Aktuelle Forschungsprojekte

Prüfstände für Kälte- und Wärmepumpentechnik

RauMLuft.ROM | ROM - basierte Vorhersage von Raumluftströmungen mit maschinellem Lernen

Wärmekraftmaschinen

Seminar Lecksuche / Dichtheitsprüfung in der Kältetechnik

Entwicklung von Handlungsempfehlungen für praxisgerechte Lüftungskonzepte und Entwicklung eines CO2-Berechnungstools

Nachweis der Lagerbeständigkeit von Kryoröhrchen

Leistungsmessung an Wärmeübertragern

KLAR

Massenspektrometer

Prüfstände zur Messung der Luftleistung

StellarHeal – Wound Healing in Space and on Earth

Beladungssensor für Adsorptionsfilter

Phasenauflösende numerische Simulation von Suspensionen

Zustands- und Schadensanalysen

Pulse-Tube Kryokühler

Mikrowärmeübertrager in der Kältetechnik

Sie befinden sich hier: / Startseite

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