KI-Assistenz im Energiemanagement

Die größte Herausforderung ist die immense Vielfalt der Datenquellen. Unsere methodische Kompetenz beginnt damit, diese Informationssilos aufzubrechen und zu einer einheitlichen, maschinenlesbaren Wissensbasis zu fusionieren.

Wir entwickeln Pipelines, die es LLMs ermöglichen, unterschiedlichste Formate nicht nur zu lesen, sondern semantisch zu interpretieren:

• Zeitreihendaten: Lastprofile, Temperaturkurven und Druckverläufe werden nicht als reine Zahlenreihen, sondern als physikalische Prozesse mit charakteristischen Mustern verstanden.
• Unstrukturierte Dokumente: Inhalte aus PDF-Datenblättern, Fließtext in Wartungsberichten oder Norm-Vorgaben werden extrahiert und in einen Kontext gesetzt.
• Grafische Informationen: Wir forschen an multimodalen Ansätzen, um auch Informationen aus R&I-Fließschemata, Tabellen und Diagrammen zu erfassen.

Das Ergebnis ist eine vektorisierte Wissensbasis, die als dynamisches Gedächtnis Ihres Unternehmens agiert und die Grundlage für alle weiterführenden KI-Anwendungen bildet.

Ein reiner Chatbot ist nicht genug. Wir konzipieren und entwickeln proaktive LLM-basierte Agentensysteme, die autonom komplexe Aufgaben lösen können. Anstatt nur auf eine Frage zu warten, agiert das System als investigativer Assistent.

• Hypothesengestützte Ursachenanalyse mit RAG: Erkennt ein Überwachungs-Algorithmus eine statistische Anomalie (z.B. einen erhöhten Standby-Verbrauch), stößt er einen Analyse-Agenten an. Dieser nutzt Retrieval-Augmented Generation (RAG), um die Wissensbasis gezielt nach kausalen Zusammenhängen zu durchsuchen. Er formuliert plausible Hypothesen und liefert die Belege direkt mit ("Die Druckluftanlage X zeigt einen erhöhten Grundverbrauch. Im Wartungsprotokoll vom 15. Mai wurde eine provisorische Dichtung erwähnt. Dies könnte eine Leckage sein.").
• Orchestrierung von Workflows: Wir entwickeln Agenten-Architekturen, in denen verschiedene spezialisierte Agenten zusammenarbeiten. Ein "Analyse-Agent" kann einen "RAG-Agenten" mit der Recherche beauftragen und am Ende einen "Maßnahmen-Agenten" anstoßen, der basierend auf den validierten Ursachen einen konkreten, normkonformen Lösungsvorschlag inklusive Wirtschaftlichkeitsberechnung generiert.
• Human-in-the-Loop-Validierung: Kritische Entscheidungen bleiben in menschlicher Hand. Bevor eine Maßnahme final empfohlen wird, präsentiert das System seine Hypothesen und Belege einem Experten zur Freigabe. Dies kombiniert die analytische Geschwindigkeit der KI mit der Zuverlässigkeit menschlicher Erfahrung.

Wir nutzen LLMs, um die Hürden für den Einsatz komplexer Ingenieurswerkzeuge drastisch zu senken. Der Experte muss nicht mehr das Werkzeug bis ins Detail beherrschen, sondern kann in natürlicher Sprache mit ihm interagieren.

• Automatisierte Erstellung von Energiesystemmodellen: Die Aufbereitung von Daten für Simulationsmodelle ist ein typischer Zeitfresser. Unsere LLM-Assistenzsysteme revolutionieren diesen Prozess. Der Anwender liefert die heterogenen Rohdaten und definiert seine Ziele im Dialog. Der Assistent automatisiert die Datenbereinigung, schließt Lücken durch die Generierung plausibler synthetischer Daten und generiert daraus ein lauffähiges, parametrisiertes Simulationsmodell in gängigen Frameworks (z.B. Modelica, oemof).
• Interaktive Steuerung von Digitalen Zwillingen: Wir entwickeln die Schnittstellen, um LLMs als intuitives Interface für komplexe Systeme wie Digitale Zwillinge zu nutzen. Statt sich durch komplexe Dashboards zu klicken, kann ein Instandhalter direkt fragen: "Vergleiche den Effizienzverlauf von Kompressor 3 mit dem des baugleichen Kompressors an Standort B in der letzten Woche." Das LLM übersetzt die Anfrage, holt die Daten, führt die Analyse durch und antwortet in verständlicher Sprache.

Unsere methodische Forschung mündet in konkreten, anwendungsorientierten Lösungen, die wir in Forschungsprojekten konzipieren und prototypisch umsetzen.

• Der KI-Assistent für das Energieaudit nach ISO 50001: Wir transformieren den statischen Audit-Bericht in eine dynamische, kontinuierliche Überwachung. Der Assistent identifiziert laufend Ineffizienzen, verknüpft sie mit Belegen aus internen Dokumenten und schlägt normkonforme, priorisierte Maßnahmen vor.
• Der "Druckluft-Agent": Hier kombinieren wir einen Digitalen Zwilling eines Druckluftsystems mit einem LLM. Das System ermöglicht nicht nur die Überwachung, sondern eine dialogbasierte Ursachenanalyse und vorausschauende Wartung auf Basis von Physics-Informed Neural Networks (PINNs).
• Assistenz zur Energiesystemsimulation: Wir entwickeln einen Assistenten, der den Prozess von der heterogenen Datengrundlage bis zum fertigen Energiesystemsimulationsmodell drastisch beschleunigt und so die Einstiegshürden für KMU senkt.