Rapporten «Mot en nasjonal feildatabase» bygger på en workshop gjennomført våren 2026, der mer enn 30 deltakere fra over 20 virksomheter delte erfaringer fra prosjektering, installasjon, drift og vedlikehold. Foto: Unsplash
Sist oppdatert: 20-08-2026 Pressemelding
Ny kartlegging skal gi bedre feildeteksjon i ventilasjonsanlegg
En ny kartlegging fra SINTEF og Construction City Cluster har analysert over 200 feil i ventilasjonsanlegg. Mer enn 30 prosent ble oppdaget etter klager fra brukere og leietakere, mens 44 prosent ble funnet i en annen fase enn der deltakerne mente feilen burde vært fanget opp.
Kort oppsummert:
- SINTEF og Construction City Cluster har kartlagt og analysert over 200 feil i ventilasjonsanlegg.
- Mer enn 30 prosent av feilene ble oppdaget gjennom klager fra brukere og leietakere.
- Datadrevne metoder sto for rundt ni prosent av feilene som ble oppdaget.
- 44 prosent av feilene ble oppdaget i en annen fase enn der deltakerne mente de burde vært fanget opp.
- Kartleggingen bygger på en workshop med over 30 deltakere fra mer enn 20 virksomheter innen prosjektering, installasjon, drift og vedlikehold.
- Målet er å etablere en nasjonal feildatabase som senere kan brukes til å utvikle automatisert og KI-basert feildeteksjon i tekniske byggsystemer.
«Mot en nasjonal feildatabase»
Rapporten «Mot en nasjonal feildatabase» bygger på en workshop gjennomført våren 2026, der mer enn 30 deltakere fra over 20 virksomheter delte erfaringer fra prosjektering, installasjon, drift og vedlikehold.
- Skal vi utvikle gode metoder for automatisk feildeteksjon og -diagnostikk og bruk av kunstig intelligens i bygg, må vi først forstå hvilke feil som faktisk oppstår i praksis og vite hvordan de arter seg.
- Rapporten gir oss et godt innblikk i hvordan feilene avdekkes i dag og hvor bransjen mener innsatsen for feildeteksjon burde være.
- Det er viktig lærdom for det videre arbeidet med feildatabasen, sier Kamilla Heimar Johra, prosjektleder og forsker i SINTEF.
jAInitor - Den digitale vaktmesteren
Rapporten er en del av forskningsprosjektet jAInitor - Den digitale vaktmesteren.
Målet er å bygge kunnskapsgrunnlaget som trengs for å utvikle nye data- og AI-drevne løsninger for feildeteksjon, og diagnostikk, slik at driftsansvarlig kan arbeide mer proaktivt med vedlikehold av tekniske bygningssystemer.
En viktig leveranse er å etablere en nasjonal database som systematiserer hvilke feil som oppstår, hvordan de viser seg, og hvilke konsekvenser de får.
På sikt kan kunnskapen danne grunnlag for å utvikle AI-baserte verktøy som kan oppdage feil tidligere enn hva man typisk gjør i dag.
- Rapporten viser verdien av å samle hele verdikjeden rundt et felles utfordringsbilde.
- Når bransjen deler kunnskap på tvers, får forskerne et bedre grunnlag for å utvikle løsninger som svarer på reelle behov, sier Alessia Bellini, prosjektleder i Construction City Cluster.
- Vi har jobbet mange tiår sammen med bransjen for å systematisk begrense feil i prosjektering og installasjon, og avdekke feil i innregulering og drift.
- På samme tid krever automatisk feildeteksjon og -diagnostikk at vi kan identifisere disse med gode dataserier og entydige diagnoser, hvilket er et stort arbeid, sier Kari Thunshelle, seniorforsker i SINTEF.
Metoder skal utvikles og implementers
I neste fase skal forskerne videreutvikle klassifiseringen av feil, samle data fra demonstrasjonsbygg, utvikle og implementerte metoder for automatisk feildeteksjon, og -diagnostikk.
Forskningsprosjekt gjennomføres av SINTEF Community og NMBU med bidrag fra norske industripartnere. Construction City Cluster (CCC), en næringsklynge for bygg-, anleggs- og eiendomsbransjen er formidlingspartner.
Vil du ha nyheter fra bygg, VVS og AI rett i feeden din? Følg oss på LinkedIn eller Facebook:
Kartleggingen er første steg mot en nasjonal database over feil i tekniske bygningssystemer. I neste fase skal forskerne samle data fra demonstrasjonsbygg, videreutvikle klassifiseringen av feil og utvikle metoder for automatisk feildeteksjon og diagnostikk. På sikt er målet å gi driftsansvarlige bedre verktøy for å oppdage problemer før de merkes av brukerne.