Open Access

Björn Kämper, Jo Beermann, Thomas Fessler, Michael Krüttgen, Alina Cartus, Maximilian Both, Jochen Müller

• Das Forschungsprojekt "Gewinnung von Strukturinformationen aus semantisch heterogenen Gebäudeautomationsnetzen durch Mustererkennung mittels Künstlicher Intelligenz" zielte darauf ab, die Integration und Nutzung von Daten aus Gebäudeautomationssystemen zu optimieren. Die Herausforderung bestand darin, semantisch heterogene Datenpunkte, die in verschiedenen Kommunikationsprotokollen (z. B. BACnet, KNX, Modbus) verfügbar sind, effizient zu analysieren und auf ein einheitliches Informationsmodell abzubilden. Durch den Einsatz von KI-Methoden, insbesondere Natural Language Processing (NLP), konnten diese heterogenen Datenpunkte automatisiert analysiert, klassifiziert und strukturiert werden. Ein besonderer Fokus lag auf der Entwicklung eines vierstufigen Klassifikationsprozesses, der die Zuordnung von Datenpunkten zu funktionalen Kategorien ermöglicht und diese auf ein standardisiertes Vokabular abbildet (Homogenisierung). Dies reduzierte die Notwendigkeit manueller Konfigurationsarbeiten erheblich und ermöglichte eine schnellere Implementierung von Monitoring-Anwendungen. Die entwickelte Methodik erreichte eine Klassifikationsgenauigkeit von über 98 %, was die Effektivität der angewandten Verfahren zur Datenverarbeitung und Strukturierung unterstreicht. Im Ergebnis werden digitale Zwillinge auf Basis der erkundeten Daten-punkte generiert. Ohne zusätzliche Sensorik oder Aktorik stehen die Betriebsinformationen eines jeden Assets homogenisiert zur Verfügung. Solche digitalen Zwillinge dienen als Grundlage für die automatisierte Erkennung von Optimierungspotenzialen und die Überwachung des Betriebszustands. Ein weiterer Beitrag des Projekts ist die Entwicklung von interoperablen Schnittstellen und semantischen Mapping-Algorithmen, die den Austausch von Informationen zwischen unterschiedlichen Systemen erleichtern. Damit wird die Grundlage für die Umsetzung von Industrie-4.0-Prinzipien im Gebäudemanagement geschaffen. Zusammenfassend leistet das Projekt einen wesentlichen Beitrag zur Digitalisierung und Automatisierung im Gebäudemanagement. Es unterstützt die Reduktion des Energieverbrauchs und trägt zur Erreichung der nationalen Klimaziele bei. Durch die Reduzierung des Engineering-Aufwands für die Nachrüstung von Monitoring-Anwendun-gen und die damit verbundene verbesserte Skalierbarkeit, eröffnet es neue Möglich-keiten für den wirtschaftlichen und ressourcenschonenden Betrieb von Gebäuden. Die Ergebnisse des Forschungsprojekts wurden zusätzlich zu diesem Bericht als peer-reviewed und open-access Artikel in der Zeitschrift Energy & Buildings veröffentlicht. Darüber hinaus ist als Fortführung der entwickelten Konzepte die Hochschulausgründung ENTENDIX entstanden. Im Rahmen des Projekts wurde somit ein wesentlicher Beitrag zum Wissenstransfer zwischen Forschung und Praxis geleistet und eine nachhaltige Nutzung und Verwertung der Ergebnisse wurde sichergestellt.
• The research project “Obtaining structural information from semantically heterogene-ous building automation networks through pattern recognition using artificial intelli-gence” aimed to optimize the integration and use of data from building automation systems. The challenge was to efficiently analyze semantically heterogeneous data points stored in different communication protocols (e.g. BACnet, KNX, Modbus) and map them to a uniform information model. By using AI methods, in particular Natural Language Processing (NLP), these hetero-genous data points could be automatically analyzed, classified and structured. A par-ticular focus was on the development of a four-stage classification process that enables the assignment of data points to functional categories and maps them to a standardized vocabulary (Homogenization). This significantly reduced the need for manual configuration work and enabled monitoring applications to be implemented more quickly. The developed methodology achieved a classification accuracy of over 98%, under-scoring the effectiveness of the applied data processing and structuring methods. As a result, digital twins are generated based on the explored data points. Without addi-tional sensors or actuators, the operating information of each asset is available in a homogenized form. Such digital twins serve as the basis for the automated detection of optimization potential and the monitoring of operating status. Another contribution of the project is the development of interoperable interfaces and semantic mapping algorithms that facilitate the exchange of information between dif-ferent systems. This creates the basis for the implementation of Industry 4.0 principles in building management. In summary, the project makes a significant contribution to digitalization and automa-tion in building management. It supports the reduction of energy consumption and contributes to the achievement of national climate targets. By minimizing the engineering effort required to retrofit monitoring applications and the associated improved scalabil-ity, it opens up new possibilities for the economical and resource-saving operation of buildings. In addition to this report, the results of the research project were published as a peer-reviewed and open-access article in the journal Energy & Buildings. Furthermore, the university spin-off ENTENDIX was established as a continuation of the concepts developed. The project thus made a significant contribution to the transfer of knowledge between research and practice and ensured the sustainable use and exploitation of the results.