ALFA - Künstliche Intelligenz für intelligente Diagnosen in der Gebäudeautomatisierung

Auf Gebäude entfällt ein erheblicher Teil des Energieverbrauchs in der EU und in Österreich, der auf 40 % bzw. 25 % geschätzt wird. Studien haben gezeigt, dass bis zu 50 % der Wärmepumpen aufgrund mangelnder Wartungsmaßnahmen nur mit einer Effizienz von 70-80 % arbeiten. Durch frühzeitiges Erkennen, Diagnostizieren und Reparieren von Fehlern in Wärmepumpen kann der Energieverlust um etwa 40 % reduziert werden. Die Nutzungintelligenter Energiedienstleistungen, wie z. B. der Diagnose, kann die Energieeffizienz verbessern und die CO2-Emissionen verringern. Außerdem sind Diagnose und Reparatur wichtige Bestandteile der Wartung, die die Lebensdauer von Produkten erheblich verlängern. Bei der KI-Diagnose gibt es im Allgemeinen zwei Wege:wissensbasierte, z. B. modellbasierte Diagnose (MBD), und datengesteuerte, z. B. Machine Learning (ML), Verfahren.Während jede der beiden Forschungsrichtungen bereits in industriellen Anwendungen eingesetzt wurde, ist es von entscheidender Bedeutung, einen ganzheitlichen Ansatz zu verfolgen, der diese Methoden kombiniert, um die Stärken beider Methoden zu nutzen und eine robustere und umfassendere Lösung anzubieten. Im Projekt ALFA wollen wir Synergien zwischen modellbasierten und ML Diagnoseverfahren im Zusammenhang mit der Fehlerdiagnose in der Gebäudeautomation fördern. Auf der Grundlage einer Reihe von Benchmarks aus der Praxiswerden wir zunächst einen separaten MBD- und ML-Ansatz für den Anwendungsbereich entwickeln. Zweitens werden wir uns darauf konzentrieren, wie die einzigartigen Stärken und Fähigkeiten der Methoden integriert werden können. Für ein neu in Betrieb genommenes Gebäude gibt es im Allgemeinen einen Mangel an Daten, der als Kaltstartproblem bekannt ist. Um dieses Problem zu entschärfen, werden wir Simulationen auf der Grundlage des MBD-Modells nutzen, um einen synthetischen Diagnosedatensatz für das Training des ML-Modells zu erzeugen.Darüber hinaus betrachten wir die Interpretierbarkeit von ML-Diagnosen durch Explainable AI (XAI), um die Transparenz in Entscheidungsprozessen zu fördern. Schließlich werden wir weitere Synergie-Möglichkeiten (z.B.das Einbinden von Wahrscheinlichkeiten in MBD basierend auf Daten aus dem ML-Diagnoseverfahren) erforschen um neue Maßstäbe für die Genauigkeit und Effizienz der Diagnose in der Gebäudeautomatisierung zu setzen.