Aktuelle Forschungsprojekte

Initiierung eines Lithiumkreislaufes – Recycling von Lithiumbromidlösungen aus Absorptionskälteanlagen (ReLiA)

Korrosionsinhibitor für Ammoniak-Absorptions-Anlagen

Reduktion der Schallemission von Darrieus-Windturbinen

Klimatechnik-Betriebsoptimierung mittels maschinellem Lernen

Untersuchungen nach DIN EN ISO 14903

Rauscharme, nichtmetallische Flüssig-Heliumkryostate

Prüfstandsbau zur Festigkeitsprüfung und Dichtheitsprüfung

Zertifizierbare Verbindungsarten in der Kryotechnik

Korrosionsinhibitor für Absorptionskälteanlagen

Abluftbehandlungsmethode zur Abscheidung von Spurenstoffen in neuen Produktionsverfahren

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

In-Situ-Quellverhalten von Polymeren in brennbaren Fluiden

Platz-integrierte Sekundärluft-Aufbereitung

Wetterschutzhaube mit integrierter nachhaltiger Kühlfunktion | NaKu-WSH

Prüfstände zur Messung der Luftleistung

Industrie-4.0-Membran-Wärme-und-Stoffübertrager (i-MWÜ4.0)

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