BOSS - Causal AI für erklärbare und skalierbare Fehlerdiagnose in Gebäuden

Das Projekt entwickelt neuartige Causal-AI-Methoden zur automatisierten Fehlererkennung in Gebäuden. Ziel ist es, semantische Strukturen aus Zeitreihen abzuleiten und Ursache-Wirkungs-Beziehungen transparent zu modellieren. So entsteht die Grundlage für skalierbare, erklärbare FDD-Lösungen zur Reduktion von Energieverbrauch und Emissionen im Gebäudesektor.

Kurzbeschreibung

Ausgangssituation / Motivation

Gebäude sind für 40 % des Energieverbrauchs und 36 % der CO₂-Emissionen in Europa verantwortlich. Eine Optimierung der Gebäudetechnik ist notwendig, um die Ziele des European Green Deals zu erreichen. Der tatsächliche Energieverbrauch von Gebäuden weicht häufig bis zu 30 % von den Planwerten ab, bedingt durch Betriebsfehler und unvorhergesehenes Nutzer:innenverhalten.

Traditionelle Methoden zur Fehlererkennung und Fehlerdiagnose (FDD) erfordern hohen manuellen Aufwand und sind aufgrund mangelnder Skalierbarkeit und Erklärbarkeit für den breiten Einsatz ungeeignet. Die fehlende Verfügbarkeit und Konsistenz von semantischen Gebäudedaten erschwert die Umsetzung automatisierter Lösungen.

Inhalte und Zielsetzungen

Im Projekt BOSS werden Causal AI Methoden entwickelt, die einerseits semantische Daten auf der Basis von Zeitreihen ableiten und andererseits für FDD-Anwendungen genutzt werden. Causal AI bieten den Vorteil, dass sie darauf abzielen, Ursache-Wirkungs-Beziehungen statt nur statistische Korrelationen zu identifizieren, was die Erklärbarkeit der Modelle erhöht und ihre Leistungsfähigkeit und Zuverlässigkeit im Vergleich zu herkömmlichen Ansätzen deutlich verbessert.

Methodische Vorgehensweise und erwartete Ergebnisse

Das Konsortium kombiniert theoretische Grundlagen im Bereich Causal AI mit der angewandten Forschung im Bereich der AI basierte Services für Gebäude- und Energiesysteme, ergänzt durch die praktische Expertise der Industriepartner:innen. Gemeinsam deckt das Konsortium die gesamte Innovationskette von der Grundlagenforschung bis zur Umsetzung marktreifer Technologien ab und will die Grundlage für skalierbare FDD-Lösungen schaffen.

Projektbeteiligte

Projektleitung

TU Wien, Intelligent Buildings and Systems Research Group

Projekt- bzw. Kooperationspartner:innen

Institute of Science and Technology Austria (ISTA)
DiLT Analytics
EAM Systems

Kontaktadresse

Johannes Exenberger
Karlsplatz 13
A-1040 Wien
E-Mail: Johannes.exenberger@tuwien.ac.at
Web: github.com/tuw-isab