Aktuelle Forschungsprojekte

Tieftemperaturtribologie

Leistungsprüfung an Kältemittelverdichtern

Prüfverfahren für Außenluftfilter

Prüfstand für Ventilatoren nach DIN EN ISO 5801

Lüftungsgerät mit akustischer Regelungsoption

Modulares Speichersystem für solare Kühlung

Prüfverfahren für elektrische Komponenten

Untersuchung von Kühlsolen

Wärmekraftmaschinen

3D - Strömungssensor

Bewertungsverfahren für Systeme mit Sekundärluft und Raumwirkung

Leistungsangebot der Lecksuche und Dichtheitsprüfung

Entwicklung hydrolysebeständiger Hotmelt-Klebeverbunde für Prozessluft- und Klimaanwendungen unter Einhaltung hygienischer Anforderungen

Befeuchtungsanlage für hochreine Gase

Nachweis der Lagerbeständigkeit von Kryoröhrchen

Software für die TGA-Planung

Sie befinden sich hier: Startseite / Forschung und Entwicklung

Klimatechnik-Betriebsoptimierung mittels maschinellem Lernen

BMWi Euronorm Innokom

01/2019–05/2021

Dr.-Ing. Thomas Oppelt

+49-351-4081-5321

E-Mail senden

in Bearbeitung

Klimasysteme intelligent regeln – hoher Komfort bei niedrigem Energiebedarf

Motivation

Die Energieeffizienz vieler klimatechnischer Systeme bleibt im Betrieb deutlich unterhalb des bei der Planung prognostizierten Wertes. Eine Ursache dafür ist, dass insbesondere komplexe Systeme mit mehreren Erzeugern, Speichern und Abnahmestellen häufig nicht optimal betrieben werden.

Ziel des Projekts

Entwicklung eines Betriebsoptimierungs-Tools für klimatechnische Systeme unter Verwendung von Methoden des maschinellen Lernens (ML) und Daten aus dem digitalen Gebäudemodell (Building Information Model, BIM):

Optimierungsziel: hohe Energieeffizienz bei gleichzeitig hoher Nutzerzufriedenheit

Einsparung von Betriebskosten, Energie und Kohlendioxidemissionen durch Effizienzsteigerung

fortlaufende selbstständige Verbesserung des ML-Algorithmus durch Lernen aus neuen Messdaten mit autoadaptiver Reaktion auf sich ändernde Bedingungen (Gebäude, Anlage, Nutzung, Smart-Meter für Echtzeitabrechnung von Energie und Medien, etc.)

Lösungsansatz

Abbildung des thermisch-energetischen Verhaltens des realen Systems im Maschinen-Lern-System, Anlernen mittels BIM- und Messdaten sowie anhand eines digitalen Zwillings des Realsystems