SAGE – Skalierbare Agenten für Gebäude­management und Energieeffizienz

Ausgangssituation / Motivation

Fehlererkennung und -diagnose (Fault Detection and Diagnosis, FDD) für Heizungs-, Lüftungs- und Klimaanlagen (HVAC) in Gebäuden erfordert derzeit erheblichen menschlichen Aufwand. Erst nachdem Nutzer:innenbeschwerden, Stichprobenanalysen oder unspezifische Alarme des Gebäudeleitsystems aufgetreten sind, werden Daten manuell ausgewertet oder ineffiziente Korrekturmaßnahmen getroffen (z.B. Erhöhung der Sollwerte).

Studien zeigen, dass 15-30% des Energieverbrauchs eines Gebäudes auf Fehler in den HVAC-Systemen oder ineffizienten Betrieb der Anlagen zurückzuführen sind, was sowohl bestehende als auch neue Gebäude betrifft. Am Markt verfügbare Softwarelösungen zur Betriebsoptimierung erfordern häufig hochqualifizierte Fachkräfte, sind in der Einrichtung sehr aufwändig oder setzen voraus, dass die bestehende Messtechnik in den HVAC-Systemen zunächst aufgerüstet wird.

Die Fehlerdiagnose bleibt eine arbeitsintensive, manuelle Aufgabe für Gebäudeeigentümer:innen oder das technische Facility Management.

Inhalte und Zielsetzung

Im Projekt SAGE wird eine KI-basierte, selbstlernende und selbstdiagnostizierende Fehlererkennungs- und Diagnoselösung (FDD) für komplexe Gebäudetechniksysteme erarbeitet. Durch den Einsatz von Large Language Models (LLMs) und Agenten-Workflows wird eine Struktur geschaffen, die den Gebäuden ein „Bewusstsein" für ihren „Betriebsstatus" verleiht. Dies soll ermöglichen, Betriebsanomalien zu erkennen, dynamisch auf veränderte Umweltbedingungen zu reagieren und ressourcenschonender sowie energieeffizienter zu arbeiten.

Ein zentraler Aspekt des Projekts ist die Entwicklung eines Human-in-the-Loop-Ansatzes (HITL), bei dem die Interaktion zwischen Mensch und Maschine im Fokus steht. Die entwickelten Methoden sollen die Arbeit der Gebäudeeigentümer:innen und des technischen Facilitymanagements unterstützen, indem intuitive Kommunikationsschnittstellen wie Chatbots und Sprachsteuerung zur Verfügung gestellt werden.

Die LLM-Agents werden als intelligente Assistenten fungieren, die Entscheidungsprozesse transparent darstellen, Handlungsempfehlungen geben und auf Anfragen in natürlicher Sprache (inklusive Übersetzungen in bis zu 20 branchenrelevanten Sprachen) reagieren.

Methodische Vorgehensweise

Um die Ziele des Projekts zu erreichen, wird im Rahmen von SAGE an der Lösung folgender Ziele durch entsprechend adaptierte Methoden geforscht: 

1. Entwicklung einer skalierbaren Lösung für FDD in komplexen Gebäudeenergiesystemen.
   Diese Lösung basiert auf Multi-Agenten-Architekturen, die Gebäudedaten kontinuierlich sammeln, analysieren und adaptive Entscheidungen treffen können. In SAGE werden wir unterschiedliche Agent-Workflow-Architekturen implementieren und evaluieren um die für den Bereich beste „Fehlerdiagnose in HVAC-Anlagen" zu finden.
2. Entwicklung robuster Machine-Learning-Methoden zur Fehlererkennung und Diagnose sowohl auf der Erzeugungs- als auch auf der Verbrauchsseite eines Gebäudes.
   Mithilfe von innovativen Technologien können neue Reasoning-Strukturen entwickelt werden, die das System befähigen, kontinuierlich aus neuen Fehlerfällen zu lernen und sich selbstständig anzupassen.
3. Ermöglichung einer umfassenden Analyse der Gebäudedaten. 
   Um Human-in-the-Loop zu ermöglichen, verwendet SAGE multimodale Modelle und die Evaluierung von unterschiedlichen multimodalen Datenquellen (Text, Video, Audio, ...), integriert in Multi-Agenten-Architekturen, um eine umfassende Analyse der Gebäudedaten zu ermöglichen. Hierbei sollen LLM-Agenten durch spezifische Tools befähigt werden, Gebäudedaten besser zu verstehen und effektiver zu nutzen.

Erwartete Ergebnisse

Basierend auf den angeführten Zielen und der korrespondierenden Methoden erwarten wir folgende Ergebnisse: 

• Eine skalierbare Architektur für FDD in komplexen Gebäudeenergiesystemen, die auf Open Source Technologien beruht und als Open Source Lösung frei verwendet werden kann. Dies soll im Speziellen auch eine Erklärungskomponente enthalten, die es ermöglicht, FDD Ergebnisse zu begründen.
• Der Nachweis der Verwendbarkeit des Human-in-the-Loop Ansatzes durch eine empirische Validierung.

Projektleitung

Technische Universität Graz, Institute of Software Engineering and Artificial Intelligence

Projekt- bzw. Kooperationspartner:innen

• DILT Analytics FlexCo
• Technische Universität Wien, Institut für Hoch- und Industriebau

Univ.-Prof. Dipl.-Ing. Dr. Franz Wotawa
Inffeldgasse 16b/2
A-8010 Graz

Tel.: +43 (316) 873 5724
E-Mail: wotawa@tugraz.at
Web: www.tugraz.at/institute/sai/home