Smarte Gebäudewartung

Multisensoren, die minimal-invasiv an Heizungspumpen angebracht werden, messen Schwingungsdaten, die durch die Pumpenaktivität verursacht werden. So können der Energieverbrauch von Heizungspumpen und die Wahrscheinlichkeit für Ausfälle überwacht werden.

Experten von Siemens Corporate Technology und Digital Industries Process Automation entwickeln neue Ansätze, um 3D-Schwingungsdaten zu analysieren. Mit Machine-Learning-Modellen wird der Durchfluss des Wärmetransportmittels Glykol in den Rohren gemessen, ohne direkten Zugriff auf die Zähler. Durch oberflächliches Anbringen der Multisensoren auf den Heizungspumpen lässt sich auf die Durchflussvariable schließen.

„Der Siemens Multisensor-Kit bietet mit Bluetooth, WLAN und 4G vielfältige Kommunikationsmöglichkeiten, ohne aufwendigen Anschluss an die lokale Kommunikationsinfrastruktur. Die einzelnen Sensoren können direkt an die zu überwachenden Komponenten montiert werden, damit entfallen jegliche Umbauarbeiten“, sagt Klaus Eichhammer von Siemens Smart Infrastructure.  

Im Rahmen des Aspern Smart City Research (ASCR)-Forschungsprojektes wird der Siemens Multisensor in einem Schulgebäude der Seestadt Aspern bereits angewendet. Dabei werden Daten des Pumpensystems des Forschungspartners Wien Energie erfasst.

Wissenstransfer durch Federated Learning

Die Qualität und die Vorhersagegenauigkeit von Machine Learning Modellen hängen stark von der Datenbasis ab, mit der das Modell angelernt wird. Um die Modelle zu verbessern, sollen sie von bereits im Einsatz befindlichen Modellen anderer Pumpen lernen. Sogenanntes Federated Learning ermöglicht Wissen, das von einer bestimmten Pumpe gewonnen wird, auf andere Pumpenmodelle zu übertragen, ohne dass Rohdaten ausgetauscht werden. Das sorgt für hohen Datenschutz, der auch für Gebäudedaten relevant ist. Die Modellparameter werden zentral aggregiert und das resultierende globale Modell an alle Pumpen unterschiedlicher Kunden weitergeleitet. Die Berechnung bzw. Schätzung des Durchflusses wird dadurch kontinuierlich präziser.

Siemens-Experten untersuchen wie Federated Learning im industriellen Kontext angewendet werden kann. Erste Ergebnisse der Studie „Industrial Federated Learning – Requirements and System Design“ werden im Rahmen der PAAMS 20 im Workshop on Agents and Edge-AI vorgestellt.