Refine
Year of publication
- 2023 (2)
Document Type
- Conference Proceeding (1)
- Report (1)
Language
- German (2)
Has Fulltext
- no (2) (remove)
Is part of the Bibliography
- no (2)
Keywords
- Abschlussbericht (1)
- Abwärme (1)
- Gebäudemonitoring (1)
- Maschinelles Lernen (1)
- Reinraum (1)
- Spritzgießen (1)
Institute
- Zentrum für Forschung, Entwicklung und Transfer (2) (remove)
Bei der Planung von Produktionsumgebungen, insbesondere in der Reinraumtechnik, spielt die erwartete Kühllast eine entscheidende Rolle bei der Auslegung der Anlagen. Aufgrund unzureichender Datenbasis werden Klimaanlagen oft nur mit groben Schät-zungen dimensioniert. Um einen reibungslosen Betrieb zu gewährleisten, sind konser-vative Schätzungen und Sicherheitsfaktoren unerlässlich. Allerdings führen diese Maßnahmen oft zu überdimensionierten Anlagen, die weit außerhalb des energeti-schen Optimums operieren und somit den Energieverbrauch unnötig in die Höhe trei-ben. Im Folgenden soll deshalb eine Möglichkeit betrachtet werden, um die im Betrieb anfallende Abwärme von Spritzgussmaschinen quantifizieren zu können.
Es wird eine Massenstrombilanz der Spritzgussmaschine einschließlich Temperierung und Automatisierung erstellt. Darauf aufbauend wird eine detaillierte Energiebilanz ab-geleitet. Hierbei wird das Gesamtsystem in die Bestandteile Spritzgussmaschine (ein-schließlich Antriebe, Steuerung und Plastifiziereinheit), Spritzgusswerkzeug, Temperiergerät und Automatisierung geteilt. Da die Wärmeverluste nicht direkt gemes-sen werden können, werden diese bilanziell auf Basis der Energiebilanz bestimmt. Dazu werden die restlichen Bilanzgrößen durch detaillierte Messungen bestimmt. Da neben der Abwärme weitere Energieströme nicht durch Messungen erfasst werden können sind teilweise Näherungsrechnungen notwendig. Die Abwärme wird exempla-risch an einer hydraulischen und einer elektrischen Spritzgussmaschine bestimmt. Auf dieser Datenbasis werden Vereinfachungen abgeleitet, um die Abwärme ähnlicher Spritzgussmaschinen gezielter abschätzen zu können.
Gebäuden haben einen Anteil von 40% am deutschen Gesamtenergiebedarf und sind damit eine entscheidende Stellschraube beim Erreichen der Klimaziele. Der Energiebedarf von Gebäuden wird von der Gebäudehülle und der Gebäudetechnik bestimmt. Ein Großteil der Gebäudetechnik wird nicht in optimaler Weise betrieben. So können durch die Analyse des Gebäudes im Rahmen eines technischen Monitorings und anschließender Optimierung, Energieeinsparungen im Bereich von 5% bis 30% erzielt werden. Mit der Optimierung der Gebäudetechnik kann der Energiebedarf von Gebäuden ohne zusätzlichen Ressourcenaufwand reduziert werden. Jedoch ist die Implementierung eines technischen Monitorings in Gebäuden aufwändig und wird daher, trotz des möglichen Einsparpotentials, in nur wenigen Gebäuden umgesetzt.
Um die Verbreitung von technischem Monitoring, und damit die Analysemöglichkeiten von Gebäuden, voranzutreiben, wurde im Projekt EnOB: InSitu Nachweisverfahren erforscht, wie mit geringem Aufwand Rückschlüsse auf den Zustand von Gebäude getroffen werden können. Hierfür wurde untersucht welche Parameter gemessen werden müssen um aus einem einfachen Basismonitoring, das üblicherweise in situ stattfindet, Aussagen zur Gebäudequalität, Anlagenqualität und Nutzerverhalten treffen zu können. Der Schwerpunkt der Untersuchungen im Projekt wurde zum einen auf Untersuchungen zur Detektierung der Anwesenheit von Personen in Räumen gelegt, als auch auf die automatische Fehlererkennung von Anlagenfehlern. Dabei war ein maßgeblicher Arbeitsaufwand die Entwicklung geeigneter Versuchsreihen und die Aufbereitung der Daten. Für die Umsetzung wurden Messungen in einer Forschungswohnung, als auch im Labor für intelligente Gebäudetechnik, kurz LiGT, erzeugt. Im Rahmen des Projekts wurde das LiGT umgebaut und mit entsprechender Mess- und Gebäudetechnik ausgestattet. Für die Analysen der Daten wurden Methoden des Maschinellen Lernens und der Statistik, wie zum Beispiel Random Forest und LASSO, eingesetzt. Für die Erkennung der Anwesenheit sind drei Messreihen durchgeführt worden. Darunter ein Versuch mit zwei realen Personen, ein Versuch mit fünf künstlichen Nutzern und ein weiterer Versuch mit der Kombination von Simulations- und Messdaten. Um das Ziel der kostengünstigen Analyse zu erreichen, sollten ohnehin in Gebäuden verfügbare Raumklimasensoren verwendet werden. Die Analyse erfolgte daher auf Raumebene. Unter der Verwendung von CO2-, Temperatur-, Feuchtesensoren in den Innenräumen und Solarstrahlungs- und Temperatursensoren im Außenbereich konnte die Personenanzahl im Raum mit hoher Genauigkeit bestimmt werden. Für die Anwesenheit von bis zu fünf Personen wurde eine Trefferquote von 86,5% und für den Versuch mittels Simulationen eine Sensitivität von mindestens 83% und eine Spezifität von mindestens 97% erzielt.
Für die automatische Fehlererkennung wurden zwei unterschiedliche Ansätze untersucht. Beim ersten Ansatz, welcher auch im Rahmen des Annex 71 vorgeschlagen wurde, wurde ein statistisches Modell mit Messdaten aus einem fehlerfreien Zeitraum trainiert. Mithilfe diesem Modells werden Abweichungen vom fehlerfreien Zustand identifiziert. Dazu wurden Simulationen der Zwillingshäuser am Fraunhofer Institut für Bauphysik in Holzkirchen verwendet anhand welcher die entwickelte Methoden getestet wurde. Mit dem Ansatz konnte fehlerbehaftete Zeiträume identifiziert werden, jedoch nicht die Art des Fehlers. Im zweiten Ansatz wurden die Fehler selbst simuliert und als Trainingsdaten für die statistischen Modelle verwendet. Zur Validierung des Verfahrens wurden Daten eines realen Gebäudes analysiert. Zur Generierung der Messdaten wurden im LiGT Messungen durchgeführt. Hierbei wurden zu unterschiedlichen Zeitpunkten drei unterschiedliche Fehler künstlich herbeigeführt. Die Qualität der Fehlererkennung ist dabei maßgeblich von der Qualität der Simulation und der Art des Fehlers abhängig. Im Projekt wurden sowohl Methoden zur Anwesenheitserkennung, als auch zur automatisierten Fehlererkennung von Anlagen entwickelt. Diese Erkenntnisse können in einem Basismonitoring zur Untersuchung von Gebäudequalität, Anlagenqualität und Nutzerverhalten verwendet werden. Automatisierte Methoden haben in Zukunft einen wesentlichen Einfluss auf den Erfolg und die Anwendbarkeit von technischem Monitoring.