Oktober 2025
Bluebot helpt Hogeschool Rotterdam bij slim gebouwbeheer
‘Met bestaande data is vaak al veel mogelijk’
De meeste utiliteitsgebouwen zijn uitgerust met een GBS, maar benutten deze vaak nog onvoldoende. Vanuit die visie ontwikkelde Breijer de Bluebot, een concept om een GBS optimaal af te stemmen op het gebouw, het gebruik, het comfort en energiegebruik. Maar wie eenmaal inziet hoeveel waarde er in gebouwdata schuilt, ontdekt dat er nog veel meer mogelijk is. Zo zet Hogeschool Rotterdam de Bluebot in om de lokalen effectiever te benutten en op termijn zelfs vierkante meters te besparen.
Breijer, onderdeel van facilitair dienstverleningsbedrijf Facilicom, houdt zich in brede zin bezig met technische dienstverlening. ‘We proberen daarbij met een andere blik te kijken naar de beschikbare data en de mogelijkheden om deze slim in te zetten. Daarop ontwikkelen we onze dienstverlening’, vertelt Michel Maassen, teamleider gebouwautomatisering bij Breijer. ‘De Bluebot is daar een voorbeeld van. Dit concept kwam voort uit de behoefte om veilig, secuur en merkonafhankelijk data uit gebouwbeheersystemen te halen. Die data zetten we vervolgens op verschillende manieren in voor gebouwautomatisering, energiebesparing en andere facilitaire toepassingen.’
Veel data
In de meeste gebouwen is al veel data beschikbaar, maar deze wordt volgens Maassen nog onvoldoende benut. ‘Onze dienstverlening was in eerste instantie vooral gericht op storingsmeldingen en alarmen die uit gebouwbeheersystemen kwamen. Maar met de data in zo’n GBS is veel meer mogelijk. We hebben applicaties ontwikkeld waardoor we niet alleen op afwijkingen kunnen reageren, maar ook anticiperen.’
‘Denk bijvoorbeeld aan een verwarmingssysteem dat uitvalt. Wij kunnen dit al signaleren en soms zelfs oplossen voordat de gebruiker merkt dat er iets mis is. Oplossen kan in sommige gevallen zelfs automatisch. We hoeven dan geen monteur te sturen, waarmee we kosten en reisbewegingen – en dus ook CO2-uitstoot – besparen. Is er wel een monteur op locatie nodig, dan kunnen we deze gericht op pad sturen, omdat we al op afstand zien waar het probleem vandaan komt.’
In 2019 lanceerde Breijer de eerste versie van de Bluebot, die vanaf daar verder is ontwikkeld. ‘Een volgende stap is het implementeren van AI. We hebben inmiddels een enorme database aan alarmen die de afgelopen jaren binnenkwamen. Doordat de Bluebot daar context aan toevoegt, kan zo’n AI bijvoorbeeld uit zichzelf handelen als er een alarm binnenkomt.’
Hoe Breijer de Bluebot precies doorontwikkelt, laat het vooral afhangen van wensen uit de praktijk. ‘We denken mee met de klant. Per case kijken we eerst: wat is het probleem dat we willen oplossen en welke data hebben we hiervoor nodig? In het begin ging het vooral om comfort en energiebesparing. Dat is nog steeds een belangrijke reden om de Bluebot toe te passen, maar we gebruiken het inmiddels ook voor heel andere toepassingen.’
1. In het rooster is te zien welke lokalen op welke momenten zijn gereserveerd.
Aanbod-gestuurd
‘Een mooi voorbeeld vind ik het inspelen op netcongestie’, gaat Maassen verder. ‘Nog altijd regelen we 80 tot 90 procent van onze gebouwen volledig op basis van de actuele buitentemperatuur en de energievraag op dat moment. Dat is achterhaald, zeker nu we met netcongestie te maken hebben. We moeten juist naar een systeem dat regelt op basis van verwachte energievraag in het gebouw. Het opwekken, leveren en eventueel opslaan van warmte en koude gebeurt dan op momenten dat er veel duurzame energie beschikbaar is, of als het net minder belast is.’
‘De Bluebot kan daarbij helpen. Deze vergelijkt bijvoorbeeld de data uit het gebouw met data en weersvoorspellingen van het KNMI. Op basis daarvan bepaalt het systeem het optimale moment om te verwarmen of te koelen, zodat dit zoveel mogelijk gebeurt wanneer veel duurzame energie beschikbaar is.’
Daarbij gaat op 1 januari 2026 de GACS-verplichting in. Utiliteitsgebouwen met een verwarmings- of aircosysteem met een nominaal vermogen vanaf 290 kW moeten vanaf dan beschikken over een systeem dat onder meer verwarmings-, koelings-, ventilatiesystemen kan monitoren en aansturen. ‘Het is niet zo dat je de Bluebot aanschaft en daarmee direct aan die verplichting voldoet. Maar het systeem is wel een hulpmiddel voor wie met deze eisen te maken krijgt. Gebouweigenaren kunnen aantonen dat ze de energiestromen in kaart hebben, realtime kunnen monitoren en waar nodig kunnen bijsturen.’
