“Vor­aus­schau­ende War­tung” im Gebäu­de­ma­nage­ment soll Feh­ler schon erken­nen, wenn sie sich anbah­nen, und grö­ßere Schä­den effek­tiv verhindern.

Um den Ansatz “vor­aus­schau­ende War­tung” zu tes­ten, hat die ita­lie­ni­sche Soft­ware­firma CGnal das Heiz- und Belüf­tungs­sys­tem eines Kran­ken­hau­ses mit intel­li­gen­ten Sen­so­ren aus­ge­stat­tet und die dabei gesam­mel­ten Daten auf Unre­gel­mä­ßig­kei­ten hin ana­ly­siert. Das Ergeb­nis : Dem neuen Sys­tem gelang es erfolg­reich, 76 von ins­ge­samt 124 kri­ti­schen Feh­lern recht­zei­tig vor ihrem Auf­tre­ten zu pro­gnos­ti­zie­ren. “Ziel der vor­aus­schau­en­den War­tung ist es, das Auf­tre­ten mög­li­cher Feh­ler recht­zei­tig vor­her­zu­sa­gen, um pro­ak­tiv agie­ren und die nöti­gen Maß­nah­men ergrei­fen zu kön­nen, die ein wei­te­res Funk­tio­nie­ren der Anla­gen sicher­stel­len”, heißt es auf der CGnal-Webseite.

Abwei­chun­gen melden
In der Pra­xis ließe sich die­ser Ansatz ein­fach umset­zen, indem kri­ti­sche Infra­struk­tu­ren wie etwa die Heizungs‑, Belüf­tungs- oder Kli­ma­an­la­gen mit intel­li­gen­ten Sen­so­ren ver­se­hen wer­den. “Dadurch erhält man zum Bei­spiel kon­ti­nu­ier­lich Daten zur Tem­pe­ra­tur, Luft­feuch­tig­keit oder dem Strom­ver­brauch. Gibt es Abwei­chun­gen vom Nor­mal­wert, könnte ein Feh­ler vor­lie­gen oder unmit­tel­bar bevor­ste­hen”, so die Erläuterung.

Algo­rith­mus lernt dazu
Für ihren Pra­xis­test haben die Inge­nieure von CGnal einen spe­zi­el­len Algo­rith­mus ent­wi­ckelt, der dem Prin­zip des maschi­nel­len Ler­nens fol­gend selb­stän­dig in der Lage ist, bestimmte kon­krete Zusam­men­hänge und Mus­ter in den gesam­mel­ten Daten­men­gen zu erken­nen und aus­zu­wer­ten. Den Algo­rith­mus haben die Exper­ten anschlie­ßend mit Daten gefüt­tert, die Sen­so­ren in den Heiz‑, Belüf­tungs- und Kli­ma­an­la­gen des betref­fen­den Kran­ken­hau­ses im Laufe des ers­ten Halb­jah­res 2015 gesam­melt hatten.
Als nächs­ter Schritt wur­den die Daten aus dem zwei­ten Halb­jahr des­sel­ben Jah­res in das Sys­tem ein­ge­ge­ben. Im Ver­gleich der bei­den Daten­sätze wur­den dann unge­wöhn­li­che Mess­werte oder Abwei­chun­gen von der Norm auto­ma­tisch erkannt und ana­ly­siert. Die dabei erzielte Erfolgs­quote bei der Berech­nung von künf­ti­gen Feh­lern ist beacht­lich : Von ins­ge­samt 124 rea­len Pro­ble­men konn­ten 76 akku­rat vor­her­ge­sagt wer­den. Die Falsch-Posi­tiv-Rate lag bei ledig­lich knapp fünf Prozent.