Fehlererkennung und Diagnose

In vielen Gebäuden werden Systeme und Komponenten weitab von ihrem Optimum betrieben. Häufig vorkommende Fehler sind beispielsweise falsche Betriebszeiten, fehlerhafte Sensoren, defekte Aktoren wie Ventile und Klappen und unzureichende Regelungsstrategien. 

Das Fraunhofer ISE nutzt mathematische Verfahren, um Fehler im Betrieb gebäudetechnischer Systeme und Anlagen zeitnah zu erkennen. Um eine Anlage optimal zu überwachen und einen energieeffizienten Betrieb aufrechtzuerhalten, müssen zahlreiche Signale in ihrem zeitlichen Verlauf und ihrer gegenseitigen Abhängigkeit beobachtet und ausgewertet werden. Mit Methoden des Maschinellen Lernens können gebäudetechnische Anlagen wie Wärmepumpen oder Heizkreise ihre optimale Betriebsweise selbst lernen und bei Abweichungen zwischen Mess- und Vorhersagewerten eine Diagnose für den Betreiber generieren. Durch Feedback kann der Betreiber die Leistungsfähigkeit der selbstlernenden Methode weiter steigern. Somit kann eine höhere Transparenz des Anlagenbetriebs erreicht und Energie und Kosten gespart werden.

Zur Überwachung des Betriebs von gebäudetechnischen Anlagen entwickeln wir Datenverarbeitungsalgorithmen, mit deren Hilfe fehlerhafte Betriebszustände automatisch identifiziert und Betreibern gemeldet werden können. Die Algorithmen basieren auf Expertenwissen, auf Methoden des maschinellen Lernens wie qualitativen Modellen, Entscheidungsbäumen oder auf einer Kombination dieser Verfahren. Zusammen mit Software- und Geräteherstellern testen und integrieren wir unsere Methoden in Cloud-basierte Plattformen oder direkt in Geräte als Edge-Computing-Lösung.

Unsere FuE-Leistungen umfassen:

• Automatische Fehlererkennung
  Wir entwickeln, testen und integrieren Methoden zur automatischen Fehlererkennung im Betrieb von gebäudetechnischen Systemen. Dabei greifen wir auf Verfahren des maschinellen Lernens sowie auf Expertenwissen zurück und erreichen durch die Auswahl eines jeweils geeigneten Verfahrens, bzw. durch eine Kombination verschiedener Methoden, eine hohe Flexibilität, Anpassungsfähigkeit und Genauigkeit.
  
  
• Selbstlernende Diagnosesysteme
  Wir entwickeln Diagnosesysteme, die anhand von Trainingsdaten erlernte Fehler mit hoher Genauigkeit wiedererkennen und diagnostizieren. Darüber hinaus verwenden wir Methoden, die unbekannte Anomalien im Anlagenbetrieb erkennen und einzelnen Sensoren oder Subsystemen zuordnen. Die direkte Einbindung des Nutzers in den Diagnoseprozess, ermöglicht eine maßgeschneiderte Anpassung der Algorithmen und eine zunehmende Genauigkeit der Diagnosen im Verlauf der Anwendung.
  
  
• Integration auf Cloud-basierten Plattformen oder in Geräten
  Die vom Fraunhofer ISE entwickelten Methoden zur Fehlererkennung und Diagnose lassen sich auf Wunsch in Cloud-basierte Plattformen oder direkt in Geräte und Komponenten des Kunden integrieren. Zudem lassen sich die Methoden unmittelbar in die Datenanalyse-Plattform mondas einbinden, welche inzwischen von der Fraunhofer ISE Ausgründung mondas GmbH weiterentwickelt wird.
  
  
• Kopplung mit BIM-Daten 
  Bei Bedarf können beim Kunden bestehende digitale Beschreibungen bestimmter Anlagenteile oder Komponenten verwendet werden, um die Algorithmen zur Fehlererkennung zu parametrieren und die Diagnose anzureichern. Eine Verknüpfung der Betriebsüberwachung mit zusätzlichen digitalen Informationen über das betrachtete System reduziert den Einrichtungsaufwand und erhöht den Nutzen.
  
  
• Nutzerfreundliches Alarmmanagement
  Im Fall eines detektierten Fehlers in einer Anlage können entsprechende Alarme in Form von E-Mails, push-Meldungen auf ein mobiles Endgerät oder unmittelbar in der verwendeten Plattform generiert werden. Zusätzliche Informationen wie z.B. Zeitbereich des Fehlers, beteiligte Sensoren, betroffene Anlagen- und Gebäudeteile und Maßnahmen für die Behebung können mit einem BIM-Modell oder CAFM-System verknüpft werden und somit die Wartung erleichtern.
  
  
• Energie- und Kostenersparnis
  In verschiedenen nationalen und internationalen Forschungsprojekten und Monitoring-Aufträgen konnten wir Energieeinsparungen von 20% und teilweise darüber hinaus erreichen. Derartige Einsparpotentiale lassen sich allein auf Grund von minimal invasiven Maßnahmen wie Behebung von Fehlern und Anpassung suboptimaler Betriebsweisen heben.