Brick und Haystack: Semantische Modelle für Gebäudedaten einfach erklärt

Wer Teil 1 dieser Serie gelesen hat, kennt das Problem: Ein Datenpunkt namens «AHU_01_T_SUP» sagt dem einen Techniker sofort, dass es sich um die Zulufttemperatur einer Lüftungsanlage handelt, dem nächsten aber gar nichts. Und ein Monitoring-System, das diesen Datenpunkt auswerten soll, weiss ohne zusätzliche Information nicht, ob es sich um einen Messwert, einen Sollwert oder einen Grenzwert handelt, zu welchem Gerät er gehört und in welchem Raum dieses Gerät steht. Genau hier setzen semantische Modelle an. Sie beschreiben nicht nur den Namen eines Datenpunkts, sondern seine Bedeutung und seine Beziehungen zu anderen Datenpunkten und Anlagenteilen.

Dieser zweite Teil der Serie erklärt, was semantische Modelle leisten, wie sich die beiden verbreitetsten Ansätze, Brick Schema und Project Haystack, unterscheiden, und wann sich der Aufwand für ein solches Modell im Gebäudebetrieb lohnt. Wir zeigen das an konkreten Beispielen aus Lüftung und Heizung und gehen auch auf ASHRAE Standard 223P ein, der beide Welten miteinander verbinden soll.

Was «Semantik» im Kontext von Gebäudedaten bedeutet

Das Wort Semantik kommt aus der Sprachwissenschaft und bedeutet schlicht: Bedeutungslehre. Im Kontext von Gebäudedaten geht es darum, einem Datenpunkt nicht nur einen Bezeichner zu geben, sondern ihm eine maschinenlesbare Bedeutung zuzuweisen.

Ein einfaches Beispiel: Die Gebäudeautomation liefert einen Wert von 22,4. Ohne Kontext ist dieser Wert wertlos. Ist es eine Temperatur? In Grad Celsius oder Kelvin? Gehört er zur Zuluft, zur Abluft oder zum Raum? Zu welcher Anlage? In welchem Stockwerk? Ein semantisches Modell beantwortet all diese Fragen, indem es den Datenpunkt mit Klassen, Eigenschaften und Beziehungen beschreibt. Das Ergebnis ist ein Datenpunkt, den nicht nur ein Mensch, sondern auch ein Algorithmus oder ein Analysewerkzeug korrekt einordnen kann.

Das ist kein akademisches Thema. Wer heute Energiemonitoring, Fehlerdiagnose oder Betriebsoptimierung über mehrere Gebäude hinweg betreiben will, stösst ohne Semantik schnell an Grenzen. Jedes Gebäude hat andere Bezeichnungen, andere Strukturen, andere Hersteller. Ohne ein gemeinsames Modell muss jede Analyse neu konfiguriert werden, von Hand, für jedes Gebäude einzeln.

Project Haystack: Bedeutung durch Tags

Project Haystack ist ein offenes Tagging-Modell, das ursprünglich aus der Praxis der Gebäudeautomation entstanden ist. Die Grundidee ist einfach: Jedem Datenpunkt werden strukturierte Schlüsselwörter, sogenannte Tags, zugewiesen. Diese Tags beschreiben, was der Datenpunkt ist, wozu er gehört und welche Einheit er trägt.

Ein Datenpunkt für die Zulufttemperatur einer Lüftungsanlage könnte in Haystack mit den Tags «air», «temp», «sensor», «supply» und «ahu» versehen werden. Haystack 4, die aktuelle Version, führt das Konzept der «Defs» ein: Definitionen, die Tags formal beschreiben und miteinander in Beziehung setzen. Damit wird aus einer losen Sammlung von Schlüsselwörtern ein strukturiertes Vokabular.

Der grosse Vorteil von Haystack liegt in der Praxisnähe. Das Modell ist relativ leicht zu verstehen, viele Hersteller von Gebäudeautomations- und Monitoring-Systemen unterstützen es bereits, und der Einstieg ist auch ohne tiefes Informatikwissen möglich. Haystack-Tags können direkt in Datenpunktlisten oder in der Konfiguration von Managementsystemen gepflegt werden.

