Aktuelle Forschungsprojekte

Apparatur und Verfahren zur Degradationsprüfung

Phasenauflösende numerische Simulation von Suspensionen

Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff

Kryoflüssigkeitspumpen für tiefkalt verflüssigte Gase wie z.B. LIN, LOX, LHe, LH2, LNG, LAr

Ressourcenoptimierung und Beschleunigung von Strömungssimulationen mittels künstlicher Intelligenz

Zertifizierung von effizienten Klima- und Lüftungsanlagen durch das neue „Qualitätssiegel Raumlufttechnik“ für Nichtwohngebäude

Untersuchungen an Deckenkühlgeräten

Sole (Wasser)-Wärmepumpen

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

Heat2Power

Zustands- und Schadensanalysen

Lüftungsgerät mit akustischer Regelungsoption

Kältemittel- und Kältemaschinenöl-Untersuchungen

Drallfrei unterwegs...

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

Entwicklung eines schnellen Rechenverfahrens..

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