AI og prædiktiv vedligeholdelse af elevatorer og tekniske installationer i 2026

En elevator, der står stille i en boligblok med ældre beboere. En cirkulationspumpe, der svigter en januarnat. Et ventilationsaggregat i en skole, hvor en rem knækker midt i eksamensperioden. Det fælles for den slags nedbrud er, at de sjældent kommer ud af det blå. Fejlen har som regel været undervejs i uger – som stigende vibrationer, et højere strømforbrug, en dør der lukker lidt langsommere, eller en temperatur der ikke helt rammer setpunktet.

Alligevel drives de fleste bygningers tekniske installationer stadig efter to principper: fast kalender (service hver tredje eller sjette måned, uanset tilstand) eller reaktiv reparation (vi ringer, når det er gået i stykker). Prædiktiv vedligeholdelse er det tredje princip: service efter faktisk tilstand og forventet udvikling, baseret på data. Og det er netop her, AI i 2026 er gået fra pilotprojekt til standardtilbud hos de store leverandører.

Fra kalender til tilstand

Vedligeholdelse af tekniske installationer kan groft deles i tre niveauer:

• Reaktiv: Man reparerer, når noget går i stykker. Billigt på papiret, dyrt i praksis – akutte udkald, følgeskader, utilfredse brugere og ofte længere nedetid, fordi reservedelen ikke er på lager.
• Forebyggende (kalenderbaseret): Service med faste intervaller. Det fanger mange fejl, men betyder også, at komponenter udskiftes, før det er nødvendigt – mens fejl, der udvikler sig mellem to besøg, ikke opdages.
• Prædiktiv (tilstandsbaseret): Løbende driftsdata analyseres, og service planlægges, når data viser, at en komponent er på vej mod en fejl. Teknikeren kommer, når der er brug for det, og ved på forhånd, hvad der skal kigges på.

Ifølge McKinsey kan prædiktiv vedligeholdelse generelt reducere nedetid med op til 50 % og vedligeholdelsesomkostninger med 10-40 %. Tallene stammer især fra industrien, men mekanismen er den samme i bygninger: færre akutte udkald, færre følgeskader og bedre udnyttelse af komponenternes levetid.

Elevatorer: det mest synlige eksempel

Elevatorer er det område, hvor prædiktiv vedligeholdelse er længst fremme i bygninger. Det skyldes både, at et nedbrud mærkes med det samme, og at de store producenter har investeret massivt i opkoblede tjenester. Moderne elevatorer har styringer, der registrerer hver tur, hver dørcyklus, motorens belastning og bremsens opførsel. Kombineret med ekstra sensorer kan en model se, når en dør begynder at lukke anderledes, når motoren trækker mere strøm end normalt, eller når antallet af mindre fejlhændelser stiger.

KONE oplyser, at deres 24/7 Connected Services identificerer mere end 70 % af fejlene proaktivt, og tilbyder i Danmark AI-baseret prædiktiv service (KONE Care Smart) med løbende ydelses- og risikoanalyser – også for elevatorer af andre mærker. Tilsvarende tjenester findes hos bl.a. Schindler, TK Elevator og Otis. Flere leverandører stiller desuden API’er til rådighed, så elevatorens status kan indgå i bygningens øvrige systemer.

Lovkravene står ved magt

I Danmark ligger prædiktiv vedligeholdelse ovenpå lovpligtig kontrol – ikke i stedet for den. Arbejdstilsynets regler kræver, at elevatorer har løbende kontrol og vedligeholdelse udført af en certificeret sagkyndig virksomhed, typisk med kontrolintervaller på 2-12 måneder afhængigt af elevatortype, og periodisk inspektion af et akkrediteret inspektionsorgan, typisk hvert 2.-3. år. Ejeren har ansvaret for, at elevatoren til enhver tid er sikker, og at kontrollen er dokumenteret. Data fra opkoblede elevatorer kan gøre den løbende kontrol mere målrettet og dokumentationen mere komplet, men de lovpligtige besøg forsvinder ikke.

Pumper, ventilation og varme: de skjulte installationer

Elevatoren er synlig. De fleste andre tekniske installationer står i kælderen eller på taget, og en begyndende fejl opdages ofte først, når brugerne klager over kulde, træk eller dårlig luft.

Pumper i varme- og brugsvandsanlæg er et oplagt mål. Nyere elektronisk styrede pumper registrerer selv effektforbrug, flow, tryk og driftstimer. Danske Grundfos tilbyder fx BuildingConnect, der overvåger og optimerer pumper, energimålere, varmevekslere og ventiler i bygninger og giver besked, når der opstår uhensigtsmæssigheder. En pumpe, der bruger mere strøm for at levere det samme flow, er et klassisk tegn på slid eller tilstopning.