Die Grenzen zeigen sich, wenn die Beziehungen zwischen Datenpunkten und Anlagenteilen komplex werden. Haystack beschreibt gut, was ein Datenpunkt ist. Es beschreibt weniger präzise, wie Anlagenteile miteinander verbunden sind, welche Komponente welche andere versorgt oder wie der Luftstrom durch eine Anlage fliesst. Für einfache Monitoring-Aufgaben reicht das oft. Für komplexe Analysen stösst man an Grenzen.

Brick Schema: Bedeutung durch Ontologie

Brick Schema geht einen Schritt weiter. Es ist eine Ontologie, also ein formales Modell, das nicht nur Klassen und Eigenschaften beschreibt, sondern auch explizite Beziehungen zwischen Objekten. Brick basiert auf dem Resource Description Framework (RDF) und wird in der Turtle-Notation geschrieben. Das klingt technisch, und das ist es auch. Brick ist ein Werkzeug für Fachleute, die mit Datenmodellen und semantischen Technologien vertraut sind.

Was Brick leistet, lässt sich am besten an einem Beispiel zeigen. In einem Brick-Modell ist nicht nur bekannt, dass ein Datenpunkt die Zulufttemperatur einer Lüftungsanlage misst. Es ist auch modelliert, dass dieser Temperatursensor zur Zuluftseite eines bestimmten Lüftungsgeräts gehört, dass dieses Gerät einen bestimmten Raum oder eine bestimmte Zone versorgt, und dass dieser Raum zu einem bestimmten Stockwerk und Gebäude gehört. Alle diese Beziehungen sind maschinenlesbar und können von Abfragesprachen wie SPARQL ausgewertet werden.

Ein Analysetool, das auf einem Brick-Modell aufbaut, kann deshalb Fragen beantworten wie: «Zeige mir alle Zulufttemperaturen in Räumen, die von Lüftungsgeräten mit Wärmerückgewinnung versorgt werden, und vergleiche sie mit den Aussentemperaturen der letzten 30 Tage.» Diese Abfrage funktioniert, ohne dass jemand die Anlage kennt, weil das Modell die nötigen Beziehungen bereits enthält.

Der Preis für diese Mächtigkeit ist Aufwand. Ein vollständiges Brick-Modell eines mittelgrossen Gebäudes zu erstellen, erfordert Fachkenntnis, Zeit und Werkzeuge. Es ist kein Projekt für einen Nachmittag. Brick eignet sich deshalb besonders dort, wo der Nutzen über viele Gebäude und lange Zeiträume anfällt, also bei grossen Portfolios, bei Forschungsprojekten oder bei Betreibern, die systematisch Analysen über Gebäude hinweg betreiben wollen.

Ein Beispiel aus der Lüftung

Nehmen wir eine einfache Lüftungsanlage mit Zuluft, Abluft, Wärmerückgewinnung und einem Nachheizregister. Die Anlage versorgt drei Bürozonen.

In einer klassischen Datenpunktliste stehen vielleicht 40 bis 60 Datenpunkte mit Bezeichnungen wie «LU01_ZUL_T», «LU01_ABL_T», «LU01_WRG_EFF» und «LU01_NHR_POS». Ein erfahrener Techniker liest daraus die Anlage heraus. Ein Monitoring-System, das diese Anlage mit einer anderen Anlage in einem anderen Gebäude vergleichen soll, kann das nicht, weil die Bezeichnungen im anderen Gebäude anders lauten.

Mit Haystack-Tags wird aus «LU01_ZUL_T» ein Datenpunkt mit den Tags «air», «temp», «sensor», «supply», «ahu» und einer Referenz auf das Gerät «LU01». Das Monitoring-System kann jetzt alle Zulufttemperaturen aller Lüftungsanlagen im Portfolio finden, unabhängig davon, wie die Datenpunkte heissen.

Mit Brick kommt die Topologie dazu. Das Modell beschreibt, dass «LU01» ein Lüftungsgerät ist, das die Zonen «Büro 1.01», «Büro 1.02» und «Büro 1.03» versorgt, dass es eine Wärmerückgewinnung enthält, und dass der Nachheizregister der Wärmerückgewinnung nachgeschaltet ist. Ein Analysetool kann jetzt nicht nur Temperaturen vergleichen, sondern auch prüfen, ob die Wärmerückgewinnung korrekt arbeitet, indem es Zu- und Ablufttemperaturen vor und nach dem Wärmetauscher in Beziehung setzt.

