Im Zusammenhang mit dem Ziel der Minderung treibhauswirksamer Gase und der Senkung des CO₂-Ausstoßes spielt auch die Kontrolle der korrekten Funktion von Kälteanlagen eine wichtige Rolle. Der aktuelle Stand der Technik ist dadurch gekennzeichnet, dass vorrangig nur einfache Überwachungsfunktionen wie Grenzwertüberwachungen und Trendanalysen genutzt werden, um Änderungen im typischen Anlagenbetrieb zu erkennen. Im Rahmen des Verbund-Projektes EnBeKa II soll daher ein intelligentes Monitoring von Betriebsdaten entwickelt werden, um vorhandene Energieeinsparpotenziale zu heben und die Anlagenverfügbarkeit von gewerblichen Kälteanlagen zu erhöhen.

Im Fokus dieses Forschungsthemas stehen neben dem Aufbau und der Nutzung eines Anlagen-Monitorings auch komplexe Fehlererkennungsmethoden als Werkzeug zur Erkennung von Anlagenproblemen. Ein wichtiges Teilgebiet nehmen Neuronale Netze ein, die in der Kältetechnik bisher noch nicht etabliert sind. Durch Nutzung dieser Technologie soll ermöglicht werden, Anlagenbetriebszustände als typisch bzw. untypisch zu bewerten, um dann, weiterführend, anhand von Expertenwissen oder unter Ausnutzung einer Datenbasis historischer Störfälle Prognosen über einen potenziell bevorstehenden Anlagenausfall treffen zu können.

Ein Neuronales Netz wird zunächst in einer bestimmten Größe und Architektur vordefiniert und anschließend anhand von Betriebsdaten stimuliert. Das Netz lernt bestimmte Eigenschaften der Anlagen anhand der Betriebsdaten zu klassifizieren. Es bildet sich eine Neuronenkarte mit häufig oder selten aktivierten Neuronen aus. Die unterschiedlichen Bereiche der Karte können in ihrer Bedeutung anhand der verwendeten Prozessdaten ausgewertet werden (Abb. 1, Abb. 3).

In der praktischen Umsetzung lassen sich damit, je nach angewandter Lernmethodik, Karten erzeugen, die bestimmte, auffällige Bereiche im Anlagenbetrieb widerspiegeln. Dies kann helfen, potenzielle Anlagenprobleme zu analysieren und den Anlagenbetrieb zu optimieren.

Im Rahmen des Projektes konnten bis jetzt verschiedene Betriebsdaten analysiert werden. Je nach Untersuchungszenario kann das Netz optimiert gestaltet und antrainiert werden. Da der zum Training verwendete Datensatz aus verschiedensten Eingangsprozessgrößen und Randinformationen besteht, lassen sich tiefergehend Einflüsse auf aufgetretene Störereignisse untersuchen. Anhand der Kenntnis der Störsymptome lassen sich Zusammenhänge aufdecken, die Optionen zur Beseitigung der Störursachen oder (im Rahmen einer Fehlerfrüherkennung) Möglichkeiten zum Monitoring auf diese Störeigenschaften eröffnen.