AI ska förutse fel i fastighetsinstallationer
Sensorer, fastighetsdata och AI ska användas för att upptäcka begynnande fel i bland annat ventilationsaggregat innan de leder till driftstopp. Einar Mattsson deltar i forskning vid KTH om hur förutseende underhåll kan bli en del av den löpande fastighetsdriften.
I stället för att vänta på att ett ventilationsaggregat, en hiss eller en entréport går sönder är tanken att förändringar i installationernas beteende ska kunna avslöja att ett fel är på väg att uppstå.
Einar Mattsson deltar i forskning inom KTH Live-In Lab och KTH Dig-IT Lab där sensordata och AI ska användas för proaktiv och förutseende fastighetsförvaltning. Arbetet sker inom Testbädd Xn.
Sensorer kan användas för att följa bland annat vibrationer, temperatur, energianvändning, öppningscykler, motorbelastning och drifttid. När informationen analyseras med AI ska avvikande mönster kunna identifieras innan komponenten går sönder.
Tanken är att förvaltaren då ska kunna få ett automatiskt larm och att en arbetsorder skapas i felanmälningssystemet. Reservdelar kan på så sätt beställas i förväg och underhållsåtgärder samordnas till planerade servicetillfällen i stället för att genomföras akut.
Forskningen handlar inte enbart om sensorer och AI. En del är att få tekniken att fungera tillsammans med fastighetsförvaltarnas befintliga system och arbetssätt. Där ingår gemensamma informationsmodeller, standarder och öppna gränssnitt.
Digitala modeller, AI-lösningar och sensorteknik kan utvecklas inom KTH Dig-IT Lab för att därefter testas i verklig boendemiljö i KTH Live-In Lab. Någon tidplan för det aktuella arbetet anges inte i informationen från Einar Mattsson.
Källa: Einar Mattsson
