Predictive Analytics im FM-Sektor

Deutsche Rahmenbedingungen

In Deutschland engagiert sich das Fraunhofer-Institut für Bauphysik (IBP) in der Forschung zu datengetriebenem Gebäudebetrieb. Der GEFMA hat mit der Richtlinie GEFMA 444 einen Rahmen für IT im FM entwickelt, der Datenmanagement und Analytik adressiert. Die AMEV (Arbeitsgemeinschaft der Medizintechnik, Energie und Versorgungstechnik) fördert predictive Maintenance in öffentlichen Gebäuden. Die DIN EN ISO 55001 (Asset Management) schreibt zustandsbasierte Wartungsansätze vor, die Predictive Analytics als Grundlage nutzen können. Anbieter wie Planon, Siemens und SAP bieten deutschen FM-Unternehmen Analytics-Module an.

Schlüsselbegriffe

Predictive Analytics

Die Nutzung historischer Daten, statistischer Modelle und maschinellen Lernens zur Vorhersage zukünftiger Ereignisse oder Trends.

Mustererkennung

Das Identifizieren wiederkehrender Muster in Daten, die auf ein zukünftiges Ereignis hinweisen: eine Anlage, die vor einem Ausfall ein abweichendes Geräuschprofil zeigt.

Vorhersagemodell

Ein mathematisches Modell, das auf Basis von Eingabevariablen (Temperatur, Betriebsstunden, Jahreszeit) ein Ergebnis vorhersagt (Ausfallwahrscheinlichkeit, erwarteter Energieverbrauch).

Trainingsdaten

Die historischen Daten, mit denen das Vorhersagemodell entwickelt wird. Je mehr und qualitativ bessere Trainingsdaten, desto zuverlässiger die Vorhersagen.

Falsch-positives Ergebnis

Ein Fehlalarm: Das Modell sagt einen Ausfall voraus, der nicht eintritt. Zu viele Falschalarme untergraben das Vertrauen in die Vorhersagen.

So funktioniert es

Predictive Analytics lernt Muster aus historischen Daten und wendet diese auf neue Situationen an. Ein Modell, das auf fünfjährigen Ausfallsdaten von Klimaanlagen trainiert wurde, erkennt, welche Kombination von Faktoren (Alter, Betriebsstunden, Außentemperatur, letzte Wartung) einem Ausfall vorausgeht. Bei neuen Messwerten berechnet das Modell die Wahrscheinlichkeit eines Ausfalls im nächsten Zeitraum.

Die Anwendungen im FM sind breit, die Verbreitung aber begrenzt. Predictive Maintenance ist die konkreteste Anwendung und wird von Anbietern wie Planon und Ultimo angeboten. Belegungsprognosen (wie viele Personen kommen morgen?) helfen bei der Abstimmung von Catering, Klimatisierung und Reinigung. Energieprognosen unterstützen die Budgetierung und Vertragsverhandlungen mit Energielieferanten.

Die Voraussetzungen sind klar: ausreichende historische Daten (mindestens zwei bis drei Jahre), strukturierte Erfassung im CAFM und/oder Sensordaten sowie eine Organisation, die bereit ist, auf Basis von Vorhersagen zu handeln. Die größte Hürde ist nicht die Technologie, sondern die Datenqualität. Organisationen, die ihr CAFM-System jahrelang als digitalen Papierkorb genutzt haben, verfügen über keine nutzbaren Trainingsdaten. Der erste Schritt zu Predictive Analytics ist daher immer: die Datenhygiene in Ordnung bringen.