Storingen en inefficiënties in gebouwinstallaties blijven vaak onopgemerkt, met energieverlies, comfortklachten en hoge onderhoudskosten tot gevolg. Foutdetectie en -diagnose (FDD) maakt het mogelijk om afwijkingen te signaleren en de oorzaak te achterhalen, waardoor beheer en onderhoud efficiënter kunnen plaatsvinden.
Het opzetten en beheren van betrouwbare en schaalbare FDD-systemen blijft echter een uitdaging. Binnen het onderzoeksprogramma Brains4Buildings (B4B) is onderzocht hoe FDD-software voor HVAC-installaties (installaties voor het verwarmen, koelen en ventileren van een gebouw) kan worden ontwikkeld en toegepast. In deze kennisbundel lichten we de B4B-onderzoeken naar automatische FDD toe en geven we een overzicht van verschillende use-cases. De rapporten laten zien hoe storingen continu en geautomatiseerd kunnen worden geïdentificeerd, hoe deze inzichten kunnen worden gebruikt voor prestatiegericht onderhoud en hoe FDD in de praktijk toepasbaar is. De rapporten zijn onderverdeeld in twee categorieën:
Zelfdiagnose van fouten en energieverlies in gebouwinstallaties.
Symptoomdetectie, foutdiagnose en voorspellend onderhoud.
DGBC deelt kennis en inzichten met de markt
Brains4Buildings (B4B) is een vierjarig programma waarin DGBC samenwerkt met 39 organisaties om gebouwen ‘slimmer’ en energiezuiniger te maken. Het onderzoeksprogramma heeft als doel het ontwikkelen en uitbrengen van betaalbare slimme software, sensoren en meters om zo de energie-efficiëntie van gebouwen te optimaliseren. Tegelijkertijd wordt het comfort van de gebruiker bevorderd, worden de operationele en onderhoudskosten verlaagd en wordt ingespeeld op de lokale vraag en aanbod van duurzame energie. De ambitie van B4B is om schaalbare en modulaire oplossingen te ontwikkelen die 20-30 procent energiebesparing realiseren.
In het B4B-project speelt DGBC een verbindende rol, door kennis en innovatie in de gebouwde omgeving te delen met de markt. In een serie ‘kennisbundelingen’ delen we de resultaten en nieuwe mogelijkheden die uit het onderzoeksprogramma naar voren komen. Elke bundel richt zich op een specifiek thema, zoals energieflexibiliteit of gebruikersinteractie. In deze kennisbundeling presenteren we de resultaten uit B4B op het gebied van foutdetectie en -diagnose.
Wat is foutdetectie en -diagnose?
FDD is een systematische aanpak om afwijkingen in systemen, zoals gebouwinstallaties, automatisch op te sporen en te verklaren. Het proces bestaat uit twee stappen:
Foutdetectie: vaststellen dat er iets misgaat in een systeem. Er wordt gekeken naar symptomen, oftewel meetbare afwijkingen zoals te hoge ruimtetemperatuur, te lage inblaastemperatuur of onverwachte drukdalingen.
Foutdiagnose: bepalen van de oorzaak van de gevonden afwijkingen. Bijvoorbeeld: een te lage inblaastemperatuur kan worden veroorzaakt door een vastzittende koelklep.
In slimme gebouwen gebeurt dit proces vaak geautomatiseerd met technieken als diagnostische Bayesiaanse netwerken (DBN). Deze netwerken leggen relaties tussen fouten en symptomen om de waarschijnlijkste oorzaak van een storing vast te stellen. De 4S3F-architectuur is een vaste structuur voor foutdiagnose:
3F (fouten): mogelijke oorzaken van deze afwijkingen.
4S (symptomen): meetbare afwijkingen in het systeem.
Zelfdiagnose van fouten en energieverlies in gebouwinstallaties
Binnen B4B is onderzocht hoe energieverlies in gebouwinstallaties automatisch inzichtelijk worden gemaakt. De ontwikkelde softwareplug-ins voeren zelfdiagnoses uit op systematische fouten en inefficiënties, waardoor verborgen energieverspilling vroegtijdig wordt opgespoord. Deze inzichten vormen een basis voor prestatiegericht onderhoud en helpen gebouwbeheerders gerichte maatregelen te nemen.
Hieronder zijn de rapporten uit B4B samengebracht die zich richten op zelfdiagnose van fouten en energieverlies in gebouwinstallaties:
Voor- en nabewerking van gebouwdata
Dit rapport behandelt datalabeling, -voorbewerking en -integratie voor toepassingen met machine learning ter ondersteuning van HVAC‑engineers.
Ruwe gebouwdata zijn vaak incompleet, inconsistent of ongestructureerd, waardoor directe toepassing vrijwel onmogelijk is. Het effectief gebruiken van data vereist het correct labelen, opschonen en interpreteren van de ruwe data. Meestal is hierbij ook nog menselijke input nodig.
Verzameling gestandaardiseerde DBN-modellen voor HVAC-installaties
Dit rapport introduceert een verzameling van standaard DBN’s voor HVAC-installaties, gebaseerd op de 4S3F-architectuur.