Ventilationsaggregater afslører deres tilstand via tryktab over filtre, ventilatorernes effektforbrug og varmegenvindingens virkningsgrad. Et AI-lag kan skelne et filter, der er ved at stoppe til, fra en ventilator med lejeslid – og planlægge filterskift efter faktisk belastning frem for fast kalender.

Varmepumper og køleanlæg viser begyndende fejl som faldende COP, hyppigere afrimning, højere kompressortemperatur eller usædvanligt mange starter. Varmecentraler kan overvåges via fremløbs- og returtemperaturer, afkøling og ventilstillinger – dårlig afkøling er ofte tegn på en defekt ventil eller en tilsmudset varmeveksler.

Anvendelserne i overblik

Hvor AI gør forskellen

Overvågning af driftsdata er ikke nyt – CTS-anlæg har sendt alarmer i årtier. Forskellen ligger i tre ting:

• Individuelle normalmønstre: En fast alarmgrænse passer sjældent til alle anlæg. Maskinlæring lærer, hvordan netop denne pumpe opfører sig ved denne udetemperatur og dette tidspunkt, og reagerer på afvigelser, der ligger langt under en klassisk alarmgrænse.
• Mange signaler på én gang: En enkelt måling er sjældent entydig. En kombination af lidt højere strømforbrug, lidt flere starter og en lidt lavere virkningsgrad kan derimod pege klart på en bestemt fejl.
• Prioritering: I en portefølje med hundredvis af anlæg er udfordringen ikke at finde afvigelser, men at vide, hvilke der haster. AI kan rangere varslinger efter sandsynlighed og konsekvens, så driftspersonalet bruger tiden rigtigt.

Den samme logik ligger bag automatisk fejldetektion (FDD) i moderne bygningsautomation – og Bygningsreglementets §295, der fra 1. januar 2026 stiller krav om bygningsautomatik i bygninger med varme- eller kølekapacitet over 290 kW, kræver netop, at systemet kan detektere fejl og underrette driftspersonalet.

Hvor gevinsten er størst

• Boligorganisationer og ejendomsselskaber med mange elevatorer, hvor et nedbrud rammer beboere, der er afhængige af elevatoren, og hvor akutte udkald er dyre.
• Hospitaler, plejecentre og institutioner, hvor driftssikkerhed er kritisk, og hvor nedetid har konsekvenser for mennesker, ikke kun komfort.
• Skoler og kommunale ejendomme, hvor teknikken ofte er spredt over mange bygninger med få driftsfolk, og hvor fjernovervågning sparer kørsel.
• Kontorer, centre og hoteller, hvor elevatorer, rulletrapper og ventilation er en del af brugeroplevelsen, og hvor §295 i forvejen stiller krav om automatik.
• Facility management-virksomheder, der kan bruge data til at gå fra timebaserede til ydelsesbaserede serviceaftaler.

Faldgruber og forudsætninger

Den største barriere er sjældent teknologien, men adgangen til data. Mange elevator- og serviceaftaler giver leverandøren data, men ikke bygningsejeren. Når man indgår eller fornyer aftaler, bør det fremgå, hvem der ejer driftsdata, og om de kan eksporteres via åbne grænseflader – ellers bliver bygningen låst til én leverandør. For ældre anlæg uden indbygget forbindelse kan eftermonterede sensorer være en løsning, men de skal monteres og vedligeholdes, og de giver kun mening, hvor et nedbrud har mærkbare konsekvenser.

Varslinger skal desuden have en modtager og en procedure. En model, der korrekt forudser et pumpenedbrud, er værdiløs, hvis advarslen ender i en indbakke, ingen læser. Og endelig erstatter hverken data eller AI den faglige vurdering: det er stadig en autoriseret tekniker eller sagkyndig virksomhed, der vurderer, reparerer og står inde for sikkerheden.

Hvad betyder det for danske bygningsejere?

Prædiktiv vedligeholdelse er ikke længere forbeholdt industrien. De store elevatorproducenter tilbyder det som standard, nyere pumper og aggregater leverer selv data, og §295 skubber erhvervsbygninger i retning af automatisk fejldetektion. For bygningsejere handler det i 2026 mindre om om og mere om hvordan: at vælge de anlæg, hvor et nedbrud koster mest, at sikre adgang til egne data, og at koble varslingerne til en driftsorganisation, der handler på dem.

Retningen er den samme som i resten af bygningens tekniske drift: fra kalender og mavefornemmelse til data og tidlig varsling. Ingen installation holder evigt. Men det er i stigende grad et valg, om den går i stykker en januarnat – eller bliver repareret en tirsdag formiddag, inden nogen opdagede, at der var noget galt.