Digitalisierung im technischen Gebäudemanagement - Teil 2

Von der Datensammlung zur Datennutzung

In Teil 1 dieser Reihe hat Christian Wild betrachtet, welche Anforderungen ein zukunftssicheres Managementsystem für die Gebäudeautomation erfüllen sollte – von der Unterstützung offener Standards über klare Schnittstellen bis hin zu Aspekten der IT-Sicherheit.
Doch wer sich in der Praxis umsieht, erkennt schnell: Selbst die modernsten Systeme nützen wenig, wenn sie lediglich Daten einsammeln.

Zahlenreihen, Messwerte und Schaltzustände sind zunächst nur Rohmaterial. Erst wenn diese Daten im Kontext verstanden werden, entsteht daraus echtes Wissen, das zur Optimierung und Steuerung von Gebäuden genutzt werden kann.

Die entscheidende Frage lautet also: Wie schaffen wir es, Daten so aufzubereiten, dass Maschinen, Software und Menschen sie eindeutig interpretieren können?

Denn erst dann wird aus der viel zitierten „Digitalisierung“ eine echte Wertschöpfung.

Das Problem heterogener Daten im Gebäudebestand

Wer im Gebäudebestand arbeitet, kennt das Bild:

Anlagen aus unterschiedlichen Baujahren und Herstellerwelten kommunizieren in einer Vielzahl von Sprachen: BACnet, Modbus, KNX, proprietäre Protokolle, ergänzt durch historisch gewachsene Bedienphilosophien und Namenskonventionen.

Dazu kommen uneinheitliche Bezeichnungen: Was in einer Anlage „Vorlauf_Temp“ heißt, kann in einer anderen als „T_VL“ oder „Temperature Flow“ auftauchen. Die Skalierung kann variieren, und manchmal fehlen Metadaten vollständig. Solche Unterschiede mögen im Einzelfall banal wirken – in Summe jedoch führen sie zu enormem Mehraufwand, sobald Daten aus verschiedenen Quellen zusammengeführt werden sollen.

Das Resultat: Integrationsprojekte werden komplex, teuer und fehleranfällig. Jede neue Schnittstelle, jede Erweiterung erfordert erneut manuelle Arbeitsschritte, in denen Fachleute Datenpunkte suchen, verstehen und „übersetzen“ müssen.

Innovation im Stillstand: Warum unstrukturierte Daten smarte Lösungen blockieren

Heterogene, unstrukturierte Daten sind nicht nur ein technisches Problem – sie blockieren ganze Innovationspfade.

• Technisches Monitoring kann ohne eindeutige Zuordnung keine automatisierten Auswertungen durchführen. Jeder neue Datenpunkt muss manuell in Reports oder Dashboards eingepflegt werden.
• Energiemanagementsysteme erkennen Potenziale nicht zuverlässig, wenn die relevanten Messgrößen nicht in standardisierter Form vorliegen.
• Smarte Steuerungen und KI-Algorithmen stoßen an Grenzen, wenn sie kein konsistentes „Vokabular“ haben, um Soll- und Ist-Werte zu vergleichen oder Optimierungsmaßnahmen einzuleiten.

Die Folge: Viele Projekte bleiben in Pilotphasen stecken. Das große Versprechen „smarter Gebäude“ – selbstregulierend, energieoptimiert, adaptiv – bleibt auf dem Papier, weil die Datengrundlage fehlt.

Der Weg zur Interpretierbarkeit: von Rohdaten zu nutzbaren Informationen

Der erste Schritt ist Datenharmonisierung. Dabei werden Einheiten, Skalierungen und Formate vereinheitlicht, um Vergleichbarkeit herzustellen.

Ein Wert wie „25,0“ mit einer unklaren Bezeichnung gewinnt erst durch die spätere KI-gestützte Analyse seine eindeutige Bedeutung – etwa als „25,0 °C Vorlauftemperatur Heizkreis 1“.

Der zweite Schritt ist die semantische Beschreibung. Jeder Datenpunkt erhält einen klar definierten Kontext:

• Welchem Gewerk gehört er an?
• Welche Baugruppe ist betroffen?
• Was wird gemessen? (Temperatur, Druck, CO₂-Gehalt)
• Wo wird gemessen? (z. B. Zuluft, Abluft, Heizwasser-Vorlauf)
• Welche Funktion erfüllt er im System? (Regelgröße, Störmeldung, Verbrauchswert)

Nur wenn diese Fragen eindeutig beantwortet sind, können Softwarelösungen Daten verarbeiten, ohne dass ein Mensch sie jedes Mal neu interpretieren muss. Hier helfen Referenzmodelle und Standards, um von Beginn an konsistent zu arbeiten.

