„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. In der Praxis ließe sich dieser Ansatz einfach umsetzen, indem kritische Infrastruktur 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.

„Wir haben unsere Tests gerade deshalb in einem Krankenhaus durchgeführt, weil dort die Systeme zur Heizung, Belüftung und Klimaregulierung besonders wichtig sind“, zitiert der »NewScientist« Carlo Annis von eFM, einem Unternehmen, das sich auf die Verwaltung von größeren Gebäuden spezialisiert und beim jüngsten Testlauf als Projektpartner fungiert hat. „Mithilfe von Sensoren und solchen Algorithmen, die gewissermaßen in die Zukunft schauen können, wäre es möglich, kritische Fehler schon zu erkennen, bevor sie zu einem echten Problem werden. Das würde uns eine Menge unnötige Arbeit ersparen“, ist Annis überzeugt.

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“, schildert eFM-Experte Annis.

Quelle: Pressetext