Künstliche Intelligenz im Gebäudemanagement

Fehler und Ineffizienzen in gebäudetechnischen Systemen verursachen unnötige CO2-Emissionen und Betriebskosten. Für das laufende Monitoring der Gebäudeleittechnik reichen die Ressourcen der Operatoren oft nicht aus. Ein automatisiertes Fehlererkennungs- und Diagnosesystem bringt den Vorteil der frühzeitigen Erkennung von Fehlern und Ineffizienzen in Heizungs-/Klima-/Lüftungs-Systemen (HKL).

Das Ziel des Projekts ist die Entwicklung von Systemen zur Fehlerkennung in HKLS-Systemen, die auf Künstlicher Intelligenz (KI) basieren. Der Projektpartner Flughafen Wien AG (FWAG) bringt eine bestehende Datenbank von langjährigen Monitoring-Daten ihrer Gebäudeleittechnik in das Projekt ein. Anhand dieser Daten werden KI-Algorithmen trainiert für Anomalien- und Fehlererkennung. Außerdem werden für die HKL-Systeme Simulationsmodelle erstellt, die eine gray-box-Modellierung ermöglichen. Die auf Simulationsmodellen basierenden Digital Twins ermöglichen das Testen von bestehenden und die Entwicklung von neuen Fehlererkennungsregeln. 

• Qualitätsmanagement der Daten: Aufbereitung, Visualisierung und Überprüfung der vorhandenen Datensätze auf ausreichende Qualität für KI-Algorithmen, ggf. Labelling der Daten für Supervised Learning.
• Literatur-Review von auf Deep Learning basierenden KI-Methoden, und Auswahl der vielversprechendsten Methoden für Vorab-Tests und weitere Implementierung.
• Trainieren von Algorithmen zur Fehlererkennung mithilfe der Zeitreihen der FWAG. Evaluieren der Übertragbarkeit von KI-Methoden auf ähnliche Systeme.
• Entwicklung von Simulationsmodellen für die häufigsten HKL-Systeme der FWAG-Gebäude. Testen der Simulationssysteme durch FWAG, um die bestehenden regelbasierten Algorithmen zur Fehlererkennung weiter zu verfeinern und zu verbessern.
• Anwendung der Simulationsmodelle, um synthetische Daten zu generieren mit simulierten typische Komponentenfehlern, wobei diese synthetischen Daten verwendet werden können, um weitere KI-Modelle trainieren.

AIT als der wissenschaftliche Partner spielt eine zentrale Rolle im Projekt, v.a. hinsichtlich Datenvorbereitung, Entwicklung und Validierung der Simulationsmodelle, sowie Testen, Trainieren und Evaluieren von KI-basierten Fehlererkennungsalgorithmen. 

Bei einer großen Anzahl von Gebäuden ist die manuelle Erkennung von Fehlern in lüftungstechnischen Anlagen durch den Betreiber schwer zu bewältigen. Einfachere regelbasierte Algorithmen können helfen, bestimmte Fehler zu erkennen. Die Simulation von Fehlerfällen kann sowohl die Feinjustierung dieser Erkennungsregeln als auch die Einstellung der Reglerparameter ermöglichen. Andererseits können die Simulationsmodelle benutzt werden, um synthetische Daten zu generieren für weitere Machine Learning Modelle, die für supervised learning große Datensätze als Input erfordern. Diese Kombination von Systemsimulation und datenbasierten Algorithmen bringt Innovationsgehalt. Falls synthetische Zeitreihen mit verschiedene typischen Komponentenfehlern generiert werden können, werden Klassifizierungsalgorithmen mithilfe synthetischer Zeitreihen trainiert, um einzelne Fehlerarten differenzieren zu können. 

Diese Methoden ermöglichen frühzeitige, automatische Erkennung von Fehlern und Anomalien, damit die Behebung möglichst zeitnah durchgeführt werden kann. Damit spart man Energie und Kosten im Betrieb von Heizungs-/Klima- und Lüftungsanlagen.

Das Projekt AI4FM wird im Rahmen von TIKS - Technologien und Innovationen für die klimaneutrale Stadt (2. Ausschreibung, 2023) gefördert.