Das Gebäude als Blackbox verhindert den automatisierten Zugriff und die Verarbeitung von Betriebsdaten

Künstliche Intelligenz als Schlüsseltechnologie

Früher bedeutete Datenaufbereitung mühselige Handarbeit in Tabellen und Datenbanken. Heute können KI-Algorithmen große Teile dieses Prozesses automatisieren.

Beispiele:

• Mustererkennung in Datenpunkten und deren Namen, um sie automatisch Funktionsklassen zuzuordnen.
• Semantische Interpretation durch Sprachmodelle, die selbst unvollständige oder fehlerhafte Beschreibungen richtig einordnen können.
• Lernende Systeme, die sich mit jedem neuen Projekt verbessern und künftig noch schneller arbeiten.
   

Das heißt aber nicht, dass der Mensch überflüssig wird. Fachliche Expertise ist unverzichtbar – etwa für die Qualitätssicherung, die Validierung von KI-Vorschlägen oder für Sonderfälle, die außerhalb der gelernten Muster liegen.

Der Unterschied: Wo früher Wochen oder Monate vergingen, kann heute in Stunden eine verwertbare Datenbasis entstehen.

Der BACtwin-Standard als gemeinsame Sprache

Ein zentrales Werkzeug auf dem Weg zur Interpretierbarkeit ist der BACtwin-Standard des AMEV (Arbeitskreis Maschinen- und Elektrotechnik staatlicher und kommunaler Verwaltungen). BACtwin ist im Kern ein semantisches Referenzmodell, das mit dem universellen BACtwin-Benutzeradressierungssystem (BACTwin-BAS) Datenpunkte einheitlich und eindeutig beschreibt – unabhängig von Hersteller, Projekt oder Anlagenstruktur.

Das Konzept geht weit über reine Namensgebung hinaus:

• Jeder Datenpunkt erhält eine strukturierte Kennung, die Gewerk, Baugruppe, Medium, Messgröße, Einbauort und weitere Merkmale beschreibt.
• Klassifikationen machen deutlich, ob es sich um einen Messwert, eine Stellgröße oder einen Status handelt.
• Festgelegte Einheiten und Skalierungen vermeiden Interpretationsfehler.

Die Stärke von BACtwin-BAS liegt darin, dass er sowohl für Neubauten als auch für Bestandsanlagen anwendbar ist. Für Integratoren, Planer und Betreiber bietet er eine neutrale, herstellerunabhängige Sprache, die Maschinen genauso gut verstehen wie Menschen. Wer Daten auf BACtwin-BAS abbildet, schafft damit die Grundlage für vollständige Interoperabilität: Monitoring-Systeme, Energiemanagementlösungen, smarte Steuerungen oder KI-Anwendungen können ohne zusätzliche Übersetzungsarbeit auf denselben Datenbestand zugreifen.

Genau deshalb eignet sich BACtwin-BAS hervorragend als Zielstruktur für automatische Datenharmonisierung – er bietet das präzise Vokabular, das aus einem Rohdatenchaos eine geordnete, maschinenlesbare Wissensbasis macht.

Digitaler Zwilling als Verwaltungsschale

Während BACtwin-BAS die Sprache liefert, sorgt der digitale Zwilling in Form einer Verwaltungsschale für die Struktur. Er ist die standardisierte digitale Repräsentation eines realen technischen Assets – sei es ein Lüftungsgerät, ein Heizkreis oder eine Kälteanlage.

Diese Verwaltungsschale enthält:

• technische Stammdaten (Hersteller, Baujahr, Leistung)
• aktuelle Betriebswerte aus der Gebäudeautomation
• Funktionsbeschreibungen und Verknüpfungen zu anderen Komponenten.

Mit einer solchen Struktur können Anwendungen automatisiert arbeiten: Ein Energiemanagementsystem kann beispielsweise erkennen, dass eine bestimmte Temperatur zu einem spezifischen Heizkreis gehört und entsprechend Handlungsvorschläge ableiten.

Transparenz und Struktur durch den Digitalen Zwilling schaffen

Automatisierte Datenharmonisierung und Klassifikation in der Praxis

In der Praxis der Bestandsgebäude ist die größte Hürde nicht die Definition eines Zielmodells wie BACtwin-BAS, sondern der Weg dorthin. Im Bestand liegen Daten oft ohne Struktur vor: uneinheitlich benannt, mit fehlenden oder fehlerhaften Einheiten, manchmal sogar ohne jeden Kontext. Die klassische Herangehensweise: Wochenlange manuelle Sichtung, Zuordnung und Umbenennung – ein Prozess, der teuer und fehleranfällig ist.

