details_view: 17 von 66

 

Energieeffizienz und optimierte Betriebsführung von gewerblichen Kälteanlagen - Phase II; Teilvorhaben: Methoden der Fehlererkennung und Diagnose

Zeitraum
2016-12-01  –  2020-06-30
Bewilligte Summe
378.892,00 EUR
Ausführende Stelle
Förderkennzeichen
03ET1449B
Leistungsplansystematik
Energieeffiziente Kältenutzung in Gebäuden [EA4311]
Verbundvorhaben
01174474/1  –  EnOB: EnBeKa-II
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESN6)
Förderprogramm
Energie
 
Das Gesamtziel des Vorhabens ist, das hohe Energie-Effizienz-Verbesserungs-Potenzial von Kälteanlagen zu heben, unnötige Verluste zu vermeiden und den derzeitig hohen Wartungs- und Serviceaufwand durch automatisierte Prozesse und verbesserte Geschäftsprozesse zu optimieren. Durch die Entwicklung von kostengünstiger mobiler sowie stationärer Messtechnik zur kontinuierlichen Überwachung der Energieeffizienz soll der Energieverbrauch nachhaltig gesenkt werden. Die Verfahren zur Fehlererkennung sollen weitgehend automatisiert werden, so dass prognosebasiert ein optimaler Serviceeinsatz erfolgt. Ausgangspunkt des Vorgängerprojektes war die Fernüberwachung von Supermarkt-Kälteanlagen, die entwickelten Verfahren sollen vertieft, für ein breites Anwendungsfeld erweitert und in der Praxis getestet werden. Die Arbeitsplanung sieht neben der Integration und Optimierung der bestehenden Werkzeuge in einen Serviceprozess, die Erweiterung der Algorithmen um ein neuronales Netz vor. Parallel zur Erweiterung der Algorithmen wird das bestehende prototypische Diagnosesystem in eine Alpha-Version zum Test überführt und anhand von Testanlagen in seiner Funktion optimiert. Abschließend werden die Ergebnisse gebündelt, bewertet und als überarbeiteter Leitfaden Fachgremien vorgestellt. Es werden Methoden einer automatischen Fehlererkennung getestet, um Optimierungspotenzial in den Anlagen aufzudecken und die bisherigen Ansätze durch Fuzzy-Methoden erweitert. Auch der Einsatz künstlicher neuronaler Netze zur Mustererkennung wird untersucht. Ein weiterer Schwerpunkt ist die Implementierung der Funktionen, die Systemintegration und Verbesserung der Usability sowie der Test des Systems in der praktischen Anwendung.
Weitere Informationen