De modellen ondersteunen FDD op verschillende systeemniveaus: volledige HVAC-systemen, subsystemen, componenten en subcomponenten. Door het combineren van generieke modules en ingebedde DBN’s kunnen installaties flexibel worden gemodelleerd voor uiteenlopende toepassingen, zoals het verbeteren van energie-efficiëntie en het ondersteunen van voorspellend onderhoud. De verzameling is opgezet als een modulaire en uitbreidbare bibliotheek, geschikt voor zowel sensorrijke als sensorarme gebouwen. Bovendien biedt deze bibliotheek mogelijkheden voor uitbreiding naar niet-HVAC-systemen.
Dit onderzoek toont aan dat expertkennis de betrouwbaarheid van DBN’s verhoogt.
Door het vaststellen van prior probabilities (hoe vaak een fout normaal voorkomt) op basis van ervaringen van experts wordt de diagnostische nauwkeurigheid verhoogd. Deze aanpak is toegepast op het warmteterugwinningswiel van luchtbehandelingskasten, maar is ook toepasbaar voor andere HVAC-componenten.
Dit rapport onderzoekt hoe feedback van gebouwgebruikers wordt vertaald naar Subjectieve Key Performance Indicators (SKPI’s) om binnenklimaatkwaliteit en energie-efficiëntie te verbeteren.
Een overzicht van bestaande enquête-methode en hun beperkingen laat zien dat een gestandaardige aanpak voor het ontwikkelen van SKPI’s ontbreekt. Om dit te ondervangen wordt een vierstappenmethodologie voorgesteld voor het ontwerpen, uitvoeren en berekenen van SKPI’s. Deze methodologie wordt geconcretiseerd met de toepassing in de foutdiagnose van luchtbehandelingskasten en vormt een basis voor verdere toepassingen in gebouwbeheersystemen, waaronder energieflexibiliteit en proactief onderhoud.
Symptoomdetectie, foutdiagnose en voorspellend onderhoud
Om van reactief onderhoud naar pro-actief onderhoud te bewegen, is in B4B gewerkt aan prototypes van slimme softwareplug-ins die zich richten op het tijdig herkennen en duiden van storingen. Deze tools combineren foutdetectie, foutdiagnose en voorspellende analyses om het onderhoudsproces te verschuiven van reactief naar conditiegebaseerd. Hierdoor kunnen problemen worden voorkomen nog voordat ze impact hebben op energiegebruik, comfort of bedrijfszekerheid.
Hieronder zijn de rapporten uit B4B samengebracht die zich richten op symptoomdetectie, foutdiagnose en voorspellend onderhoud:
Tools met Pareto LEAN-energieanalyse en continue monitoring
Dit onderzoek combineert foutmodellering met praktijkdata om de totale energie-impact van storingen in luchtbehandelingskasten inzichtelijk te maken en onderhoud te prioriteren.
Door text mining op werkorders en simulaties in EnergyPlus kunnen de meest kritische storingen worden geïdentificeerd. Het Pareto-principe (80/20-regel) helpt om gerichte maatregelen te nemen, waardoor energieverlies wordt beperkt en comfort behouden blijft.
ML- en systeemgebaseerde diagnose voor FDD-software
Dit rapport behandelt de ontwikkeling van een prototype FDD-softwaremodule voor luchtbehandelingskasten in operationele gebouwen.
Met machine learning en data-analyse worden foutsymptomen voorspeld en gediagnosticeerd. Verschillende algoritmen, zoals XGBoost, Artificial Neural Networks (ANN) en Support Vector Regression (SVR), zijn getest op data uit gecontroleerde foutenexperimenten. De resultaten tonen een generieke, componentgebaseerde aanpak die breed toepasbaar is.
Aan de hand van use-cases van verschillende bedrijven wordt zichtbaar hoe theorie en modellen in de praktijk worden ingezet om energieverlies te verminderen, onderhoud te optimaliseren en het binnenklimaat te verbeteren. De voorbeelden laten zien welke uitdagingen, keuzes en voordelen komen kijken bij de implementatie van geautomatiseerde diagnostische systemen en bieden waardevolle inzichten voor gebouwbeheerders, engineers en onderzoekers.
Hoe vertalen de ontwikkelingen vanuit Brains4Buildings (B4B) zich naar de dagelijkse praktijk van gebouwbeheer? Aan de hand van een reeks praktijkvoorbeelden geven we inzicht in hoe deze innovaties functioneren in bestaande gebouwen, met echte gebruikers. Hiervoor belichten we per innovatie en organisatie de context, implementatie en resultaten. In één van de praktijkvoorbeelden gaan we in op PULSE Core van SPIE. Deze softwaretool implementeert slim laden op kleine en grotere schaal. Het doel is om het laadproces van elektrische voertuigen op een efficiënte manier te beheren. Dat houdt in: optimalisatie van het energiegebruik, het beperken van piekbelasting en het minimaliseren van de belasting op het elektriciteitsnet.
