Teilvorhaben: Fehlersimulation, -erkennung, und -diagnose

Das ILK Dresden widmet sich innerhalb des Verbundprojektes GOKAS dem Themenkomplex Fehlererzeugung, -erkennung und –diagnose. Unter Anwendung von Methoden des Machine Learnings soll das Anlagenmonitoring für Feldanlagen vor allem aus dem Bereich der gewerblichen Kälteerzeugung auf ein neues Level gehoben werden.

Ziel ist das Erkennen von Störungen im Betrieb von Kälteanlagen bevor es zum Effizienzverlust oder Anlagenausfall kommt. Hierfür sollen Prozessdaten mit innovativen Technologien (z. B. Machine Learning) ausgewertet werden, um den fehlerfreien Anlagenbetrieb von einem gestörten Betrieb automatisch zu unterscheiden.

Hierfür werden zunächst fehlerfreie Betriebsdaten an einer Laboranlage erzeugt und in nachfolgenden Projektschritten durch verschiedene Manipulationen sukzessive mit Fehlern unterlegt. Die Fehlererkennung soll mit geeigneten Machine Learning Methoden umgesetzt werden; hierfür wird das Potenzial Neuronaler Netze genutzt. Im Rahmen der Entwicklung werden geeignete KI-Modelle für die Anlagenüberwachung gesucht und deren Wirksamkeit erprobt. Die für die Entwicklung notwendige Programmierumgebung und -bibliotheken basieren vorrangig auf Python. Ziel ist es, Abweichungen im Betrieb der Anlagen zu erkennen (Parametervergleich, Anlagendrift, ...). Prognosen sollen als zusätzliche Möglichkeit eine modellbasierte Prozessanalyse ermöglichen, um den fehlerbehafteten und den fehlerfreien Anlagenbetrieb voneinander abzugrenzen. Die für die Entwicklung erforderlichen Trainingsdatensätze kommen in einem ersten Schritt aus der Laboranlage. Für einen starken Praxisbezug werden in nachfolgenden Projektschritten Betriebsdaten von Feldanlagen in die Modell-Entwicklung einbezogen und das Spektrum der Überwachungsszenarien somit erweitert.

Im aktuellen Projektabschnitt werden gut/schlecht-Daten von verschiedenen Betriebszuständen der Laboranlage generiert. Diese Daten werden mit verschieden KI-Modellen kombiniert und auf die Erkennung von Betriebszuständen getestet. Im Vordergrund der aktuellen Untersuchungen steht die Bestimmung geeigneter Beobachtungszeiträume für die Überwachung, die Architektur des anzuwendenden KI-Modells, die Qualität der Wiedererkennung eines Betriebszustandes und die dafür aufgewendete Zeit für das Anlernen des Modells. Diese Parameter werden iterativ verändert, um eine hohe Praktikabilität zu erzielen.

Das Verbundprojekt GOKAS ist ein Beispiel für eine themenübergreifende Zusammenarbeit verschiedener Forschungspartner mit dem Ziel, innovative Ansätze der Digitalisierung (z. B. Data Mining, Data Science) und der Computational Intelligence im Anwendungsfeld der Klima- und Kältetechnik voranzutreiben und dadurch die digitale Energiewende zu unterstützen.

Die Hochschule Biberach ist Forschungskoordinator des Vorhabens und beschäftigt sich neben der indirekten Energieeffizienzbewertung mit der Flexibilität und dem Lastmanagement von Kälteanlagen. Die BUILD.ING Consultants + Innovators GmbH aus Nürnberg ist für das Kernziel eines energieoptimierten Gebäudebetriebs durch Anwendung von Machine Learning Methoden verantwortlich. Als vierter Partner ist die Trevisto AG aus Nürnberg als IT Spezialist für Data-Science Anwendungen in dem Projekt eingebunden. Trevisto übernimmt die Datenintegration, das Modelldesign und die Systemintegration für den KI-/ML-Workflow im Projekt.

Partner:

Hochschule Biberach, Institut für Gebäude- und Energiesysteme (IGE)

https://www.hochschule-biberach.de/gokas

BUILD.ING Consultants + Innovators GmbH

https://b-ci.de/

TREVISTO AG

https://www.trevisto.de/forschung/gokas/