Gebäude digital – Teil 4:  Wissensgraphen und KI zur automatisierten Bestandserfassung

Mithilfe von Technologien wie Internet of Things (IoT), künstlicher Intelligenz (KI) und Big Data können Gebäude effizienter und nachhaltiger betrieben werden. Das Fraunhofer ISE erforscht in verschiedenen Arbeitsgruppen den Einsatz von KI und Digitalisierung im Bauwesen. Welche Chancen bieten diese Entwicklungen für eine grüne Transformation des Gebäudesektors? Wie können digitale Prozesse helfen, zentrale Herausforderungen der Baubranche wie Fachkräftemangel und Kostendruck zu bewältigen?

Unser Interview mit ISE-Digitalforscher Simon Gölzhäuser führt die als Dreiteiler gestartete Serie „Gebäude digital“ unseres Innovation4E-Blogs in die nächste Runde. 

Du arbeitest in der Forschungsgruppe »Kognitive Gebäude« des Fraunhofer ISE. Was sind deine Schwerpunkte?

Ich forsche an Methodiken zur effizienten und automatisierten Digitalisierung von Gebäudedaten mit einem Schwerpunkt auf gebäudetechnischen Anlagen, sowie deren anschließender digitaler Strukturierung und Modellierung. Vor allem im Gebäudebestand liegen Daten der gebäudetechnischen Anlagen in den meisten Fällen nur unvollständig und in stark heterogenen Quellen und Formaten vor, was die Bestandsaufnahme am Anfang von Sanierungsvorhaben oder einer energetischen Betriebsoptimierung oft mühsam macht. Darüber hinaus beschäftige ich mich mit Zeitreihenvorhersage sowie der datenbasierten Systemabbildung und Regelung gebäudetechnischer Anlagen mithilfe Neuronaler Netze. Hier können digitale Anlagenmodelle helfen, da sie detailliertes Wissen zu Funktionen und Topologie einer Anlage enthalten.

Digitale Technologien bieten großes Potenzial für die Energiewende im Gebäudesektor. Für welche Ansätze kannst du dich begeistern?

Eine große Herausforderung bei der Digitalisierung und Strukturierung von Gebäudedaten liegt in der Art und Weise der digitalen Repräsentation der erfassten Informationen. Großes Potenzial bietet hier die Verwendung von Wissensgraphen als Datenmodell, in Verbindung mit Semantic Web Ontologien. In einem Wissensgraphen werden Entitäten durch Knoten abgebildet, während Kanten die Beziehungen zwischen den Entitäten darstellen. Enthält das Modell z.B. ein Rohr, das an eine Pumpe angeschlossen ist, dann bilden das Rohr und die Pumpe jeweils einen Knoten im Graphen. Die Beziehung »ist angeschlossen an« wird wiederum durch eine gerichtete Kante vom Knoten »Rohr« zum Knoten »Pumpe« modelliert. Ontologien liefern dazu dann eine Art Wörterbuch mit eindeutig definierten Begrifflichkeiten für die verfügbaren Entitäten und deren Beziehungen innerhalb einer bestimmten Domäne, z.B. für gebäudetechnische Anlagen.

Welche Vorteile bietet die Modellierung von Gebäude- bzw. Anlageninformationen mit Wissensgraphen?

Die digitalen Informationen können in einem Wissensgraphen nicht nur erfasst, sondern auch in maschinenlesbarer Form semantisch zueinander in Bezug gesetzt werden. Dadurch erhält man im Kontext gebäudetechnischer Anlagen ein funktionales digitales Modell der Anlage. Dieses kann für verschiedenste Anwendungsbereiche genutzt werden: Z.B. für eine automatisierte Prüfung der Topologie der Anlage und der Auslegung ihrer Komponenten, oder auch als Basis für Regelungs- und Fehlererkennungsroutinen im Rahmen von Monitoring und Betriebsoptimierungen. Ein funktionales Anlagenmodell in Form eines Wissensgraphen kann außerdem für die Erstellung eines digitalen Zwillings der Anlage oder des Gebäudes genutzt werden. In Verbindung mit passenden Ontologien erhält man so eine einheitliche und standardisierte digitale Abbildung der erfassten Informationen, die wiederverwendbar, erweiterbar und nachvollziehbar ist. Insbesondere für Bestandsgebäude, bieten Wissensgraphen somit die Möglichkeit, Gebäudedaten schlank und flexibel zu digitalisieren.

