Künst­li­che Intel­li­genz im Umfeld von Smart Building

Smart ausgerüstete Heizungen lassen sich per App überwachen. Foto: Loxone
Smart ausgerüstete Heizungen lassen sich per App überwachen. Foto: Loxone

Das Mün­che­ner IGT – Insti­tut für Gebäu­de­tech­no­lo­gie gibt monat­lich Tipps heraus, mit denen Mietern, Ver­wal­tern und TGA-Ver­ant­wort­li­chen die Steue­rung der Haus­tech­nik leicht gemacht werden soll. Im Februar nun geht es um Künst­li­che Intel­li­genz (KI) im Umfeld von Smart Building.

Rechen­leis­tung

Künst­li­che Intel­li­genz erfor­dert eine hohe Rechen­leis­tung. 1991 hat Ray Kurz­weil in seinem Buch „The age of spi­ri­tual machi­nes“ die Rechen­leis­tung des mensch­li­chen Gehirns mit der stets wach­sen­den Rechen­leis­tung von Com­pu­tern ver­gli­chen. Dabei wird gezeigt, dass sich die Rechen­leis­tung von Maschi­nen bereits seit 1900 begin­nend mit mecha­ni­schen Rechen-Maschinen über Röhren-Computer bis hin zu heu­ti­gen IC-basierten Com­pu­tern jedes Jahr zunächst alle 3 Jahre, inzwi­schen jedes Jahr, ver­dop­pelt. Diese exponentiell-ähnliche Leis­tungs­stei­ge­rung wird laut Kurz­weil, hoch­ge­rech­net auf die nächs­ten Jahre, dazu führen, dass die Rechen­leis­tung eines gewöhn­li­chen Stan­dard­com­pu­ters im Jahre 2020 mit der Rechen­leis­tung des mensch­li­chen Gehirns ver­gleich­bar ist.

Lern­ver­fah­ren

Die heutige immense Rechen­leis­tung von Com­pu­tern nutzt nichts, wenn diese falsch ein­ge­setzt wird. In Bezug auf sinn­volle Ver­fah­ren für Künst­li­che Intel­li­genz unter­schei­det man wie folgt:

  • Unsu­per­vi­sed Lear­ning (unüber­wach­tes Lernen)
  • Super­vi­sed Lear­ning (über­wach­tes Lernen)
  • Rein­for­ce­ment Lear­ning (Ver­stär­kungs­ler­nen)

Das erste Ver­fah­ren wird genutzt, um größere Daten­men­gen aus­zu­wer­ten und zu grup­pie­ren – z.B. um Abhän­gig­kei­ten auf­zu­de­cken (z.B. Gemein­sam­kei­ten von Kunden eines bestimm­ten Produktes).

Beim „Super­vi­sed Lear­ning“ kommt meist ein neu­ro­na­les Netz­werk zum Einsatz. Durch den Pro­gram­mie­rer wird ledig­lich die Struk­tur des neu­ro­na­len Netzes vor­ge­ge­ben; der eigent­li­che Lern­vor­gang wird über Trai­nings­pha­sen aus­ge­führt. Haupt­manko neu­ro­na­ler Netze ist, dass diese nur für ähn­li­che Auf­ga­be­stel­lun­gen wie die der Trai­nings­phase geeig­net sind. Und sollten in den Trai­nings­pha­sen feh­ler­be­haf­tete Muster ein­ge­lernt werden, behal­ten neu­ro­nale Netze diese bei und ver­bes­sern diese nicht autonom.

Die höchste Form der künst­li­chen Intel­li­genz sind Ver­fah­ren, die eigen­stän­dig (d.h. ohne Trai­nings­phase) ermit­teln, welche Aktio­nen in einer Situa­tion ange­mes­sen sind. Solche Ver­fah­ren ähneln dem Ver­hal­ten vom Men­schen, der in unbe­kann­ten Situa­tio­nen not­falls auch unter­schied­li­che Aktio­nen aus­pro­biert (sei es vor­sich­tig oder mutig) und auf­grund eines Ergeb­nis­ses rück­wir­kend lernt, welches Ver­hal­ten am sinn­volls­ten war. Anspruchs­voll ist die Lern­auf­gabe dann, wenn Feed­back sehr spät erfolgt und von weit zurück­lie­gen­den Aktio­nen abhängt. Aber das funk­tio­niert bei dem Men­schen und inzwi­schen auch bei Com­pu­tern. Das bekann­teste Ver­fah­ren dieser Kate­go­rie ist das Ver­stär­kungs­ler­nen (Rein­for­ce­ment Lear­ning). Dies ist ein Lern­sys­tem, welches rein auf Basis von Beloh­nun­gen aus der Umwelt lernt und diese zum Opti­mie­ren des Ver­hal­tens nutzt. Durch Ver­stär­kungs­ler­nen wird die Menge der mög­li­chen Aktio­nen in einer Situa­tion autonom erforscht, d.h. es wird eigen­stän­dig ermit­telt, welche Aktio­nen in einer Situa­tion ange­mes­sen sind.

Welches Ver­fah­ren für eine Aufgabe am sinn­volls­ten ist, hängt dabei vom Anspruch und der Kom­ple­xi­tät der kon­kre­ten Aufgabe ab – d.h. jedes Ver­fah­ren hat seine Existenzberechtigung.