‘Met de data in een GBS is veel meer mogelijk’
Hogeschool Rotterdam
Maar de mogelijkheden van de Bluebot gaan verder dan het monitoren en slim aansturen van energiestromen. Dat blijkt bijvoorbeeld op de locatie Academieplein van de Hogeschool Rotterdam. Energiecoördinator Wouter Sjoerdsma ontdekte hoe de hogeschool de beschikbare data op deze locatie kan inzetten om meerdere problemen op te lossen. ‘Toen ik met Breijer in contact kwam, ging dat in eerste instantie over hoe we met ons GBS het energiegebruik van de klimaatinstallaties konden verminderen’, vertelt hij. ‘Maar daarnaast was er nog een vraagstuk waarbij ze ons verder konden helpen.’
‘Een probleem waar wij binnen de Hogeschool Rotterdam mee kampen, is de bezetting van onze lokalen en andere ruimtes. Aan het begin van elk kwartaal maken we een rooster, waarmee duidelijk is door wie en op welk moment een lokaal is gereserveerd. Op papier zijn alle lokalen voor die periode dan volgeboekt. Maar in de praktijk zien we veel ‘no-shows’, waardoor lokalen uiteindelijk toch leeg staan. Als we dat goed in kaart brengen, kunnen we oplossingen bedenken om de ruimte efficiënter in te zetten voor het onderwijs. Zo willen we in de komende jaren een of enkele van onze huurpanden afstoten. Dat wordt gemakkelijker als we onze bestaande gebouwen beter gaan benutten.’
2. Een scherm met specifieke informatie over het lokaal, zoals het soort lokaal en de capaciteit, en een tijdlijn met alle metingen.
CO2-sensoren
Ook hier lag de oplossing in het benutten van de data die al beschikbaar waren. ‘We hebben hier een modern gebouw met centrale warmte- en koudeopwekking en een naregeling per ruimte’, schetst Sjoerdsma. ‘Voor de naregeling zijn al onze lokalen al voorzien van CO2- en bewegingssensoren. De informatie uit die sensoren konden we gebruiken om te zien welke lokalen daadwerkelijk in gebruik zijn. De bewegingsmelders signaleren of er iemand in de ruimte aanwezig is. De CO2-sensoren geven een indruk van hoeveel mensen dit zijn. Het exacte aantal kunnen we hier niet uithalen, maar wel een indicatie: is de bezettingsgraad hoog, midden of laag?’
‘Het was belangrijk om eerst goed te formuleren wat we precies wilden meten. We wilden inzicht in het aantal no-shows, zodat we konden bepalen welke lokalen we in de toekomst vrij kunnen geven. De bewegingssensoren geven hiervoor de juiste informatie. Voor de bepaling of een ruimte de passende omvang heeft voor de hoeveelheid aanwezigen hoeven we niet de exacte bezetting te weten; de indicatie vanuit de CO2-sensoren is voldoende. Onze grootste collegezaal biedt bijvoorbeeld plaats aan 213 studenten. Als we dan zien dat deze zaal voor minder dan de helft vol zit, dan weten we dat we hier volgende keer een kleinere zaal voor kunnen boeken. Juist onze collegezalen zijn schaars, dus daarmee kunnen we, zonder heel nauwkeurige data, toch al een grote efficiëntieslag slaan.’
Dashboard
De benodigde data waren dus al aanwezig en de Bluebot helpt om deze aan het roostersysteem te koppelen. ‘Omdat de locatie Academieplein al over een modern GBS beschikt – in dit geval van Priva – is het voor de Bluebot makkelijker om deze data uit te lezen’, legt Maassen uit. ‘Het systeem haalt de sensorinformatie uit het GBS en brengt deze in kaart in een overzichtelijk dashboard. Deze is op maat ontwikkeld, zodat de data die worden uitgelezen en weergegeven precies voldoen aan de wensen van de hogeschool.’
Sjoerdsma laat zien hoe dat dashboard eruitziet. In het rooster (afbeelding 1) is te zien welke lokalen op welke momenten zijn gereserveerd. De gekleurde bolletjes geven aan of van die reservering ook daadwerkelijk gebruik is gemaakt. Een blauw bolletje geeft aan dat de bewegingsmelder binnen de eerste 15 minuten van het tijdvak aanwezigheid heeft waargenomen. Het lokaal is dus in gebruik genomen. Is er geen beweging gedetecteerd, dan krijgt die reservering een groen bolletje. Dit betekent dus een no-show. ‘Op termijn willen we daar nog twee aanduidingen aan toevoegen’, aldus Sjoerdsma. ‘De ‘early leaves’, waarbij het lokaal minstens een uur voor het einde van het tijdvak al is verlaten. En ‘ongepland gebruik’, wanneer een lokaal niet is ingeroosterd, maar wel is gebruikt.’
