AI4FM - Artificial Intelligence for Facility Management
Kurzbeschreibung
Ausgangssituation/Motivation
Die Flughafen Wien AG verwaltet mehr als hundert Gebäude am Standort des Flughafens. Die internen Verbräuche betrugen im Jahr 2023 über 78 GWh elektrische Energie (inkl. Heiz-/Kühlaggregate), über 33 GWh Heizenergie und 25 GWh Kältemenge. Durch die installierten Sensoren und das Gebäudeleittechniksystem können die Anlagen in Echtzeit überwacht und durch manuelle Analysen Fehler in den Anlagen und Komponenten erkannt werden.
Fehler bzw. nicht-optimale Betriebsweisen der gebäudetechnischen Systeme bleiben aufgrund der begrenzten Ressourcen des Bedienpersonals oft unentdeckt und können daher unnötigen Energieverbrauch und damit erhöhte Betriebskosten verursachen. Eine umfassende Erkennung von Anomalien und Optimierungspotentialen führt zu der Möglichkeit, zeitnahe Gegenmaßnahmen einzuleiten und spart so Energie und Kosten.
Im Vorprojekt Smart Airport City (SAC) wurde ein Analysesystem entwickelt, das mit Hilfe von Überwachungsregeln für gebäudetechnische Anlagen und deren gesammelten Daten Anomalien erkennt.
Inhalte und Zielsetzungen
Im bestehenden Störmeldesystem sind Fehlalarme aufgrund der teilweise hohen Komplexität der Regeln und der Vielzahl unterschiedlicher gebäudetechnischer Systeme möglich. Um die Rate der Fehlalarme zu reduzieren und das Regelwerk vor der Inbetriebnahme zu überprüfen, wird im Rahmen des AI4FM-Projekts ein digitaler Zwilling der Systeme und Teilsysteme entwickelt.
Ein weiteres Ziel des AI4FM-Projekts ist die Entwicklung eines auf künstlicher Intelligenz (KI) basierenden Fehlererkennungssystems als Erweiterung und Weiterentwicklung des auf Expertenregeln basierenden Systems.
Die KI-Methoden sollen so trainiert werden, dass sie Fehler und Anomalien ohne manuell erstellte Regeln erkennen, wobei eine sinnvolle Repräsentation der Daten durch das Training neuronaler Netze erlernt wird.
Methodische Vorgehensweise
Der entwickelte digitale Zwilling wird ein Gebäude-HLK-System-Simulationstool enthalten, mit dem der Regelsatz im Voraus durch Simulation verschiedener Anomalien getestet werden kann, was die Entwicklung präziser und komplexer Fehlererkennungsregeln ermöglicht. Die bestehenden Fehlererkennungsregeln werden mit Hilfe der neuen digitalen Zwillinge erweitert.
Alternativ wird beim Training der KI-Methoden auf den bestehenden Datenpool des Gebäudemanagements des Flughafens Wien zurückgreifen, der den Einsatz moderner Data-Mining-Methoden zur Verbesserung des bestehenden Systems zur Erkennung von Anomalien der technischen Gebäudeausrüstung ermöglicht. Die Bereinigung und Aufbereitung des bestehenden Datensatzes wird die wesentliche Grundlage für das anschließende maschinelle Lernen sein.
Datengesteuerte Ansätze werden auf die Flughafendatenbank angewendet und getestet, um KI-Modelle zur automatischen Erkennung (und Klassifizierung) von Anomalien und Ausfällen zu trainieren.
Erwartete Ergebnisse
Die im Rahmen des Projekts entwickelten Methoden sollen die Fehlererkennungsgenauigkeit verbessern, Fehlfunktionen und Ineffizienzen im Heiz-/Kühlsystem schnell finden und fehlerhafte Komponenten in Echtzeit erkennen. Die entwickelten Methoden haben das Potenzial, einen wesentlichen Beitrag zur Steigerung der Effizienz und Nachhaltigkeit im Betrieb großer Gebäude wie dem des Flughafens Wien zu leisten.
Projektbeteiligte
Projektleitung
AIT Austrian Institute of Technology GmbH
Projekt- bzw. Kooperationspartner:innen
Flughafen Wien Aktiengesellschaft
Kontaktadresse
Dr. Adam Buruzs
Giefinggasse 4
A-1210 Wien
Tel.: +43 (664) 889 043 16
E-Mail: adam.buruzs@ait.ac.at
Web: www.ait.ac.at