KI im CAFM: Predictive Maintenance und Automatisierung

Deutsche Rahmenbedingungen

Forschungseinrichtungen wie das Fraunhofer IAO und der GEFMA-Arbeitskreis Digitalisierung befassen sich mit KI-Anwendungen im FM. Die EU-KI-Verordnung (AI Act) stellt Anforderungen an Transparenz und Risikoeinstufung von KI-Systemen, auch im FM-Kontext. Deutsche CAFM-Anbieter wie Planon Deutschland und Spacewell investieren in KI-Funktionalitaeten, insbesondere fuer Predictive Maintenance und automatische Kategorisierung. Das Bundesministerium fuer Wirtschaft foerdert KI-Projekte in Industrie und Gebaeudebetrieb ueber Programme wie KI-Innovationswettbewerb.

Schlüsselbegriffe

Predictive Maintenance

Instandhaltungsplanung auf Basis von Vorhersagemodellen, die Sensordaten, Wartungshistorie und Umgebungsfaktoren kombinieren, um Ausfaelle zu prognostizieren, bevor sie eintreten.

Anomalieerkennung

Automatisches Erkennen abweichender Muster in Daten (Energieverbrauch, Vibrationen, Temperatur), die auf einen bevorstehenden Defekt hinweisen koennen.

NLP

Natural Language Processing. KI-Technologie, die Freitexte (Meldungen, E-Mails) analysiert und automatisch kategorisiert, priorisiert oder weiterleitet.

Machine-Learning-Modell

Ein Algorithmus, der Muster aus historischen Daten erlernt und diese nutzt, um Vorhersagen ueber neue Situationen zu treffen. Erfordert ausreichend qualitativ hochwertige Trainingsdaten.

Digital Twin

Ein digitales Abbild eines physischen Gebaeudes oder einer Anlage, das Echtzeit-Daten aus Sensoren und Systemen mit Modellen fuer Simulation und Optimierung verbindet.

Funktionsweise

KI im CAFM ist derzeit auf drei Anwendungsbereichen am konkretesten. Erstens: automatische Kategorisierung von Meldungen. Ein NLP-Modell analysiert den Text einer Meldung und weist automatisch die richtige Kategorie, Prioritaet und Ausfuehrenden zu. Das beschleunigt die Weiterleitung und reduziert Fehler bei der manuellen Triage.

Zweitens: Anomalieerkennung in Sensordaten. Indem das normale Verhaltensmuster einer Anlage erlernt wird (Energieverbrauch je Stunde, Vibrationsprofil, Temperaturverlauf), erkennt das Modell Abweichungen, die auf Verschleiss oder einen bevorstehenden Defekt hinweisen koennen. Das ist der Schritt von zustandsorientierter zu vorausschauender Instandhaltung.

Drittens: Optimierung von Wartungsintervallen. Auf Basis von Stoerungshistorie und Zustandsdaten berechnet ein Modell den optimalen Zeitpunkt fuer praeventive Wartung -- nicht zu frueh (unnoetige Kosten) und nicht zu spaet (Stoerungsrisiko). Die Realitaet ist, dass all diese Anwendungen von Datenqualitaet abhaengen. Ohne jahrelange, strukturierte Erfassung im CAFM-System hat ein KI-Modell zu wenig Trainingsdaten. Der erste Schritt zu KI ist daher immer: das Datenfundament in Ordnung bringen.