Voor meer informatie kan de gebruiker een reservering aanklikken. Hij ziet dan een scherm met specifieke informatie over het lokaal, zoals het soort lokaal en de capaciteit, en een tijdlijn met alle metingen. ‘Dit scherm (afbeelding 2) laat bijvoorbeeld zien dat er rond 6:00 uur voor het eerst beweging gedetecteerd in het lokaal, maar pas vanaf 8:30 uur neemt ook de hoeveelheid CO2 in het lokaal aanzienlijk toe. Waarschijnlijk is er ’s ochtends vroeg iemand binnengekomen, bijvoorbeeld een schoonmaker. Tussen 8:30 en 12:00 uur ligt de zwarte grafiek hoger, waaraan we kunnen zien dat er toen wel een grotere groep mensen aanwezig was. In de middag zien we dat het lokaal ook in gebruik was, maar dat de hoeveelheid CO2 een stuk lager lag. Toen waren er dus slechts enkele mensen aanwezig.’
Na veel brainstormen, testen en verbeteren ging de tool op Academieplein begin dit jaar live.
Waardevolle inzichten
Na veel brainstormen, testen en verbeteren ging de tool op Academieplein in januari van dit jaar live. Sjoerdsma is positief over wat deze sindsdien heeft opgeleverd. ‘Dat er no-shows waren, was al bekend. Maar nu kunnen we dat met cijfers ondersteunen: onze tool toont aan dat 20 tot 25 procent van de reserveringen een no-show oplevert. Dat verandert ook de discussies binnen onze organisatie. Ik kan nu hard maken dat we met minder vierkante meters nog steeds voldoende lokalen beschikbaar kunnen stellen. Hopelijk leidt dit ook tot een gedragsverandering. Het huidige systeem werkt ‘handdoekje leggen’ in de hand: als alle lokalen op papier steeds vol zijn, zijn docenten sneller geneigd om alvast voor de zekerheid een ruimte te reserveren. En dat heeft weer extra no-shows tot gevolg.’
De tool leverde ook nieuwe inzichten op. ‘Wanneer iemand een tentamen moet organiseren voor 180 studenten, reserveert diegene bijvoorbeeld zes lokalen met elk 30 plaatsen. Maar dankzij de tool ontdekten we dat het geregeld gebeurt dat slechts de helft van de studenten daadwerkelijk het tentamen maakt. Drie van de zes lokalen zijn dan dus overbodig. Dat zijn waardevolle inzichten, want pas als we het zien, kunnen we over oplossingen gaan praten.’
‘Pas als we het zien, kunnen we over oplossingen gaan praten’
Nieuwe tool
Alle inzichten leidden tot de ontwikkeling van een nieuwe tool. Momenteel zijn Hogeschool Rotterdam en Breijer namelijk bezig om de beschikbare data ook te gebruiken om het rooster van hun schoonmakers te optimaliseren.
Sjoerdsma: ‘Elke ochtend gaat het gebouw om 06:30 uur open zodat de schoonmakers voldoende tijd hebben om voor de start van de colleges alle lokalen schoon te maken. Maar in lokalen die niet zijn gebruikt of die de komende dag leeg blijven, is dit uiteraard niet nodig. Ook daarvoor kunnen we deze informatie inzetten. De schoonmakers kunnen dan efficiënter werken. Bovendien kunnen ze overdag aan de slag in lokalen die dan leeg staan en kunnen ze ’s ochtends dus later beginnen. Dat heeft weer tot gevolg dat ook onze klimaatinstallaties pas later inschakelen, waarmee we weer energie besparen.’
Opnieuw zijn de data dus al aanwezig, maar de partijen denken wel goed na over hoe de nieuwe tool eruit moet zien. Dit gaat verder dan simpelweg het kopiëren van de bestaande roostertool. ‘In de huidige tool hebben we bijvoorbeeld relevante data voor alle lokalen, maar niet voor de toiletten, de kantoorruimtes enzovoort. Ook kunnen we bijvoorbeeld een mogelijkheid toevoegen waarbij de tool zelf een looproute uitstippelt voor de schoonmaker. We moeten dus eerst met het schoonmaakbedrijf om tafel om hun wensen en eisen in kaart te brengen. Pas als we precies weten hoe de tool eruit moet zien, kan Breijer deze volledig op maat ontwikkelen.’
Andere locaties
Vanaf het begin leeft de wens om de tool uiteindelijk ook naar de andere locaties van de Hogeschool Rotterdam te vertalen. ‘Academieplein was een goede locatie om te beginnen, omdat alles hier al perfect is ingericht’, vertelt Sjoerdsma. ‘Op onze nieuwbouwlocaties en sommige bestaande locaties zijn de benodigde sensoren en installaties ook al aanwezig, maar dit geldt niet altijd in de overige panden. We moeten per ruimte kunnen meten, dus overal zijn sensoren nodig. Dat is duur. Daarom moeten we per situatie goed kijken hoe we dit aanpakken. Juist daarom was het goed om het systeem eerst op Academieplein te testen. De lessen die we hier opdoen, zijn erg waardevol om uiteindelijk ook onze andere panden te optimaliseren. Dan kunnen we pas echt gaan besparen op onze vierkante meters.’
Tekst: Rob van Mil
Fotografie: iStock/Pixelbizz, Breijer