Fraunhofer-Institut für Solare Energiesysteme ISEDurch Technisches Monitoring (TMon) kann der Energieverbrauch von Gebäuden um bis zu 20 % gesenkt werden. Fachkräftemangel und manuelle Schritte bremsen jedoch die flächendeckende Umsetzung. Im FuE-Projekt »GraphEET« entwickeln das Fraunhofer ISE und die Hochschule Offenburg zusammen mit Industriepartnern einen datenbasierten TMon-Workflow. Ziel ist es, hybride KI-Verfahren für die Erkennung von Datenpunkten und Anlagentopologien zu entwickeln und die erkannten Objekte und Strukturen in digitalen Zwillingen als Knowledge Graphs abzubilden. Prüftemplates, Fehlerdiagnosen und mobile Messaufgaben sollen somit automatisiert angewendet werden können.
Graphen und KI-Verfahren für das Technische Monitoring von energieeffizienten Gebäuden
GraphEET
Beispiel für eine Versorgungs- und Messinfrastruktur in modernen gebäudetechnischen Anlagen.
Ausgangslage
Aufgrund des aktuellen Fachkräftemangels bleiben die Potenziale von TMon oft ungenutzt: Zum einen erfordert die Auswertung von Informationen aus GA-Systemen viele manuelle Schritte, zum anderen macht das Fehlen digitalisierter Prozesse die Umsetzung zeit- und ressourcenintensiv. Eine zentrale Herausforderung stellt dabei die automatische Erkennung und Zuordnung gebäudespezifischer Anlagenkennzeichnungssysteme aus Gebäudeautomationssystemen dar, um Anlagenfunktionen in Monitoringplattformen anhand von Zeitreihendaten auswerten zu können. Zudem fehlen Verfahren, die die Topologien gebäudetechnischer Anlagen aus Zeitreihen- und Metadaten automatisch erkennen und in eine digitale Struktur – z.B. als Basis eines digitalen Zwillings – überführen können.
Ziel
Mit »GraphEET« möchten wir einen durchgängig digitalen Workflow für das Technische Monitoring etablieren. Hierfür entwickeln wir zusammen mit unseren Partnern hybride KI-Verfahren, die Sensoren, Zähler und gesamte Anlagentopologien unmittelbar aus Daten der Gebäudeautomation erkennen. Die identifizierten Objekte sollen in Knowledge-Graph-Modellen abgebildet werden, die Komponenten, Beziehungen und Standorte eindeutig beschreiben. Auf dieser Basis sollen standardisierte Analyse- und Prüfplanvorlagen entwickelt werden, die sich automatisch auf Anlagen unterschiedlicher Topologien anwenden lassen. Ergänzend sollen Workflows für mobile Messaufgaben integriert werden. Sämtliche Funktionen fließen in GUI-gestützte Softwaredemonstratoren ein, die in Pilotgebäuden validiert werden sollen.
Die Informationen aus der Gebäudeautomation und -dokumentation werden in eine digitale, graphenbasierte Darstellung überführt. Diese dient als Grundlage für automatisierte TMon-Teilprozesse, die verschiedene Stakeholder unterstützen.
Lösung
Wir erfassen TMon-Teilprozesse, leiten Anforderungen ab und entwickeln ein standardisiertes Knowledge-Graph-Modell, das Anlagen, Sensoren, Regelung sowie Energie- und Hydraulikbezüge beschreibt. Dafür erweitern wir die am Fraunhofer ISE entwickelte TBSys-Ontologie, die auf Standard 223P und Brick Schema basiert. Darauf aufbauend entstehen eine Anlagendatenbank mit Templates, Prüfgrößen und Regelsätzen, sowie eine Datenstruktur für digitale mobile Messaufgaben. Eine KI-Pipeline kombiniert Texterkennung mittels generativer KI mit Zeitreihenklassifikation und symbolischer KI zur Datenpunkt- und Topologieerkennung. Die Bausteine werden in die Monitoring-Plattform des Projektpartners Mondas integriert. Die Methoden werden an Demonstratoren in realen Monitoring-Projekten demonstriert und validiert.
Förderung
Das Projekt »GraphEET« wird vom Bundesministerium für Wirtschaft und Energie gefördert.
