<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>1706</id>
    <completedYear>2023</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue>1</issue>
    <volume>5</volume>
    <type>article</type>
    <publisherName>Department of Physics, Federal University Lafia Nasarawa State, Nigeria ; Nigerian Society of Physical Sciences</publisherName>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">A Data-Driven Approach Towards the Application of Reinforcement Learning Based HVAC Control</title>
    <abstract language="eng">Refrigeration applications consume a significant share of total electricity demand, with a high indirect impact on global warming through greenhouse gas emissions. Modern technology can help reduce the high power consumption and optimize the cooling control. This paper presents a case study of machine-learning for controlling a commercial refrigeration system. In particular, an approach to reinforcement learning is implemented, trained and validated utilizing a model of a real chiller plant. The reinforcement-learning controller learns to operate the plant based on its interactions with the modeled environment. The validation demonstrates the functionality of the approach, saving around 7% of the energy demand of the reference control. Limitations of the approach were identified in the discretization of the real environment and further model-based simplifications and should be addressed in future research.</abstract>
    <parentTitle language="eng">Journal of the Nigerian Society of Physical Sciences</parentTitle>
    <identifier type="issn">2714-4704</identifier>
    <identifier type="urn">urn:nbn:de:kobv:526-opus4-17066</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="SourceTitle">Falk, C., El Ghayed , T. ., van de Sand, R., &amp; Reiff-Stephan, J. (2023). A Data-Driven Approach Towards the Application of Reinforcement Learning Based HVAC Control. Journal of the Nigerian Society of Physical Sciences, 5(1), 1244. https://doi.org/10.46481/jnsps.2023.1244</enrichment>
    <enrichment key="DOI_VoR">https://doi.org/10.46481/jnsps.2023.1244</enrichment>
    <licence>Creative Commons - CC BY - Namensnennung 4.0 International</licence>
    <author>Constantin Falk</author>
    <author>Tarek El Ghayed</author>
    <author>Ron van de Sand</author>
    <author>Jörg Reiff-Stephan</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>refrigeration system</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>reinforcement learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>optimized control</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Q-learning</value>
    </subject>
    <collection role="ddc" number="620">Ingenieurwissenschaften und zugeordnete Tätigkeiten</collection>
    <collection role="institutes" number="">Fachbereich Ingenieur- und Naturwissenschaften</collection>
    <collection role="open_access" number="">open_access</collection>
    <collection role="green_open_access" number="1">Gold Open Access</collection>
    <thesisPublisher>Technische Hochschule Wildau</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-th-wildau/files/1706/1244.pdf</file>
  </doc>
  <doc>
    <id>1715</id>
    <completedYear>2023</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>1</pageFirst>
    <pageLast>10</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Hochschule für Technik, Wirtschaft und Kultur</publisherName>
    <publisherPlace>Leipzig</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Modellansatz zur Prozessoptimierung beim hydroadhäsiven Greifen</title>
    <abstract language="deu">Der Produktlebenszyklus von Kleidung ist vor allem durch lange Lieferketten von Niedriglohnländern in Hochlohnländer gekennzeichnet. Die Eliminierung solcher Transportwege könnte dazu führen, dass der komplette Lebenszyklus von Kleidungsware nachhaltiger und umweltfreundlicher wird. Der Aufbau von Produktionsstätten in Hochlohnländern wird aktuell durch technische Herausforderungen des Produktionsprozesses von Kleidung bzw. allgemein biegeschlaffen Materialien verhindert. Aufgrund der Eigenschaften biegeschlaffer Materialien können die Entnahme bzw. definierte Ablage von Textilteilen heutzutage nur teilautomatisiert bzw. mit einem hohen Anteil manueller Tätigkeiten gelöst werden. Das Hydroadhäsive Greifen könnte eine Lösung sein, die oben genannten Prozesse zu automatisieren und die Produktion für Hochlohnländer zu vergünstigen. Jedoch verfügt das Verfahren noch über lange Zykluszeiten und die Haltekräfte sind nicht reproduzierbar. Weiterhin ist die Findung von Einstellparametern sehr zeitaufwendig und komplex. Die Lösung könnte eine intelligente Steuerung sein, dessen Kernstück ein datengetriebenes Modell für die Parameteroptimierung und -findung ist. Im Rahmen der Forschungsarbeiten wird ein Modellansatz zur Optimierung der Taktzeit beim hydroadhäsiven Greifen erarbeitet. Dabei wird die Gewinnung der Datengrundlage, das zu entwickelnde Modell sowie die eigentliche Validierung diskutiert.</abstract>
