mAIntenance - Untersuchung von KI-gestütztem Instandhaltungs- und Energiemanagement

Der Gebäudesektor spielt eine bedeutende Rolle zur Erreichung der Pariser Klimaziele, da er für fast ein Drittel der weltweiten ausgestoßenen CO2 Emissionen verantwortlich ist. Fortschrittliche prädiktive Steuerungsansätze haben in den letzten Jahren hohe Aufmerksamkeit im Bereich der Forschung erlangt und erweisen sich als vielversprechende Lösung um die Gebäudeeffizienz zu steigern. So können datengesteuerte Lastvorher¬sagemodelle für individuelle Gebäudeenergiesysteme mit der Zunahme von kostengünstig installierter IoT-Sensorik leicht zugängliche Monitoringdaten nutzen.

Das kooperative F&E-Projekt mAIntenance untersuchte, in welcher Form der Einsatz künstlicher Intelligenz gebäudetechnische Versorgungssysteme effizienter und zuverlässiger gestalten kann. So wurde angestrebt, im Gebäude gesammelte Sensordaten mittels Machine Learning auszuwerten und durch die neue Datenlage die daraus abgeleiteten Erkenntnisse dem FM über ein Dashboard zur Verfügung zu stellen. Hierfür wurden Anwendungsfälle (Use Cases) im Aufgabenbereich des Energie- und Instandhaltungsmanagement definiert.

Zum Zwecke der Datenerfassung, Anlagenüberwachung, Modellvalidierung sowie funktionellen Evaluierung der Anwendungsfälle wurde die FUTUREbase als Testumgebung ausgewählt. Hierbei handelt es sich um ein vierstöckiges Forschungs- und Bürogebäude am Standort Wien. Zusätzlich zu den bestehenden Anlagenmonitoring wurde ein IoT-Sensornetzwerk aufgebaut, um relevante Informationen betreffend Büroraumklima zu sammeln. Die Abbildung eines auf BRICK basierenden Datenmodells der Gebäudetopologie, versorgungstechnischen Systeme sowie deren Datenpunkte ermöglichte es semantisches Wissen maschinenlesbar aufzubereiten.

Durch Kombinationen der gesammelten Datensätze und dem semantischen Datenmodell wurden darauf erste Vorhersagen betreffend des Gebäudeenergieverbrauchs, thermischen Raumkomforts und Fehlererkennung innerhalb der Gebäudeautomation durchgeführt. Die generierten daten-basierten Machine Learning Modelle wurden hierfür mit den über mehrere Jahre aufgezeichneten und aufbereiteten Daten zunächst trainiert und anschließend validiert. Des Weiteren wurden funktionelle Evaluierungen hinsichtlich der Vorhersage für die thermische Behaglichkeit in Büros einer HLK-Zone und der detektierten Anomalien überprüft.

Hinsichtlich der Vorhersage des Gebäudeenergieverbrauchs zeigten sich gute Ergebnisse durch die Verfügbarkeit langer Datenzeitreihen mit hoher Qualität. Die Prognosen des thermischen Komforts in den Büros erwiesen sich als ungenauer. Bei der Evaluierung mit Messreihen für thermische Behaglichkeitsbetrachtungen ergaben sich jedoch hinreichend genaue Übereinstimmungen um Komfortverletzungen in Büroräumen für einen Zeitraum von bis zu 3 Tagen für das Facility Manage-ment abzuschätzen. Betreffend der Fehlerdetektion wurde mit Hilfe von Autoencodern verschiedene Fehlerklassifizierungen durch die Analyse der aufgezeigten Anomalien vorgenommen. Der Ansatz, das Brick-Datenmodell zur Auswahl von Datenpunkten zur Spezifikation einzelner Autoencoder zu nutzen, erwies sich als leistungsstark.

Eine Wirtschaftlichkeitsanalyse zeigte eine Amortisationszeit von etwa 2,7 Jahren für das KI-Tool, was langfristig zu einer Steigerung der Energieeffizienz führt. Die Anwendung von künstlicher Intelligenz im Gebäudemanagement bietet ein großes Marktpotenzial, insbesondere für Facility Manager und Industriebetriebe, die von der Optimierung des Energieverbrauchs und der Anomalieerkennung profitieren können.

Projektleitung

Austrian Institute of Technology GmbH – Center for Energy

Projekt- bzw. Kooperationspartner:Innen

PKE Facility Management GmbH

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