Ein Beispiel aus der Heizung

Bei Heizungsanlagen ist die Topologie oft noch wichtiger. Eine Heizungsanlage mit mehreren Heizkreisen, Mischventilen, Pumpen und Heizkörpern hat viele Datenpunkte, die nur im Zusammenhang Sinn ergeben. Die Vorlauftemperatur eines Heizkreises ist nur dann aussagekräftig, wenn man weiss, welche Räume dieser Heizkreis versorgt, welche Aussentemperatur gerade herrscht und wie die Heizkurve parametriert ist.

In einem Brick-Modell sind diese Beziehungen explizit. Der Heizkreis ist mit den Räumen verbunden, die er versorgt. Der Temperatursensor ist dem Heizkreis zugeordnet. Die Heizkurve ist als Parameterobjekt modelliert. Ein Analysetool kann damit automatisch erkennen, ob die Vorlauftemperatur zur Aussentemperatur passt, und einen Alarm auslösen, wenn die Abweichung systematisch ist. Das ist Betriebsoptimierung, die nicht von einem Techniker konfiguriert werden muss, der die Anlage kennt, sondern die aus dem Modell heraus funktioniert.

Für kleinere Heizungsanlagen mit wenigen Heizkreisen reicht Haystack oft aus. Die Tags beschreiben die Datenpunkte ausreichend, und ein erfahrenes Monitoring-Team kann die Beziehungen manuell herstellen. Bei grossen Anlagen mit vielen Heizkreisen, Unterstationen und Zonen lohnt sich der Mehraufwand für Brick.

ASHRAE Standard 223P: Brücke zwischen den Welten

ASHRAE Standard 223P ist ein semantisches Modell speziell für Gebäudesysteme, das in den letzten Jahren entwickelt und kürzlich veröffentlicht wurde. Es baut auf Brick auf und erweitert es um eine präzisere Beschreibung von Verbindungen und Flüssen innerhalb von Anlagen. Das Ziel ist, die Topologie von Gebäudesystemen so zu modellieren, dass Analysen und Simulationen direkt auf dem Modell aufbauen können.

223P ist noch nicht weit verbreitet, und es ist zum jetzigen Zeitpunkt kein Modell, den man in einem normalen Gebäudeprojekt voraussetzen kann. Es lohnt sich aber, ihn im Auge zu behalten, besonders für Betreiber, die langfristig in semantische Modellierung investieren wollen. 223P könnte mittelfristig dazu beitragen, dass Brick-Modelle und Haystack-Tags stärker aufeinander abgestimmt werden und dass Analysetools portabler werden.

Für die Praxis heute bedeutet das: Wer jetzt mit Brick oder Haystack beginnt, sollte die Grundprinzipien von 223P kennen und sein Modell so aufbauen, dass eine spätere Erweiterung möglich ist. Das ist keine grosse Zusatzarbeit, aber es verhindert, dass man in zwei Jahren von vorne beginnen muss.

Aufwand und Nutzen: Wann lohnt sich Semantik?

Die ehrliche Antwort auf diese Frage lautet: Es kommt darauf an. Semantische Modelle sind kein Selbstzweck. Sie lohnen sich dort, wo der Nutzen den Aufwand übersteigt, und das ist nicht in jedem Gebäude der Fall.

Haystack-Tags sind verhältnismässig schnell eingeführt, besonders wenn das Monitoring-System sie bereits unterstützt. Für ein einzelnes Gebäude mit einem überschaubaren Datenpunktbestand kann man in wenigen Tagen eine sinnvolle Tagging-Struktur aufbauen. Der Nutzen zeigt sich sofort: Datenpunkte sind leichter zu finden, Auswertungen lassen sich schneller konfigurieren, und neue Mitarbeitende verstehen die Anlage schneller.

Brick-Modelle sind aufwendiger. Ein vollständiges Modell eines mittelgrossen Gebäudes kann Wochen dauern, je nach Komplexität der Anlage und Qualität der vorhandenen Dokumentation. Der Nutzen zeigt sich vor allem dann, wenn das Modell über viele Gebäude hinweg genutzt wird, wenn Analysen automatisiert werden sollen oder wenn das Modell als Grundlage für Fehlerdiagnose und Betriebsoptimierung dient.

