - Untersuchung von KI-gestütztem Instandhaltungs- und Energiemanagement

Optimierter & zuverlässiger Betrieb von Heizungs-, Lüftungs-, Klima- und Kälte­technik (HLKK) Anlagen hinsichtlich Instandhaltungs- und Energiemanage­ment mittels prädiktiver, datenbasierter & selbstlernender Fehlererkennung. Konzeptioneller Entwurf und prototypische Implementierung eines KI (Künstliche Intelligenz)-Tools zur automatisierten Datenanalyse und Empfehlungsgebung für das technische Gebäudemanagement.

Kurzbeschreibung

Status

laufend

Ausgangssituation/Motivation

Innerhalb des Gebäudelebenszyklus entstehen bis zu 70 Prozent aller Kosten im Gebäudebetrieb, womit das größte ökonomische Optimierungspotential dieser Phase zugeordnet werden kann. Die technische Gebäudeausrüstung (TGA) hat zum einen maßgeblich Anteil an den Errichtungs-, Inspektions-, Wartungs- und Instandhaltungskosten eines Gebäudes, ist zum anderen aber auch für einen erheblichen Beitrag des Jahresenergieverbrauches und damit für einen wesentlichen Teil der CO2-Emissionen verantwortlich.

Inhalte und Zielsetzungen

mAIntenance beabsichtigt, durch den Einsatz von prädiktiven und selbstlernenden Algorithmen sowohl Energie- als auch Instandhaltungskosten von HLKK-Systemen zu reduzieren und dabei gleichzeitig eine effizientere und zuverlässigere Betriebsweise zu erzielen. Hierbei sollen einerseits auf Ebene des Gesamtsystems (gekoppelte Betrachtung von Gebäude und HLKK-System) durch Zeitreihenprognosen mit neuronalen Netzen der zukünftige Bedarf zur Abdeckung der Gebäudeheiz- oder -kühllast innerhalb der Regelstrategie berücksichtigt werden. Andererseits soll auf TGA-Komponentenebene anormales Verhalten via Modellbildung und maschinellen Lernen detektiert, analysiert und aufgezeigt werden.

Methodische Vorgehensweise

Neben der Mockup-Entwicklung eines auf künstlicher Intelligenz gestützten Tools zur Fehlererkennung und -diagnose wird ebenso dessen Funktionsnachweis durch die prototypische Implementierung in eine FM-Betriebswarte angestrebt. Der:Die Objektbetreuer:in bzw. Betriebstechniker:in kann so durch datenbasierte Handlungsempfehlungen unterstützt werden.

Erwartete Ergebnisse

Die gewonnenen Erkenntnisse geben einerseits Aufschluss über die Performanz gewählter selbstlernender Algorithmen in Verbindung mit minimalen Vorbereitungsaufwand von Energiemanagement-, Wartungs- und Instandhaltungsprozessen. Andererseits werden Schlussfolgerungen hinsichtlich der benötigten Betriebsüberwachung (Anzahl Datenpunkte, Messzeiträume, ...) abgeleitet. Des Weiteren erfolgen durch die Implementierung von Transfer Learning Ansätzen (im Falle fehlender/ungenügender Datensätze) Untersuchungen von neuartigen datenbasierten Methodenkompetenzen für einen digitalen Gebäude­betrieb.

Das Projekt wird seitens der AIT Austrian Institute of Technology GmbH in enger Abstimmung mit der PKE Facility Management GmbH als industrielle Forschung durchgeführt. Das Vorhaben orientiert sich am Leitthema, eine prädiktive Energie- und Instandhaltungsdienstleistung für das technische Facility Management zur Steigerung der Energie¬ und Ressourceneffizienz zu entwickeln.

Die Ausarbeitung von innovativen Geschäftsmodellen zur Vermarktung digitaler „Technical FM Services" findet im gegenständlichen Vorhaben ebenfalls Berücksichtigung.

Projektbeteiligte

Projektleitung

Austrian Institute of Technology GmbH – Center for Energy

Projekt- bzw. Kooperationspartner:Innen

PKE Facility Management GmbH

Kontaktadresse

Dipl.-Ing. Michael Schöny, BSc.
Giefinggasse 2
A-1210 Wien
Tel.: +43 (664) 883 355 45
E-Mail: michael.schoeny@ait.ac.at
Web: www.ait.ac.at/ueber-das-ait/center/center-for-energy