Aktuelle Forschungsprojekte

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

Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff

Prüfverfahren und Prüfvorrichtungen für ABEK Filterelemente

Pulse-Tube Kryokühler

Prüfung mobiler Leckdetektoren nach DIN EN 14624

Nichtinvasive Strömungsmessung

Zustands- und Schadensanalysen

Befeuchtungsanlage für hochreine Gase

Beladungssensor für Adsorptionsfilter

ML-basierte Module für intelligente TGA-Planungssoftware

Kryostate aus GFK oder Metall

Untersuchungen nach DIN EN ISO 14903

Testzentrum PLWP am ILK

CO2-Trockeneis-Sublimation zur Tieftemperaturkühlung

All-In-One Gerät für Gefriertrocknung und Biomaterialherstellung

Filterprüfungen

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