Einsparung von mindestens 10% beim Stromverbrauch Ihrer HLK-Anlagen.

Energieverbrauch senken dank Optimierung. Prädiktive Analysen, die maschinelles Lernen und IoT-Daten nutzen, unterstützen zum Beispiel Instandhaltungsentscheidungen und liefern Einblicke in weitere geschäftsrelevante Entscheidungen.

HLK-Optimierung

Die ermittelten Schätzungen zeigen, dass etwa 80% der HLK-Anlagen Proportional-Integral-Derivat-Regler (PID) für die modulierte Regelung verwenden. Die PID-Steuerungslogik ist einfach zu implementieren. Die Erfahrung zeigt jedoch, dass es in den meisten Fällen an Effizienz bei der Steuerung mangelt. Das liegt daran, dass reaktionsschnell Entscheidungen getroffen werden.

Die schnelle Entwicklung der IoT-Technologien ermöglicht eine einfache Datenerfassung unter Verwendung der HLK-Anlage. So können Vorhersagemodelle erstellt werden, die eine proaktive Steuerung des Systems ermöglichen.

In Zusammenarbeit mit dem Schiffbauunternehmen Rheinhold & Mahla entwickelte Proekspert eine HLK-Steuerungslösung, die eine modellprädiktive Regelung nutzte.

Analyse

Verwendete Tools:

  • Pandas (Datenmanipulation)
  • Matplotlib (grafische Darstellung)
  • Bokeh (interaktive Visualisierungen)
  • LightGBM (ML-Algorithmen)
  • Flask (Webserver)

Die Analyse der HLK-Anlagen erfolgte in mehreren Schritten. Zunächst wurde die explorative Datenanalyse (EDA) implementiert, um die verfügbaren Daten zu identifizieren und ihre Qualität zu bestimmen. Bei der Durchführung der EDA wurde ein gewisses Verhalten der Besatzung, wie z.B. das Ändern der Sollwerte der Kälteanlagen, festgestellt. Dies führte zu einem Anstieg des Stromverbrauchs. Darüber hinaus wurden während der gesamten Analyse Probleme mit dem Systemdesign, wie das Low-Delta-T-Syndrom, festgestellt.

Nach Abschluss der EDA wurde die zweite Stufe der Analyse durchgeführt. Die zweite Stufe konzentrierte sich auf den Arbeitsprozess, die Effizienz und das Verbesserungspotenzial des betreffenden HLK-Systems. Um die Effizienz und Effektivität der Analyse zu erhöhen, führte Proekspert interaktive Visualisierungen durch, die neue Sichtweisen auf das bestehende System boten und erstmals sichtbar machten, wie das System tatsächlich unter Betriebsbedingungen arbeitet.

Um zu verstehen, wie das System auf Änderungen reagiert und wie sich verschiedene Teile davon gegenseitig beeinflussen, wurde in der nächsten Phase eine Korrelationsanalyse durchgeführt. Basierend auf den gesammelten Erkenntnissen und den Beobachtungen hat Proekspert eine modellprädiktive Regelungsmethode entwickelt. Nach dieser Methode werden Grey- und Black-Box-Systemidentifikationstechniken eingesetzt, um ein Modell zur Simulation der zukünftigen Zustände des Systems zu erhalten. Die Simulationsmodelle ermöglichen die Formulierung von Optimierungsproblemen, was zu Kosteneinsparungen bei der HLK-Anlage führt.

Ergebnisse

Proekspert arbeitete an einem Pilotprojekt auf zwei RoPax-Fähren. Basierend auf dem Fachwissen von R&M und der technischen Erfahrung von Proekspert wurde eine Lösung entwickelt, die Daten aus der Ferne sammelt, mithilfe von geschulten Modellen verschiedene Steuerungsentscheidungen simuliert und die optimale Entscheidung an eine lokale SPS sendet, welche den Befehl wiederum an ein Gerät übermittelt.

Obwohl nur für wenige Monate Betriebsdaten vorliegen, erreichen die Prognosemodelle bereits eine hohe Genauigkeit. Die Temperatur in beliebigen Räumen kann mit einer Abweichung von nur 0,2 °C vorhergesagt werden. Der Energieverbrauch von Großgeräten wie z. B. Kältemaschinen kann eindeutig mit der Witterung und der internen Konfiguration wie z. B. der Kaltwasseraustrittstemperatur verknüpft werden. Ausgehend von diesen Vorhersagemodellen wurde eine einfache Regelungsstrategie entwickelt, mit deren Hilfe der Energieverbrauch der HLK-Anlage um 10% gesenkt werden konnte. Die Regelungsentscheidungen (z. B. Raumtemperatur-Sollwert) erfolgen autonom, d. h. ohne menschlichen Eingriff. Bei Bedarf können die Sollwerte jedoch von der Besatzung überschrieben werden.

The HVAC Optimization case is published by Labs Network Industrie 4.0 and publicly introduced by Dr. Dominik Rohrmus (Head of the research group Manufacturing Systems at Siemens Corporate Technology, Germany).

Sie wollen mehr wissen?

Nehmen Sie Kontakt mit uns auf!

Peeter
Meos

Leiter Datenwissenschaft und Partner
peeter.meos@proekspert.com
Telefon: +372 5663 0316

Erste Schritte mit Proekspert

Kostenlos*

  • Bewertung der Reife von Unternehmensdaten
  • Allgemeine Empfehlungen zum Verbesserungspotenzial

* Begrenzte Anzahl von kostenlosen Beratungen verfügbar

Ab 5.000€

  • Bewertung der Reife von Unternehmensdaten
  • Allgemeine Empfehlungen zum Verbesserungspotenzial
  • Entwicklung einer Roadmap

Ab 15.000€

  • Bewertung der Reife von Unternehmensdaten
  • Allgemeine Empfehlungen zum Verbesserungspotenzial
  • Entwicklung einer Roadmap
  • Prototypenentwicklung für eine identifizierte Unternehmensfrage
  • Potenzial zur Operationalisierung des Prototyps als wiederholbare Lösung
  • Klare Definition des Umsetzungsplans

Go smarter with Proekspert.

Please fill in the contact form below and we'll get back to you as soon as possible.

Thank You!

Your message has been sent. Our team will get back to you as soon as possible.

Close this window