Eure jüngste Innovation ist eine KI-basierte App zur Digitalisierung von Anlagenschemata. Wie kam es dazu?

Anlagenschemata sind ein essenzieller Bestandteil der Dokumentation gebäudetechnischer Anlagen. Sie beschreiben den Aufbau der installierten Anlagen als schematisches Diagramm und sind für Bestandsgebäude in den allermeisten Fällen nur als Bild-Datei oder PDF vorhanden, oder auch einfach nur in Papierform. Soll für ein Gebäude nun eine Sanierung oder energetische Betriebsoptimierung geplant werden, muss das Anlagenschema zuerst zeitaufwändig manuell in entsprechende Software übertragen werden. Genau an dieser Stelle haben wir mit unserem Projekt »DiMASH« angesetzt.

Wie genau funktioniert die App?

Wir haben KI-basierte Algorithmen und Tools entwickelt, die mithilfe fortschrittlicher Verfahren aus Computer Vision und Bildverarbeitung ein Anlagenschema scannen und die Inhalte mit minimaler User-Interaktion in ein digitales Modell der Anlage umwandeln. Die Strukturierung der erfassten Daten erfolgt dabei als Wissensgraph auf Basis einer ebenfalls im Projekt entwickelten Ontologie, die die Konzepte öffentlich verfügbarer und im Anwendungsfeld etablierter Ontologien bündelt und erweitert. Das digitale Anlagenmodell kann in der App anschließend weiterbearbeitet werden, und z.B. auch direkt mit Zeitreihendaten aus einem Monitoring-System verknüpft werden.

Ihr möchtet die App mit Softwareherstellern weiterentwickeln. Wo liegt der Mehrwert für künftige Partner und Endkunden?

Für Endkunden, z.B. Planungsbüros, bietet unser Prototyp bzw. die darin enthaltene KI-basierte Digitalisierungs-Pipeline signifikante Zeiteinsparungen bei der Bestandsaufnahme, wodurch die Bearbeitungszeit von Aufträgen insgesamt reduziert, und der Durchsatz erhöht werden kann. Potenzielle Partner aus der Softwareindustrie, z.B. Hersteller entsprechender CAD-Planungssoftware, können ihren Kunden durch die Integration der in »DiMASH« entwickelten Tools in ihr Portfolio eine einzigartige Funktionalität mit großem Mehrwert bieten.

Wo seht ihr weiteren Entwicklungsbedarf?

In aktuellen und zukünftigen Projekten wollen wir verstärkt das Potenzial von Large Language Models (LLMs) zur Erfassung, Digitalisierung und Verarbeitung unstrukturierter Gebäudedaten untersuchen. Neben den Anlagenschemata gibt es auch viele weitere heterogene Informationsquellen für gebäudetechnische Anlagen bzw. Gebäude im Allgemeinen. Ein Beispiel sind Datenpunktlisten. Das sind Tabellen, in denen alle Messwerte und Stellgrößen einer Anlage beschrieben sind, wie z.B. Temperaturfühler oder Ventilstellungen. Diese Tabellen folgen jeweils bestimmten Benennungsregeln, für die es allerdings keine universal festgelegten Standards gibt. D.h. die Informationen zum Aufsetzen eines Anlagenmonitorings müssen meist aufwändig händisch nachvollzogen und den richtigen Komponenten der Anlage zugeordnet werden. Im Projekt »GraphEET« untersuchen wir daher, wie Monitoringprozesse auf Basis von Datenpunktlisten aber auch anderer Unterlagen mithilfe von LLMs und Wissensgraphen automatisiert werden können.

 Titelfoto: © iStock.com / Henvry