    <parentTitle language="deu">Tagungsband AALE 2023 : Mit Automatisierungstechnik gegen den Klimawandel</parentTitle>
    <identifier type="isbn">978-3-910103-01-6</identifier>
    <identifier type="urn">urn:nbn:de:kobv:526-opus4-17150</identifier>
    <enrichment key="opus.import.data">@inproceedingsElghayed2023, abstract = "Der Produktlebenszyklus von Kleidung ist vor allem durch lange Lieferketten von Niedriglohnländern in Hochlohnländer gekennzeichnet. Die Eliminierung solcher Transportwege könnte dazu führen, dass der komplette Lebenszyklus von Kleidungsware nachhaltiger und umweltfreundlicher wird. Der Aufbau von Produktionsstätten in Hochlohnländern wird aktuell durch technische Herausforderungen des Produktionsprozesses von Kleidung bzw. allgemein biegeschlaffen Materialien verhindert. Aufgrund der Eigenschaften biegeschlaffer Materialien können die Entnahme bzw. definierte Ablage von Textilteilen heutzutage nur teilautomatisiert bzw. mit einem hohen Anteil manueller Tätigkeiten gelöst werden. Das Hydroadhäsive Greifen könnte eine Lösung sein, die oben genannten Prozesse zu automatisieren und die Produktion für Hochlohnländer zu vergünstigen. Jedoch verfügt das Verfahren noch über lange Zykluszeiten und die Haltekräfte sind nicht reproduzierbar. Weiterhin ist die Findung von Einstellparametern sehr zeitaufwendig und komplex. Die Lösung könnte eine intelligente Steuerung sein, dessen Kernstück ein datengetriebenes Modell für die Parameteroptimierung und -findung ist. Im Rahmen der Forschungsarbeiten wird ein Modellansatz zur Optimierung der Taktzeit beim hydroadhäsiven Greifen erarbeitet. Dabei wird die Gewinnung der Datengrundlage, das zu entwickelnde Modell sowie die eigentliche Validierung diskutiert.", address = "Leipzig", author = "El Ghayed, Tarek and Falk, Constantin and Wilbers, Simon and van de Sand, Ron and Reiff-Stephan, Jörg", booktitle = "Tagungsband AALE 2023", doi = "10.33968/2023.08", isbn = "978-3-910103-01-6", editor = "Reiff-Stephan, Jörg and Jäkel, Jens and Schwarz, André", keywords = "datengetriebenes Modell, Validierung, KI, Cyber-Physical Systems, hydroadhäsives Greifen", language = "ger", pages = "1-10", publisher = "Hochschule für Technik, Wirtschaft und Kultur", title = "Modellansatz zur Prozessoptimierung beim hydroadhäsiven Greifen", subtitle = "Mit Automatisierungstechnik gegen den Klimawandel", year = "2023", note = "19. Konferenz für Angewandte Automatisierungstechnik in Lehre und Entwicklung", crossref = "Reiffstephan2023"</enrichment>
    <enrichment key="opus.import.dataHash">md5:c906005004fab0ffdabc0cbe4b2572ec</enrichment>
    <enrichment key="opus.import.date">2023-03-13T09:28:03+00:00</enrichment>
    <enrichment key="opus.import.file">/tmp/php8CZ2lh</enrichment>
    <enrichment key="opus.import.format">bibtex</enrichment>
    <enrichment key="opus.import.id">640eeca32c1b44.86900008</enrichment>
    <enrichment key="DOI_VoR">https://doi.org/10.33968/2023.08</enrichment>
    <enrichment key="SourceTitle">El Ghayed, T., Falk, C., Wilbers, S., van de Sand, R., &amp; Reiff-Stephan, J. (2023). Modellansatz zur Prozessoptimierung beim hydroadhäsiven Greifen. (J. Reiff-Stephan, J. Jäkel, &amp; A. Schwarz), Tagungsband AALE 2023 : Mit Automatisierungstechnik gegen den Klimawandel. Leipzig: Hochschule für Technik, Wirtschaft und Kultur. doi:10.33968/2023.08</enrichment>
    <licence>Creative Commons - CC BY - Namensnennung 4.0 International</licence>
    <author>Tarek El Ghayed</author>
    <author>Constantin Falk</author>
    <author>Simon Wilbers</author>
    <author>Ron van de Sand</author>
    <author>Jörg Reiff-Stephan</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Datengetriebenes Modell</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Validierung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>KI</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>cyber-physical system</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Hydroadhäsives Greifen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <collection role="ddc" number="620">Ingenieurwissenschaften und zugeordnete Tätigkeiten</collection>