Das System von Entendix automatisiert diesen Prozess weitgehend:

1. Datenerfassung: Alle verfügbaren Datenpunkte werden aus der Gebäudeautomation aufgenommen.
2. Automatische Erkennung und Analyse: KI-Modelle analysieren Datenpunktbezeichnungen, Metadaten und Live-Werte, um den Typ und die Funktion des Datenpunkts zu identifizieren. Entscheidend: Es spielt keine Rolle, ob die Bezeichnungen herstellerspezifisch, betreiberspezifisch oder sogar innerhalb eines Projekts völlig uneinheitlich sind – die KI erkennt die Bedeutung und ordnet sie korrekt zu.
3. Abbildung auf BACtwin: Jeder erkannte Datenpunkt wird automatisch auf den passenden BACtwin-Eintrag gemappt – inklusive aller notwendigen Attribute wie Gewerk, Baugruppe, Medium, Funktion und Einheit.
4. Erzeugung einer Verwaltungsschale (Digitaler Zwilling): Die harmonisierten Daten werden in eine standardisierte Verwaltungsschale überführt, die sofort von anderen Systemen genutzt werden kann.

Das Ergebnis: Egal wie unterschiedlich die Ausgangsdaten waren – am Ende steht immer dieselbe konsistente Datenbasis. Diese kann ohne weiteren Integrationsaufwand genutzt werden, um Lösungen wie Monitoring, Energiemanagement oder smarte Regelung aufzusetzen.

Ausblick: Von der Interpretation zur intelligenten Steuerung

Interpretierbare Daten sind nicht das Endziel, sondern das Sprungbrett zu völlig neuen Betriebsmodellen. Mit einer einheitlichen, semantisch angereicherten Datenbasis lassen sich Gebäude so steuern, dass sie selbstständig auf äußere Einflüsse reagieren – von Wetterprognosen über Energiepreise bis hin zu Belegungsplänen.

Ein zusätzlicher, oft unterschätzter Effekt: Aus der Blackbox Gebäude, bei der vorher nicht klar war, welche Anlagen, Systeme und Gewerke tatsächlich verbaut sind und wie sie zusammenarbeiten, wird eine transparente, klar strukturierte Abbildung. Betreiber und Planer sehen auf einen Blick:

• welche Anlagen vorhanden sind
• wie diese miteinander verknüpft sind
• und welche Datenpunkte für Betrieb und Optimierung relevant sind.

Diese neu gewonnene Transparenz ist nicht nur die Grundlage für Monitoring und Energiemanagement, sondern auch für strategische Entscheidungen im gesamten Lebenszyklus eines Gebäudes – von der Wartungsplanung bis zu Sanierungsmaßnahmen.

Fazit

Die konsequente Standardisierung und semantische Modellierung von Daten ist kein Selbstzweck. Sie ist die Voraussetzung dafür, dass Gebäude nicht nur vernetzt, sondern auch wirklich „smart“ werden. BACtwin liefert dabei die Sprache, der digitale Zwilling in Form einer Verwaltungsschale die Struktur – und KI-gestützte Automatisierung die notwendige Geschwindigkeit.

Genau hier setzt Entendix an: Mit einer Kombination aus Gateway-Technologie, KI-gestützter Klassifikation und automatischer BACtwin-Abbildung macht Entendix aus beliebig heterogenen Bestandsdaten eine sofort nutzbare, maschinenlesbare Wissensbasis. Es spielt keine Rolle, wie chaotisch die Ausgangsdaten erscheinen – das Ergebnis ist immer eine saubere, standardisierte Grundlage für Monitoring, Energiemanagement, smarte Steuerung und vorausschauende Instandhaltung.

Wer seine Daten versteht, versteht auch sein Gebäude – und kann es gezielt optimieren. Entendix liefert dafür die Werkzeuge, um diese Vision im Gebäudebestand schnell, zuverlässig und skalierbar umzusetzen. In Kooperation mit der Iconag-Leittechnik ist dafür ein BACtwin-BAS-Konverter entstanden, mit dessen Hilfe jeder die Datenpunkte seiner Gebäude, Bauabschnitte und Anlagen testweise und kostenlos in den BACtwin-BAS konvertieren kann. 

Dr.-Ing. Maximilian Both ist Co-Gründer und Co-Geschäftsführer der Entendix GmbH in Bonn. Entendix ist ein Tech-Startup, das mit einer IoT- und KI-basierten Plattform die Digitalisierung und nachhaltige Transformation technischer Gebäudeinfrastruktur voran treibt. Ziel ist es, mit den KI-basierten IoT-Lösungen die Betriebsführung von Gebäuden neu zu denken – für weniger Energieverschwendung, mehr Transparenz und echte Nachhaltigkeit.