View this page in English

Jo Rasmus Beermann

B.Eng.
Fakultät für Anlagen, Energie- und Maschinensysteme Institut für Technische Gebäudeausrüstung (TGA)

Jo Rasmus Beermann

Campus Deutz
Betzdorfer Straße 2
50679 Köln
Raum HW 1-71 Postanschrift


  • Telefon+49 221-8275-4481

Sprechstunden

Dienstag, 13.00 bis 14.00 Uhr
Campus Deutz, Betzdorfer Str. 2, Raum HW-2 66

Funktionen

  • Wissenschaftlicher Mitarbeiter

Lehrgebiete

  • Grundlagen der Gebäudeautomation
  • Grundlagen der Regelungstechnik

Forschungsgebiete

  • Industrie 4.0: Konzeptionierung und Implementierung von Informationsmodellen als digitale Repräsentanten von Automationskomponenten.
  • Semantische Interoperabilität: Interaktion in semantisch heterogenen Sprachräumen auf Basis von Natural Language Processing.
  • Gewinnung von Strukturinformationen aus semantisch heterogenen Gebäudeautomationsnetzen durch Mustererkennung mittels Künstlicher Intelligenz
    Übergeordnetes Ziel des Projekts ist die Entwicklung einer Methode, um Gebäude mit vorhandenen GA-Netzwerken automatisiert in eine TMon-Plattform integrieren zu können. Damit eine möglichst geringe Hemmschwelle zur Integration eines TMon besteht, soll der Implementierungsaufwand auf ein nötiges Minimum reduziert werden. Im Vordergrund steht die Entwicklung eines Algorithmus, der unstrukturierte und semantisch heterogene Betriebsdaten den jeweiligen Anlagenkomponenten und Betriebszuständen zuordnet. Die so aus den GA-Netzwerken generierten Strukturinformationen bilden die Basis für die Erstellung automatisierter TMon-Anwendungen. Damit der Algorithmus bei der Generierung eine möglichst hohe Genauigkeit erreicht, werden die Daten in verschiedenen Zwischenschritten aufbereitet. Diese bilden einzelne Teilziele des Projekts: - Abbildung der heterogenen Kommunikationstechnologien und Datenpunkte der TGA auf ein gemeinsames Informationsmodell - Entwicklung eines Fragebogens, der zur Erstellung eines ersten Profils für die verbaute Anlagentechnik dient. - Reduzierung der potenziellen Zuordnungsmöglichkeiten eines Datenpunkts durch Auswertung von Metadaten - Verarbeitung der semantisch heterogenen Informationen der Datenpunkte durch Semantic Matching basierend auf NLPMethoden - Verhaltensanalyse von Datenpunkten und Vergleich mit zu erwartendem Verhalten in der TGA Durch die Anwendung dieser Zwischenschritte wird der Algorithmus für die Datenpunkte eine Prognose abgeben, welcher Anlagenkomponente / welchem Betriebszustand ein Datenpunkt zuzuordnen ist. Die Visualisierung des TMon wird auf einer Cloud-Plattform umgesetzt. Basierend auf der installierten Anlagentechnik des jeweiligen Gebäudes werden in der TMon-Plattform automatisiert anwendungsbezogene Dashboards erstellt. Diese werden Nutzer dabei unterstützen, einen ressourcenschonenden Anlagenbetrieb umzusetzen. Als Abschluss wird die entwickelte Methodik in unterschiedlichen Gebäuden unterschiedlicher Typen praxisnah realisiert. Projektpartner: - Fördermittelgeber: Zukunft Bau Laufzeit: 01.01.2023 bis 31.12.2024
  • Erstellung eines Language Models zur Umsetzung eines Semantic-Search Algorithmus für ECLASS-Merkmale
    Standardisierte Produktstammdaten ermöglichen die interoperable Interaktion in Industrie 4.0 Wertschöpfungsnetzwerken. In diesem Zusammenhang hat sich ECLASS als Standard etabliert. Die Abbildung bestehender, z.B. herstellerspezifischer Kataloge auf den ECLASS-Standard ist jedoch mit einem hohen manuellen Aufwand verbunden. Für die Merkmale der Kataloge müssen passende Merkmale im ECLASS Standard identifiziert und abgebildet werden. Der Einsatz intelligenter Algorithmen, basierend auf künstlicher Intelligenz, kann die Suche nach Produktmerkmalen in semantischen Standards verbessern. Dies erleichtert den Einstieg und die Nutzung eines Standards wie ECLASS. Für einen Hersteller ist es beispielsweise möglich, Produktbeschreibungen durch intelligente Suchalgorithmen (teil-)automatisiert zu übersetzen. Aktuelle intelligente Suchalgorithmen (Semantic-Search) basieren auf Methoden aus dem Bereich künstlichen Intelligenz, genauer dem Natural Language Processing. Konkret werden Language Models verwendet, die Sprache in einer für Maschinen verständlichen Form erfassen. Im Gegensatz zur Schlagwortsuche (Keyword-Search), bei der Zeichenketten auf Übereinstimmung verglichen werden, erfassen diese Modelle die Bedeutung des Suchbegriffs und können so einen definierten Informationskorpus (z.B. einen semantischen Standard wie ECLASS) nach relevanten Inhalten durchsuchen. Ziel des Projektes ist die Entwicklung eines Language Models, welches für die Suche von ECLASS-Merkmalen optimiert ist. Dieses Language Model verwendet den Namen und die Beschreibung eines proprietären Merkmals und vergleicht diese mit den Namen und Beschreibungen der ECLASS-Merkmale. Als Grundlage für die Entwicklung des Language Models können vortrainierte Sprachmodelle mit einem allgemeinen Sprachverständnis verwendet werden. Diese Modelle werden anschließend auf den ECLASS-Standard durch ein sogenanntes Fine-Tuning angepasst. Während des Fine-Tunings lernt ein Sprachmodell selbstständig, unbekannte Merkmale auf den ECLASS-Standard abzubilden. Grundlage für das Fine-Tuning ist ein Datensatz, der aus Paaren von unbekannten Merkmalen und zugehörigen ECLASS-Merkmalen besteht. Projektpartner: ECLASS, Neoception Projektzeitraum: 1.8.2023-31.1.2024
    ECLASS-Search-Demo
  • Automated Monitoring Applications for Existing Buildings Through Natural Language Processing Based Semantic Mapping of Operational Data and Creation of Digital Twins
    Maximilian Both, Björn Kämper, Alina Cartus, Jo Beermann, Thomas Fessler, Jochen Müller, Christian Diedrich, Oktober 2023, Hg.: Energy and Buildings
    https://doi.org/10.1016/j.enbuild.2023.113635
  • Comparison of different natural language processing models to achieve semantic interoperability of heterogeneous asset administration shells
    Jo Beermann, Rebekka Benfer, Maximilian Both, Jochen Müller, Christian Diedrich, 18.7.2023, Hg.: IEEE INDIN Conference 2023
2018 bis 2022 Technische Hochschule Köln
Energie- und Gebäudetechnik (Bachelor Eng.)
Seit WS 2022/23 Technische Hochschule Köln
Green Building Engineering (Master Sc.)
Seit WS 2022/23 Technische Hochschule Köln
Wissenschaftlicher Mitarbeiter am Institut für technische Gebäudeausrüstung

nach oben
M
M