"SELF²B"

Im Projekt SELF2B geht es um die Entwicklung einer KI-basierten selbstlernenden & selbstdiagnostizierenden Fehlererkennung- und Diagnoselösung (FDD) im Gebäudeportfolio der Bundesimmobilien-gesellschaft (BIG). Die erarbeiteten Lösungen werden als Echtzeit-Online-FDD-Prototyps im Realbetrieb demonstriert (inkl. stetiger Überwachung von HLK-Systemen und PV-Anlage). Erstellt wird auch ein Technologiekonzept für „selbstlernende, selbstoptimierende“ Bestandsgebäude für die nächste Generation des effizienten Gebäudebetriebs.

Key Facts

Programm: FFG (Österreichische Forschungsförderungsgesellschaft)

"Energie- u. Umwelttechnologien, Energie- u. Umwelttechnologien, Technologien und Innovationen für die klimaneutrale Stadt (TIKS)" (früher: Stadt der Zukunft)

Dauer: 01.09.2024 - 31.08.2026 (24 Monate)

Projektstakeholder und Rollen:

Technische Universität Wien - Koordination, Entwicklung der KI
DiLT Analytics FlexCo - Entwicklung der KI

Assozitierte Partner:innen
Bundesimmobiliengesellschaft (BIG) - Infrastruktur & User:innen-Sicht

Updates zum Projekt gibt es auf unseren LinkedIn-Kanälen!

Über das Projekt

ZIELE

Die Herausforderung

Zur Erreichung der nationalen und europäischen Klimaneutralitätsziele 2050 müssen die CO2-Emissionen signifikant reduziert werden. Der Gebäudesektor spielt dabei eine zentrale Rolle: in der EU entfallen 40 % des Endenergieverbrauchs und 36 % der Emissionen auf ihn.

Eine kontinuierliche, systematische Überwachung des Gebäudebetriebs wird aufgrund der Komplexität der Heizungs-, Lüftungs- und Klimaanlagen (HLK-Anlagen), unzureichender Daten und Tools oder Personalmangels aber nur in seltenen Fällen durchgeführt, obwohl die laufende Überprüfung der Betriebsparameter großes Potential besitzt. Studien zeigen ein großes Energieeinsparungspotential von bis zu 30 % durch optimierte Betriebsführung und intelligentes Monitoring im Nichtwohngebäudesektor. Am Markt erhältliche Software zur Betriebsoptimierung setzt jedoch hochqualifizierte Fachkräfte voraus, ist aufwändig einzurichten oder benötigt im Vorfeld oft ein Upgrade der Messtechnik der vorhandenen HLK.

Der Projektinhalt

SELF²B demonstriert eine KI-basierte selbstlernende & selbstdiagnostizierende Fehlererkennung- und Diagnoselösung (FDD) im Gebäudeportfolio der Bundesimmobiliengesellschaft. Die im Projekt erarbeiteten Lösungen sollen in Form eines Echtzeit-Online-FDD-Prototyps im Realbetrieb demonstriert und der Nutzen anhand einer Bewertungsmatrix (technisch, ökonomisch, ökologisch) evaluiert werden. Zusätzlich zu den HLK-Systemen wird auch die PV-Anlage am Standort kontinuierlich überwacht. Des Weiteren wird ein Technologiekonzept für „selbstlernende, selbstoptimierende“ Bestandsgebäude für die nächste Generation des effizienten Gebäudebetriebs erstellt.

Die Innovation

Die im Projekt SELF²B geplanten Innovationen gehen über den internationalen Stand der Technik hinaus: Die Kombination von semantischen Daten und Ontologien, Heuristiken und darauf aufbauendes maschinelles Lernen garantiert skalierbare und robuste Lösungen für HLK und PV Anlagen. Die im Projekt geplante Kombination von semi-supervised Machine-Learning Modellen mit Autoencodern in Kombination mit automatisiertem Clustering und Klassifikations-Modellen stellt auch im Maschinellen Lernen eine Innovation dar, die potenziell auf andere Bereiche übertragen werden kann.

Die geplante Useri:innen-Intergration bei der Entwicklung sowie der Fokus auf Explainability und Nutzerfreundlichkeit adressieren die für vollautomatisierte Softwarelösungen relevante Markthürde der Technologieskepsis der relevanten Stakeholdergruppen. Wichtige Forschungsarbeiten stammen hauptsächlich aus China und den USA, d.h. das geplante Pilotprojekt ist eines der ersten Echtzeitimplementierungen in dieser Form in Europa.

Die Projektziele im Überblick

Übergeordnetes Ziel: Demonstration „SELF²B“-Pilotgebäude (TRL 7)

Zielbereiche

#1 - Ziel "Generalisierbare, skalierbare Heuristiken"
Ziel 1 verfolgt die Digitalisierung von Expertenwissen in einem Ontologie- und Heuristiksystem als Grundlage für skalierbare Betriebsregeln für komplexe Nichtwohngebäude. Die so erreichbare automatisierbare Konfiguration des Systems (=digitaler Zwilling) besitzt das Potential, die mangelnde Skalierbarkeit konventioneller, regelbasierter Monitoringsoftware zu überwinden.
#2 - Ziel "Multiplizierbare ML Methoden für Gebäudeautomationssysteme"
Mit Ziel 2 wird die Entwicklung robuster ML-Methoden für FDD für die Erzeugungs (PV)- und Verbrauchsseite (HLK)verfolgt. Dazu wird die TU Graz gemeinsam mit DiLT innovative ML-Methoden aus den Grundlagen in die Anwendungvon Gebäuden bringen. Es werden supervised und unsupervised Ansätze zu einer hybriden Methode kombiniert, dieüber den internationalen Stand der Technik hinausgeht.
#3 - Ziel "Explainability & User-Integration"
Ziel 3 adressiert die Bedürfnisse der Endnutzer:innen nach transparenten, zuverlässigen und nutzerfreundlichen FDD für
HLK und PV Anlagen, die kompatibel mit den praktischen Abläufen bei der Betriebsführung sind.

Nachhaltigkeitsaspekte des Projektes

?

Das Innenraumklima hat direkten Einfluss auf das menschliche und tierische Wohlbefinden. Frühzeitige Erkennung und Korrektur fehlerhafter Gebäudetechnik erhöht den Komfort in Gebäuden für die Menschen.

Das im Projekt gewonnene Wissen kann direkt in die Mitarbeitenden-entwicklungsstrategie von DiLT sowie für FemTech-Projekte genutzt werden.

Intelligente Software kann die Betriebsführung für das Personal vereinfachen. Durch das akademische Spin-off DiLT werden neue (internationale) Märkte erschlossen und Arbeitsplätze geschaffen.

?

Im Rahmen des Projekts werden Echtzeit-FDD-Services (Fault Detection and Diagnostics) entwickelt, die anschließend auf Anlagen zur Erzeugung von Strom aus erneuerbaren Energiequellen (Windkraft, Photovoltaik usw.) angewendet werden könnten.

Das Projekt strebt die Technologieführerschaft im Bereich FDD (Fault Detection and Diagnostics) im Gebäudesektor an und trägt durch die sich daraus ergebenden Möglichkeiten zur Modernisierung der Infrastruktur bei.

Der Einsatz von FDD kann den Energieverbrauch von Gebäuden um bis zu 30 % senken und die Ausfallsicherheit des Systems erhöhen. Mit den Projektergebnissen streben wir eine hohe Skalierbarkeit und eine schnelle Einführung in einem gesamten Gebäudeportfolio an.