Ausgangssituation/Motivation

Gebäude verursachen rund 35 % des gesamten Energieverbrauchs in Österreich und leisten damit einen wesentlichen Beitrag zu den CO₂-Emissionen. Ein großer Teil dieses Verbrauchs entfällt auf Heizungs-, Lüftungs- und Klimasysteme (HLK). Studien zeigen, dass Betriebsfehler in HLK-Systemen den Energieverbrauch um bis zu 30 % erhöhen können.

Obwohl automatisierte Verfahren zur Fehlererkennung und -diagnose großes Einsparpotenzial bieten, haben sich bestehende Methoden in der Praxis bislang nur eingeschränkt etabliert, da sie häufig nicht ausreichend skalierbar, datenintensiv und nur begrenzt interpretierbar sind.

Inhalte und Zielsetzungen

Das Ziel von NEXUS ist es, diese Forschungslücke zu schließen, indem unsupervised und semi-supervised Machine-Learning-Methoden gezielt kombiniert werden, um eine robuste, skalierbare Fehlererkennung sowie vorausschauende Wartung für Gebäudetechniksysteme zu ermöglichen.

Der Fokus liegt auf Lösungen, die ohne umfangreiche gelabelte Fehlerdaten auskommen und auf unterschiedliche Gebäude und Anlagenkonfigurationen übertragbar sind.

Methodische Vorgehensweise

Im Projekt werden unter anderem Deep-Learning-Modelle und Verfahren des Representation Learning eingesetzt, um normale Betriebszustände zu erlernen und Abweichungen zuverlässig zu identifizieren. Dadurch können Fehler frühzeitig erkannt werden, auch wenn keine expliziten Fehlerdaten vorliegen.

Zur Verbesserung der Nachvollziehbarkeit und Akzeptanz der Ergebnisse werden klassische Machine-Learning-Methoden gezielt mit Deep Learning kombiniert, um aussagekräftige und verständliche Diagnosen bereitzustellen.

Erwartete Ergebnisse

Das Projekt strebt eine deutliche Leistungssteigerung der Fehlererkennung gegenüber dem Stand der Technik sowie eine Reduktion des wartungsbedingten Energieverbrauchs um mindestens 10 % an.

Die Ergebnisse schaffen die Grundlage für praxistaugliche Anwendungen im Gebäudemanagement und leisten einen wesentlichen Beitrag zur Steigerung der Energieeffizienz und zur Dekarbonisierung des Gebäudesektors.

Projektleitung

TU Wien; Institute of Building and Industrial Construction

Projekt- bzw. Kooperationspartner:innen

DiLT Analytics

TU Wien
Dr. Adil Mukhtar
Karlsplatz 13
A-1040 Wien
E-Mail: adil.mukhtar@tuwien.ac.at
Web: https://github.com/tuw-isab