Smart tilstandsvurdering af bygninger

Målet med projektet har, i ConTech Lab regi, været at udvikle et digitalt og intelligent vedligeholdelsesplanlægningsværktøj der automatisk kan udarbejde smarte driftsplaner. 

Algoritmen blev skabt ved at anvende forskellige intelligente typer af software til at analysere en bygnings tilstand på baggrund af det visuelle data i et scan. På baggrund af scanning og dataindsamling af udvalgte bygninger, blev et grundlag for eksperimenter og forsøg dannet. Eksperimenterne omfatter brugen af kunstig intelligens – Tensorflow – til identifikation af bygningsdelenes tilstand. Resultaterne fra forprojektet dannede grundlag for det videre projektforløb. Resultaterne blev delt med branchen igennem en workshop, hvilket gennem dialog gav mulighed for at udbrede tidligere læring og indhente yderligere input til det videre forløb.

Teknologien, der bruges, har fokus på at digitalisere virkeligheden automatisk, hurtigt og effektivt. I stedet for manuelt at bruge fotos, noter og håndskitser, bruges der digitalkameraer, algoritmer og computerkraft til at indsamle digitale data og omsætte dem til billeder, virtual reality, tegninger og mål.

Hvilket problem løser pionerprojektet?

Når en boligforening i dag skal have lavet en tilstandsrapport, sker det typisk ved, at en byggesagkyndig møder op og manuelt undersøger ejendommen. Det kan i en ejendom med 100 boliger tage tre-fire arbejdsdage, men dette projekt arbejder på en automatiseret model, der kan forkorte opgaven til én dag. Her sammenholder en algoritme data fra bl.a. BBR og bygherre med billeder fra eksempelvis droner for hurtigt at registrere revner i beton, sætningsskader eller vinduer med lav energimærkning og derved sandsynliggøre det specifikke behov for den enkelte bygning

Indsigt

Forprojektet fokuserede på at automatisere vurderingen af tilstand og levetid på individuelle tagbelægninger. Træningsdata fra 100 ejendomme med hver 13 individuelle parametre er blevet analyseret med en predictive model og en kunstig intelligens er blevet trænet til at forudsige tilstand og levetid på tagbelægningen på en vilkårlig ejendom på baggrund af 9 variabler.​

Præcisionen på forudsigelsen af tilstand og levetid blev 60% på tilstanden af tagbelægningen og ±54% på levetiden.

Samlet potentiel positiv indvirkning på byggebranchen

Projektet kan have en positiv indvirkning på byggebranchen da der kan spares tid og penge på at være ude og tage billeder og håndskrevne noter, som sidenhen skal dokumenteres. Denne process har været forældet i lang tid, og er et område der trænger til revision og optimering. Ved at undersøge mulighederne bidrager pionerprojektet til at løfte en stor opgave i branchen. 

Nyhedsværdi og innovationsniveau

Pionerprojektet var nyt og lignende værktøjer er ikke umiddelbart at finde på markedet. Nogle virksomheder benytter droner til at indhente viden om tilstand/vedligehold, men implementeringen af machine learning algoritmer til at forudsige levetid/tilstand og til at gennemgå billeder bidrager til udviklingen af ny teknologi. Nye teknologier er velkomne i denne del af branchen, da der ikke er mange andre nye værktøjer, andet end at der sidder folk og gennemgår indhentet data manuelt.

Next step

Når projektet videreudvikle , skal der udvikles yderligere AI til at forudsige relevante bygningsdele ud fra bygningens data og læse tekster i offentlige databaser. Derudover skal de eksisterende AI’er videreudvikles til at kunne håndtere flere typer bygningsdele og suppleres med yderligere træningsdata for at hæve præcisionen i forudsigelserne. Ideelt skulle der bygges en sidste AI ind, der kunne modtage bruger feedback, implicit viden og erfaring.