Chancen und Kon­se­quen­zen für die Gebäudeautomation

Der Betrieb von Gebäu­den bzw. ganzen Lie­gen­schaf­ten wird zuneh­mend kom­ple­xer und somit ist dies ein aus­ge­zeich­ne­tes Anwen­dungs­ge­biet für com­pu­ter­ge­stützte Aus­wer­tun­gen bzw. Opti­mie­run­gen von Betriebsabläufen.

Wichtig ist es dabei, den zu erwar­ten­den Mehr­wert fest­zu­le­gen – d.h. die soge­nann­ten „Use cases“ genau zu beschrei­ben. Das kann die Aus­wer­tung von Flä­chen­nut­zung sein, die in heu­ti­gen Zeiten von Wech­sel­ar­beits­plät­zen zuneh­mend an Bedeu­tung gewinnt. Das kann auch die Opti­mie­rung von War­tungs­in­ter­val­len für Toi­let­ten, Aufzüge und Infra­struk­tur für das Gebäude sein. Das können auch soge­nannte „loca­tion based ser­vices“ sein, wie z.B. „Find my works­pace“ oder „Find my colleague“.

Auf­grund der erfor­der­li­chen Anfor­de­run­gen an Rechen­ka­pa­zi­tä­ten sind ent­spre­chende Algo­rith­men als BMS (Buil­ding Manage­ment System) in der soge­nann­ten Management-Ebene zu finden – sei es als aus­führ­bare Pro­gramme im eigenen Rechen­zen­trum (z.B. mit Pro­duk­ten wie Niagara von TRIDUM, Genesis von ICONICS oder B‑Con von ICONAG) oder als Service in der Cloud (z.B. Micro­soft Azure, Amazon Web Ser­vices oder AppA­gile der Deut­schen Telekom). Dabei bieten einige dieser Platt­for­men bereits vor­ge­fer­tigte KI-Module – d.h. diese müssen „nur noch“ ein­ge­setzt werden. Haupt­aspekte zur Umset­zung von KI ist somit nicht ein indi­vi­du­el­ler Pro­gram­mier­auf­wand, sondern das Fest­le­gen der Use-Cases, die sinn­volle Auswahl/Aufbereitung von Daten (u.a. „Labeln“) und dann die Auswahl vor­han­de­ner Soft­ware­pro­dukte bzw. –Module.

Der grund­le­gende Gebäu­de­be­trieb bleibt dabei im Ver­ant­wor­tungs­be­reich der Con­trol­ler (DDC-Systeme) der Automations-Ebene. Aber es ist unab­ding­bar, dass diese har­mo­nisch mit dem BMS-System zusam­men­ar­bei­ten (wer ist über­ge­ord­net und wer ist unter­stüt­zend ver­ant­wort­lich?). Auch sollte ein moder­nes Pro­to­koll (wie z.B. BACnet IP, OPC UA, MQTT etc.) zur Kom­mu­ni­ka­tion zwi­schen Automations-Ebene und Management-Ebene genutzt werden.

In Bezug auf die Feld-Ebene ist eine gute Inte­gra­ti­ons­fä­hig­keit der Kom­po­nen­ten wie Sen­so­ren und Aktoren wichtig. Diese sollten mög­lichst kom­mu­ni­ka­tiv aus­ge­stat­tet sein – d.h. stan­dar­di­sierte Pro­to­kolle wie DALI, M‑Bus, RS485, KNX bzw. im Falle von grö­ße­ren TGA-Anlagen die zuvor auf­ge­führ­ten Ethernet-basierten Pro­to­kolle unterstützen.

Funk­ba­sier­ten Sen­so­ren kommt eine beson­dere Rolle zu. Um die Anzahl der erfor­der­li­chen Sen­so­ren in Gebäu­den ein­bin­den und diese auch in z.B. Möbel bzw. orts­ver­än­der­lich aus­zu­füh­ren zu können, ist eine ent­spre­chende Infra­struk­tur für ein leis­tungs­fä­hi­ges funk­ba­sier­tes System unab­ding­bar. EnOcean ist hier die erste Wahl – auf­grund der Unter­stüt­zung durch viele Controller-Hersteller sowie der kon­se­quen­ten Nutzung von „Energy Har­ve­s­ting“ und damit dem war­tungs­freien Betrieb.

Fazit

Die Anfor­de­run­gen an den „intel­li­gen­ten“ Betrieb von Gebäu­den sowie die Aus­wer­tung von Daten steigt. Die eigent­li­che „Intel­li­genz“ wandert zuneh­mend in die Management-Ebene und erfor­dert eine har­mo­ni­sche Arbeits­tei­lung sowie moderne Pro­to­kolle zwi­schen Con­trol­lern und BMS (Buil­ding Manage­ment System). Aber auch die Fel­debene ist ver­schärf­ten Anfor­de­run­gen aus­ge­setzt und muss zuneh­mend kom­mu­ni­ka­tiv ein­ge­bun­den werden – inklu­sive Infra­struk­tur für orts­ver­än­der­li­che und war­tungs­freie Sensoren.

Mehr dazu hier.