Predictive Maintenance in der Wohnungswirtschaft
Während Predictive Maintenance bereits in der Industrie allgegenwärtig ist, befindet sich die Wohnungswirtschaft noch am Anfang dieser Wartungsmethodik. Die Fortschritte in der Digitalisierung ermöglichen jedoch auch hier die Überprüfung des Systemzustands von kritischer Infrastruktur wie Heizungsanlagen, Aufzügen oder Küchengeräten und verfügen daher über das Potential effektiverer Wartungsmaßnahmen.
Die Goethe Universität Frankfurt hat im Rahmen von ForeSight das Thema Predictive Maintenance in der Wohnungswirtschaft in einer systematischen Studie erforscht, um mögliche Hürden in der Adaption von Predictive Maintenance auf die Wohnungsindustrie zu identifizieren und Lösungsansätze aufzubereiten. Ziel der Untersuchung waren Fehlervermeidung, Systemoptimierung, Produktivitätsverbesserung und ein besseres Informationsmanagement. Als Grundlage der Studie dienten sogenannte Smart Houses, welche aus Sensoren, Aktoren, Hardware und Software bestehen, die auf Komponenten der KI zurückgreifen können.
Smart Houses als Studiengrundlage
Smart Houses bestehen größtenteils aus standardisierten Produkten, die in großer Stückzahl hergestellt werden und oft nicht weiter anpassbar an einen zusätzlichen Nutzen sind. So hat beispielsweise eine Klimaanlage die Funktion einen Raum abzukühlen und für den Endanwender spielt es oft keine Rolle, welche Klimaanlage konkret benutzt wird, solange eine gewünschte Temperatur erreicht wird. Modifikationen an der Klimaanlage sind daher nicht notwendig oder möglich. Im Fokus steht das Wohlbefinden der Menschen in den Gebäuden, welches gerade bei Familien oder bei Besuch recht heterogen sein kann.
Allerdings stellen standardisierte Lösungen wie Klimaanlagen in der Regel keine Daten für externe Analysen zur Verfügung. Das nachträgliche Anbringen von Sensoren ist oft nur schwierig möglich, da Produkte in sich geschlossene Systeme darstellen. Zusätzlich kann ein Anbringen von Sensorik im Smart-Housing-Umfeld die Ästhetik von Wohnungen stören und damit der Akzeptanz schaden, daher können alternative Messmethodiken erforderlich sein. Statt die tatsächliche Kühlleistung mittels mehrerer Thermometer an der Klimaanlage zu erfassen, können Messwerte substituiert werden. So kann es für Predictive Maintenance schon ausreichen, dass nur ein einzelnes Raumthermometer in der Verbindung mit dem Stromverbrauch der Klimaanlage für die Erfassung des Systemzustands verwendet wird. Der Stromverbrauch kann entweder über einen intelligenten Zwischenstecker erfasst werden oder durch die sogenannte Energiedatendesaggregation. Diese ermöglicht es, aus dem Gesamtenergieverbrauch einer Wohnung, welcher bspw. durch einen Smart Meter erfasst wird, auf die Aktivität einzelner Verbraucher zurückzuschließen.
Kontextinformationen und Visualisierungen als Schlüssel
Zusätzlich ist es wichtig, dass im Wohnumfeld die Zustandsprognose nicht nur basierend auf Sensorwerten erfolgt, sondern auch der jeweilige Kontext miteinbezogen werden muss. Während im produzierenden Gewerbe oft standardisierte Prozesse überwacht werden, beeinflussen die Menschen im Smart-Housing-Umfeld maßgeblich die Messwerte. So können Urlaube, Geburtstagsfeiern oder Umzüge die Messwerte möglicherweise verzerren und sollten daher bei der Zustandsprognose berücksichtigt werden.
Um die Smart-Housing-Infrastruktur letztendlich strukturiert überblicken zu können und notwendige Predictive-Maintenance-Maßnahmen ergreifen zu können, bedarf es einer dezidierten Visualisierungsmöglichkeit, welche den Anforderungen möglicher Endnutzer gerecht wird. Die Studie gilt somit als Grundlage eines in ForeSight entwickelten Predicitve Maintenance Dashboards zur optimierten Zustandsüberwachung von Infrastruktur in Wohnumgebungen.
Weitere Beiträge
Leitfaden: Vertrauenswürdige und ethisch vertretbare KI als Grundlage für deren Akzeptanz
Viele der aktuell existierenden Arbeiten im Bereich ethischer KI sind überwiegend konzeptionell und konzentrieren sich auf die Definition von abstrakten Prinzipien. Damit jedoch vertrauenswürdige KI- Anwendungen in der Praxis entstehen zu können, ist eine Überführung theoretischer Überlegungen in konkrete Handlungsempfehlungen und ein Neudenken des KI-Entwicklungsprozesses notwendig. Besonders relevant ist dies für Datenökosysteme, in denen der Mensch als Hauptnutzender der KI – Anwendung und Eigentümer der Daten auftritt. Im Rahmen von ForeSight wurde zu diesem Themenbereich unter der Leitung der GSW Sigmaringen in Zusammenarbeit mit Strategion und dem SIBIS Institut ein Leitfaden zur vertrauenswürdigen und ethisch vertretbaren KI als Grundlage für deren Akzeptanz veröffentlicht.
Drohnen im Kontext der Wohnungswirtschaft
Für Wohnungsunternehmen sind die Einsatzmöglichkeiten von Drohnen an verschiedene Anforderungen geknüpft. Ein Leitfaden der ForeSight Konsortialpartner GdW und GSW Sigmaringen beleuchtet die Rechtslage, effizienzsteigernde Maßnahmen bei verschiedenen Anwendungsfällen und den Einsatz von Künstlicher Intelligenz für Analyseverfahren. Ein Prüfschema unterstützt Wohnungsunternehmen bei der Auswahl geeigneter Partner für Drohnenflüge.
Akzeptanzstudie zu Drohneneinsatz im Wohnumfeld veröffentlicht
Im Rahmen von ForeSight wurde eine Akzeptanzuntersuchung von Drohnen-Einsätzen im Rahmen von Servicetätigkeiten in Future Living® Berlin durchgeführt. Das Ergebnis: 92 % der Mietenden bringt Verständnis für den Einsatz von Drohnen im Auftrag des Vermieters auf. Fast 60 % der Befragten bewerten den Drohnenflug auch dann als unkritisch, wenn diese nah an den eigenen Fenstern vorbeifliegt.