    <collection role="institutes" number="">Fachbereich Ingenieur- und Naturwissenschaften</collection>
    <collection role="open_access" number="">open_access</collection>
    <collection role="green_open_access" number="3">Diamond Open Access</collection>
    <thesisPublisher>Technische Hochschule Wildau</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-th-wildau/files/1715/1715.pdf</file>
  </doc>
  <doc>
    <id>1497</id>
    <completedYear>2021</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>165</pageFirst>
    <pageLast>174</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>TIB Open Publishing</publisherName>
    <publisherPlace>Hannover</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">A Comparison Study of Data-Driven Anomaly Detection Approaches for Industrial Chillers</title>
    <abstract language="eng">Faults in industrial chiller systems can lead to higher energy consumption, increasing wear of system components and shorten equipment life. While they gradually cause anomalous system operating conditions, modern automatic fault detection models aim to detect them at low severity by using real-time sensor data. Many scientific contributions addressed this topic in the past and presented data-driven approaches to detect faulty system states. Although many promising results were presented to date, there is lack of suitable comparison studies that show the effectiveness of the proposed models by use of data stemming from different chiller systems. Therefore this study aims at detecting a suitable data-driven approach to detect faults reliable in different domains of industrial chillers. Thus, a unified procedure is developed, to train all algorithms in an identical way with same data-basis. Since most of the reviewed papers used only one dataset for training and testing, the selected approaches are trained and validated on two different datasets from real refrigeration systems. The data-driven approaches are evaluated based on their accuracy and true negative rate, from which the most suitable approach is derived as a conclusion.</abstract>
    <parentTitle language="eng">2nd German-West African Conference on Sustainable, Renewable Energy Systems (SusRES2021)</parentTitle>
    <identifier type="urn">urn:nbn:de:kobv:526-opus4-14970</identifier>
    <enrichment key="opus.import.date">2021-09-13T09:00:07+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">sword</enrichment>
    <enrichment key="opus.import.file">filename=phpU5DbGK</enrichment>
    <enrichment key="opus.import.checksum">b540a55c7831ca9b70a3b157c0ed5393</enrichment>
    <enrichment key="DOI_VoR">https://doi.org/10.52825/thwildauensp.v1i.33</enrichment>
    <enrichment key="SourceTitle">Falk, C., van de Sand, R., Corasaniti, S., &amp; Reiff-Stephan, J. (2021). A Comparison Study of Data-Driven Anomaly Detection Approaches for Industrial Chillers. In J. Reiff-Stephan, K. ́santa Amouzou, &amp; A. Adanlete, 2nd German-West African Conference on Sustainable, Renewable Energy Systems (SusRES2021) (pp. 165–174). Hannover: TIB Open Publishing. doi:10.52825/thwildauensp.v1i.33</enrichment>
    <licence>Creative Commons - CC BY - Namensnennung 4.0 International</licence>
    <author>Constantin Falk</author>
    <author>Ron van de Sand</author>
    <author>Sandra Corasaniti</author>
    <author>Jörg Reiff-Stephan</author>
    <series>
      <title>TH Wildau Engineering and Natural Sciences Proceedings</title>
      <number>1</number>
    </series>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>fault detection</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>refrigeration system</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>data-driven machine-learning</value>
    </subject>
    <collection role="ddc" number="621">Angewandte Physik</collection>
    <collection role="institutes" number="">Fachbereich Ingenieur- und Naturwissenschaften</collection>
    <collection role="open_access" number="">open_access</collection>
    <collection role="Import" number="import">Import</collection>
    <collection role="Tagungsbaende" number="">German-West African Conference on Sustainable, Renewable Energy Systems SusRES</collection>
    <thesisPublisher>Technische Hochschule Wildau</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-th-wildau/files/1497/33-836-1-10-20210615.pdf</file>
  </doc>
</export-example>