Für Betreiber mit einem grossen Portfolio, also mehrere Dutzend Gebäude oder mehr, ist die Rechnung oft klar: Ohne semantisches Modell muss jede Analyse für jedes Gebäude neu konfiguriert werden. Mit einem Modell kann eine Analyse einmal entwickelt und dann auf alle Gebäude angewendet werden. Das spart nicht nur Zeit, sondern erhöht auch die Qualität der Ergebnisse, weil die Analyse konsistent ist.

Für Betreiber mit einem kleinen Portfolio oder einem einzelnen Gebäude ist die Abwägung schwieriger. Hier empfehlen wir, mit Haystack-Tags zu beginnen und den Aufwand für Brick auf einen späteren Zeitpunkt zu verschieben, wenn der Nutzen klarer ist.

Einstieg im Bestand: Wie man pragmatisch vorgeht

Der häufigste Einwand gegen semantische Modelle lautet: «Wir haben tausende Datenpunkte, die alle anders heissen. Wo sollen wir anfangen?» Das ist ein berechtigter Einwand, und er zeigt, dass der Einstieg im Bestand anders aussieht als bei einem Neubau.

Unser Vorgehen in der Praxis ist folgendes: Wir beginnen mit einer Bestandsaufnahme der vorhandenen Datenpunkte und ihrer Bezeichnungen. Dann identifizieren wir die Datenpunkte, die für die wichtigsten Analysen gebraucht werden, typischerweise Temperaturen, Volumenströme, Energiezähler und Betriebszustände. Diese Datenpunkte werden als erstes mit Tags versehen oder in ein Brick-Modell überführt.

Dieser schrittweise Ansatz hat mehrere Vorteile. Er liefert schnell erste Ergebnisse, ohne dass das gesamte Modell fertig sein muss. Er zeigt, wo die Datenqualität gut ist und wo sie verbessert werden muss. Und er hilft, den Aufwand für das vollständige Modell realistisch einzuschätzen.

Wichtig ist dabei, dass die Modellierung nicht losgelöst von der Datenpunktbezeichnung erfolgt. Wer in Teil 1 dieser Serie «Datenpunktbezeichnung: Warum der Name eines Datenpunkts Geld spart» gelesen hat, weiss, dass eine konsistente Bezeichnung die Grundlage für jede spätere Semantik ist. Ein Datenpunkt, der heute «AHU_01_T_SUP» heisst und morgen «LU01_ZUL_T», lässt sich nur schwer in ein konsistentes Modell überführen.

Ebenso wichtig ist die Verbindung zur Dokumentation. Wenn ein BIM-Modell vorhanden ist, können Anlagenteile und Räume direkt aus dem IFC-Modell in das semantische Modell übernommen werden. Das spart Aufwand und stellt sicher, dass das semantische Modell mit der Gebäudedokumentation übereinstimmt. Mehr dazu zeigt Teil 3 dieser Serie, «BIM to FM: Welche Daten der Betrieb wirklich braucht».

Semantik und Datenqualität

Ein semantisches Modell ist nur so gut wie die Daten, die es beschreibt. Das klingt selbstverständlich, wird aber in der Praxis oft unterschätzt. Ein Brick-Modell, das auf fehlerhaften oder unvollständigen Datenpunkten aufbaut, liefert falsche Analysen, auch wenn das Modell selbst korrekt ist.

Deshalb gehört zur Einführung eines semantischen Modells immer auch eine Prüfung der Datenqualität. Sind die Datenpunkte vollständig? Sind die Einheiten korrekt angegeben? Sind die Zeitstempel konsistent? Werden die Datenpunkte mit der richtigen Abtastrate aufgezeichnet? Diese Fragen sind nicht glamourös, aber sie entscheiden darüber, ob die Analysen, die auf dem Modell aufbauen, verlässlich sind.

Wir behandeln das Thema Datenqualität ausführlich in Teil 4 dieser Serie, «Daten für Monitoring und KI: Was sauber sein muss, bevor Algorithmen helfen». Dort zeigen wir, welche Anforderungen an Vollständigkeit, Konsistenz und Trendaufzeichnung gestellt werden müssen, damit Monitoring und automatisierte Analysen funktionieren.

