Open Access

Alexander Lins

• Ein weit verbreitetes Problem von Heizungs-, Lüftungs- und Kühlungsanlagen (HLK-Anlagen) ist das Schwingungsverhalten der Regelung. Dieses führt zu unerwünschten Taktzyklen und damit zu erhöhtem Energieverbrauch, sowie zu verringerter Lebensdauer der Anlagenkomponenten. Deshalb besteht ein wirtschaftliches und ökologisches Interesse an der Vermeidung des Schwingungsverhaltens. Zum Auffinden von Fehlern, sowie deren Ursachenanalyse, steht in der Literatur ein weites Spektrum an möglichen Werkzeugen zur Fehlerdetektion und -diagnose (FDD) zur Verfügung. Klassische FDD-Werkzeuge für den Bereich von HLK-Anlagen basieren auf umfangreichem Domänenwissen zur Bestimmung der Ursache-Wirkungs-Beziehung von Fehlertypen, wie zum Beispiel Schwingungen. Deren Anwendung im HLK-Bereich ist deshalb mit zeitaufwändigen Analysen durch Fachpersonal verbunden, was hohe Kosten zur Folge hat. Im Zuge dieser Masterarbeit wird ein FDD-Werkzeug für den Fehlertyp Schwingungen entwickelt, welches den hohen Zeitaufwand der Ursachenanalyse des Schwingens von HLK-Anlagen verringert. Durch die Anwendung von Methoden des maschinellen Lernens werden potenzielle Ursachen lokalisiert. Außerdem wird gezeigt, wie mit Hilfe des maschinellen Lernens eine Abschätzung über Gegenmaßnahmen zur Behebung der Schwingungsursachen getroffen werden kann. Die Herausforderung in der Umsetzung des FDD-Werkzeugs liegt dabei in der Auswahl der Methoden für die Implementierung des datenbasierten Modells. Zur Umsetzung werden Daten einer HLK-Anlage eines Gewerbebetriebs am Standort Vorarlberg verwendet. Das entwickelte FDD-Werkzeug dient der fortlaufenden Auswertung von Schwingungen und der Optimierung bestehender Anlagen. Schlussendlich soll damit der Erhöhung der Energieeffizienz und der Erhöhung der Lebensdauer der Komponenten von HLK-Anlagen beigetragen werden.
• A widespread problem in heating, ventilation and air conditioning systems (HVAC systems) is the oscillation behavior of control loops. This leads to undesired clock cycles and thus to increased energy consumption, as well as to reduced service life of the system components. Therefore, there are economic and ecological interests in avoiding the oscillation behavior. For the detection of faults, as well as their root cause analysis, a wide range of possible fault detection and diagnosis (FDD) tools is available in the literature. Classical FDD tools for the field of HVAC systems are based on extensive domain knowledge for determining the cause-effect relationship of fault types, such as oscillations. Their use in the HVAC field therefore involves time-consuming analysis by specialized personnel, resulting in high costs. In the course of this master thesis, a FDD tool for the fault type oscillation is developed, which reduces the amount of time required for the root cause analysis of oscillations in HVAC systems. By applying machine learning methods, potential root causes are localized. It is also shown how machine learning can be used to estimate countermeasures to correct the cause of oscillations. The challenge of implementing the FDD tool lies in the selection of methods for implementing the data-based model. For the implementation, data from an HVAC system of a commercial enterprise at the Vorarlberg location is used. The developed FDD tool is used for the continuous evaluation of oscillations and the optimization of existing plants. Finally, this should contribute to increase energy efficiency and service life of the components of HVAC systems.