Knowledge Graphs und Digital Twins: zwei Ebenen für intelligente Gebäude

Knowledge Graphs und Digital Twins sind keine konkurrierenden Technologien. Sie adressieren unterschiedliche Ebenen eines digitalen Systems: Ein Knowledge Graph strukturiert Wissen über ein reales System und macht technische Zusammenhänge explizit. Ein Digital Twin beschreibt dagegen üblicherweise Zustände, Modelle und dynamisches Verhalten (Tao et al. 2019). Auf die Nomenklatur gehen VanDerHorn & Mahadevan (2021) ausführlich ein.

Gerade im Gebäudebetrieb ist diese Trennung relevant, da je nach Anwendungsfall eine unterschiedliche digitale Basis notwendig ist.

Vom Datenpunkt zum technischen Zusammenhang

Knowledge Graphs repräsentieren Wissen als Netzwerk aus Entitäten und Beziehungen. Ji et al. beschreiben sie als strukturierte Repräsentationen von Fakten, bestehend aus Entitäten, Relationen und semantischen Beschreibungen.

In der Gebäudetechnik könnte ein solcher Zusammenhang beispielsweise lauten:

• Sensor 4711 misst Zulufttemperatur zwischen Heiz- und Kühlregister und hat die Einheit °C
• Sensor 4711 gehört zu Lüftungsanlage AHU-01
• AHU-01 versorgt Zone A in Gebäude B

Der Mehrwert liegt nicht allein in der Graphstruktur. Ji et al. (2022) und Zhong et al. (2023) betonen die Bedeutung von Hintergrundwissen, etwa in Form von Regeln, Schemata oder sonstigen Metainformationen.

Für Gebäudedaten bedeutet das: Ein Messwert erhält seinen fachlichen Wert erst durch seinen Kontext – also durch die Information, was gemessen wird, an welcher Komponente und in welchem technischen Zusammenhang. Datenspeicherung in Knowledge-Graphen ist damit eine zentrale Anforderung an „AI-Ready-Strukturen“ für komplexe Aufgaben in technischen Systemen, wird aber in der Praxis wenig oder garnicht genutzt.

Die Rollen zwischen Knowledge Graph und Digital Twin lassen sich vereinfacht unterscheiden: Vergleich Knowledge Graph vs. Digital Twin

Die Grenzen sind dabei nicht starr. Auch Knowledge Graphs können zeitliche Informationen und Zustandsänderungen abbilden. Entscheidend ist weniger die Dynamik der Daten als die Funktion der jeweiligen Modellierung.

Aufeinander aufbauende Ebenen

Die aktuelle Forschung betrachtet Knowledge Graphs als zentrale Grundlage weiterführender Anwendungen. Karabulut et al. (2024) nennen insbesondere die Integration heterogener Datenquellen, die semantische Interoperabilität sowie ihre Funktion als Basis für nachgelagerte Systeme – darunter ausdrücklich Digital Twins. Wie diese Ebenen zusammenspielen können, zeigt das Gebäudebeispiel von Thomsen et al. (2026): die Gebäudetopologie und technische Beziehungen werden zunächst mithilfe von Ontologien semantisch beschrieben. Aus diesem Modell wird anschließend ein Simulationsmodell erzeugt.

Vereinfacht entsteht eine Architektur aus: Semantik, Systemmodell, Simulation und Optimierung.

Der Knowledge Graph bildet die semantische Grundlage; der Digital Twin ergänzt darauf aufbauend in einem Anwendungsfall unterschiedliche dynamische Simulationsmodelle des Systemverhaltens.

Nicht jede Anwendung benötigt ein vollständiges Simulationsmodell

Für Szenarioanalysen oder die die Simulation zukünftiger Betriebsstrategien kann ein detaillierter Digital Twin erheblichen Mehrwert liefern. Sein Aufbau ist jedoch mit Aufwand verbunden. Schmidt et al. (2026) und Thomsen et al. (2026) nennen hohe Implementierungskosten und die Abhängigkeit von Expertenwissen als wesentliche Hürden für eine breitere Anwendung.

Viele Fragestellungen im technischen Gebäudebetrieb erfordern dagegen zunächst keine vollständige Simulation:

• Läuft eine Anlage entsprechend ihrer vorgesehenen Funktion?
• Welche Komponenten sind von einer Abweichung betroffen?
• Welche technische Ursache erklärt ein auffälliges Betriebsverhalten?
• Welche Maßnahme sollte geprüft werden?