Der rote Faden zu unseren Fachbeiträgen

Dieser Artikel ist Teil 2 der Serie «Gebäudedaten nutzbar machen». Teil 1, «Datenpunktbezeichnung: Warum der Name eines Datenpunkts Geld spart», legt die Grundlage: Eine konsistente Bezeichnung ist die Voraussetzung für jede spätere Semantik. Teil 3, «BIM to FM: Welche Daten der Betrieb wirklich braucht», zeigt, wie BIM-Daten und semantische Modelle zusammenwachsen und welche Informationen der Betrieb tatsächlich braucht. Teil 4, «Daten für Monitoring und KI: Was sauber sein muss, bevor Algorithmen helfen», behandelt die Datenqualität als Grundlage für automatisierte Analysen.

Wer sich für die Grundlagen der Gebäudeautomation interessiert, findet in unserer Serie «GA verstehen» einen guten Einstieg, insbesondere in «GA verstehen, Teil 1: Was ist Gebäudeautomation, und was nicht?». Wer bereits konkret über Datenpunkte und BACnet-Objekte nachdenkt, findet in «BACnet Objekte verstehen, Teil 1: Was ist ein BACnet-Objekt?» und in «Datenpunktlisten & Beschriftungsregeln: Die unsichtbare Grundlage des Betriebs» weiterführende Informationen. Für Betreiber, die Energiemonitoring aufbauen wollen, empfehlen wir «Energiemonitoring aufbauen: was brauche ich wirklich?» und «Datenqualität im Monitoring: warum falsche Zähler falsche Entscheide erzeugen».

Fazit

Semantische Modelle wie Brick Schema und Project Haystack lösen ein reales Problem: Sie beschreiben nicht nur den Namen eines Datenpunkts, sondern seine Bedeutung und seine Beziehungen zu anderen Datenpunkten und Anlagenteilen. Damit werden Analysen portabel, Monitoring-Systeme verständlicher und Betriebsoptimierung skalierbarer.

Haystack ist der pragmatische Einstieg. Tags sind schnell vergeben, viele Systeme unterstützen sie bereits, und der Nutzen zeigt sich rasch. Brick ist mächtiger, aber aufwendiger. Es lohnt sich besonders für grosse Portfolios, für automatisierte Analysen und für Betreiber, die langfristig in Dateninfrastruktur investieren wollen. ASHRAE 223P ist ein Blick in die Zukunft, der zeigt, wohin die Entwicklung geht.

Der Einstieg im Bestand ist möglich, auch ohne alles auf einmal zu modellieren. Wichtig ist, mit den Datenpunkten zu beginnen, die für die wichtigsten Analysen gebraucht werden, und die Modellierung schrittweise auszubauen. Die Grundlage dafür ist immer eine konsistente Datenpunktbezeichnung und eine verlässliche Datenqualität.

Sie haben Fragen dazu?

Sie überlegen, ob Haystack-Tags oder ein Brick-Modell für Ihr Portfolio sinnvoll ist, oder Sie möchten wissen, wie Sie im Bestand pragmatisch einsteigen können? Wir besprechen das gerne mit Ihnen und zeigen, welcher Ansatz zu Ihrer Situation passt. Schreiben Sie uns unter info@wenget.ch oder besuchen Sie wenget.ch.

Quellenverzeichnis

• Brick Schema, Open-Source-Ontologie für Gebäudedaten, brickschema.org
• Project Haystack, Tagging-Modell für Gebäudeautomation und Energiedaten, Haystack 4 mit Defs, project-haystack.org
• ASHRAE Standard 223P, Semantisches Modell für Gebäudesysteme (ASHRAE, aktueller Stand prüfen)
• SN EN ISO 16484-5 (SIA 386.155): Datenkommunikationsprotokoll BACnet, Objektmodell und Objektnamen
• SN EN ISO 16484-3: Gebäudeautomation, Funktionen
• SIA 2051, Merkblatt: Building Information Modelling (BIM), Grundlagen zur Anwendung der BIM-Methode
• SN EN ISO 19650: Informationsmanagement mit BIM, Informationsanforderungen (AIR, EIR)
• Eigene Projekterfahrung der WENGET GmbH aus GA-Planung, Datenpunktanalysen und Betriebsbegleitung