Dafür sind vor allem semantischer Kontext, technisches Domänenwissen und die Fähigkeit zur Schlussfolgerung erforderlich.

Knowledge Graph oder Digital Twin?

Für intelligente Gebäudesysteme ist diese Gegenüberstellung letztlich zu kurz gegriffen.

Ein Knowledge Graph stellt die semantische Ebene bereit: Er beschreibt Objekte, ihre Bedeutung und ihre Beziehungen.

Ein Digital Twin kann diese Struktur für dynamische Modelle nutzen und damit Simulation, Prognose und Szenarienrechnungen skalierbar ermöglichen.

Für viele Anwendungen im Gebäudebetrieb, insbesondere bei Bestandsgebäuden liegt der erste wesentliche Schritt jedoch davor: aus heterogenen Gebäude- und Anlagendaten eine belastbare, maschineninterpretierbare Repräsentation des technischen Systems zu erzeugen.

FaciliMind von DiLT Analytics: Von der Semantik zur technischen Diagnose

FaciliMind setzt daher effizient auf der Knowledge-Graph Ebene an. Maschinenlesbare Mess- und Metadaten werden automatisiert semantisch erschlossen und in einem dynamischen Knowledge-Graph-System strukturiert. Technische Objekte, Messgrößen und Beziehungen werden mit einer domänenspezifischen Modellierung gebäudetechnischer Anlagen verknüpft. Das Datenmodell wurde speziell für automatisierte, komplexe Fehlerdiagnosen optimiert.

Eine Temperatur, Ventilstellung oder ein Volumenstrom wird dadurch nicht als isolierte Zeitreihe betrachtet, sondern als Bestandteil eines technischen Systems.

Diese semantische Ebene wird mit Regeln, Inferenz und Machine Learning kombiniert. Die Architektur verbindet damit explizites technisches Wissen mit datengetriebenen Verfahren. Schmidt et al. bescheinigen solchen Kombinationen eine große Bedeutung für Nachvollziehbarkeit und Qualität in industriellen Anwendungen.

FaciliMind kann dadurch Analysen bereits auf Basis von Anlagenstruktur, Semantik und Domänenwissen durchführen und Machine-Learning-Modelle dort ergänzen, wo sie zusätzlichen Erkenntnisgewinn liefern.

Knowledge Graph und Digital Twin sind damit aus unserer Sicht keine alternativen Zielbilder, sondern unterschiedliche Ebenen derselben digitalen Architektur. Welche benötigt wird, hängt vom jeweiligen Anwendungsfall ab.

---

Quellen:

Ji, S., Pan, S., Cambria, E., Marttinen, P., & Yu, P. S. (2022). A survey on knowledge graphs: Representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, 33(2), 494–514. https://doi.org/10.1109/TNNLS.2021.3070843

Karabulut, E., Pileggi, S. F., Groth, P., & Degeler, V. (2024). Ontologies in digital twins: A systematic literature review. Future Generation Computer Systems, 153, 442–456. https://doi.org/10.1016/j.future.2023.12.013

Schmidt, W. J., Rincon-Yanez, D., Kharlamov, E., & Paschke, A. (2026). LLMs on the rise: Neuro-symbolic AI for knowledge graph construction in manufacturing: Systematic literature review. IEEE Access, 14, 28383–28410. https://doi.org/10.1109/ACCESS.2026.3665999

F. Tao, H. Zhang, A. Liu and A. Y. C. Nee (2019). Digital Twin in Industry: State-of-the-Art, in IEEE Transactions on Industrial Informatics, vol. 15, no. 4, pp. 2405-2415, April 2019, doi: 10.1109/TII.2018.2873186.

Thomsen, A. M. S., Bjørnskov, J., & Jradi, M. (2026). Ontology-driven digital twins for optimized recommissioning of hospital building operations. Journal of Building Engineering, 121, 115627. https://doi.org/10.1016/j.jobe.2026.115627

VanDerHorn, E., & Mahadevan, S. (2021). Digital Twin: Generalization, Characterization and Implementation. Decision Support Systems, 145, Article 113524. https://doi.org/10.1016/j.dss.2021.113524

Zhong, L., Wu, J., Li, Q., Peng, H., & Wu, X. (2023). A comprehensive survey on automatic knowledge graph construction. ACM Computing Surveys, 56(4), Article 94, 1–62. https://doi.org/10.1145/3618295