extrACT

Gebäudesysteme sammeln verschiedenste Informationen, welche gespeichert werden, aber nicht automatisch evaluiert werden. Diese gespeicherten Informationen sind jedoch ausschlaggebend für effizienten Betrieb und schneller Erkennung von Fehlern und Ineffizienzen. Derzeit ist die Laufzeit-Evaluierung üblicherweise auf Erzeugen von Alarmen bei schwerwiegenden Fehlern begrenzt. Die gesammelten Daten werden meist von Gebäudemanagern nur sporadisch, manuell mit Tools wie MS Excel grob interpretiert.

Um automatische Überwachung und Interpretation der gespeicherten Daten zu garantieren, sollte permanente Überwachung der gespeicherten Daten eingerichtet werden. Somit können Normfunktionalität und Ausgänge des Systems permanent überwacht und Ineffizienzen zeitnah gemeldet werden.

Dieses Projekt entwickelt Algorithmen auf Basis von Fehlerfällen und Ineffizienzen, die im Vorraus identifiziert wurden. Diese sollen anschließend automatisch gemeldet werden. Die Algorithmen umspannen dabei ein breites Spektrum reichend von simplen Plausibilitätschecks von Systemparametern über daraus folgende Statistiken (Korrelation, Varianz, Zeitreihen-Vorhersage), hidden Markov models (HMM), self organizing maps (SOM) bis zu conditional random fields (CRF).

Basierend auf bereits bestehenden Überwachungssystemen werden Solarheizungen und Kühlungskomponenten mit den Algorithmen inspiziert und getestet. Eine Vorraussetzung sind Datensätze und Szenarios von bekannten Fehlern, die von Experten aus dem Betrieb des installierten Systems erstellt wurden. Ein Erfolgsfaktor gür extrACT wird die Vielfallt von Algorithmen sein, die die selbe Kategorie von Fehlern unabhängig von dem zu untersuchtenden, installierten System erkennen können. Dadurch wird der Aufwand der fortlaufenden Anpassung der Algorithmen auf neue Systeme verringert oder sogar vermieden.

extrACT soll, neben den normalen Alarmen bei Fehlerfällen, auch Verbesserungen für existierende Kontrollstrategien für automatische Fehlerbehebungen entwickeln.

Am Ende des Projekts steht eine Algorithmus-Datenbank für Systeme im Berreich von nachhaltiger Heizung und Kühlung, die automatisch Sensoren erkennen und die Überwachung starten kann.

Sieben Pilotanlagen werden für die Datensammlung und Validierung der Algorithmen zur Verfügung stehen. Da extrACT sich ausschließlich auf Dateninterpretation konzentriert sind die benötigten Messgeräte, Kommunikations- und  Speicherungssysteme bereits vorhanden und daher nicht Teil des Projekts. Lediglich die Schnittstellen müssen am Anfang des Projekts im Zuge eines kurzen Arbeitspaketes eingerichtet werden.

Publikationen

G. Zucker, J. Malinao, U. Habib, T. Leber, A. Preisler, F. Judex; “Improving Energy Efficiency of Buildings Using Data Mining Technologies”,2014, 23rd IEEE International Symposium on Industrial Electronics, ISIE, Istanbul, Turkey (to be published) ISIE2014MalinaoZucker_2014-04-14

About Martin Mosbeck

Martin Mosbeck BSc. wurde 1990 in Wien geboren. 2015 schloss er seinen Bachelor der Elektrotechnik und Informationstechnik an der TU Wien ab und studiert derzeit im Master Embedded Systems. Seit 2015 ist er Projektmitarbeiter in Projekten des Instituts für Computertechnik. Er war an der Entwicklung des VHDL E-Learning System VELS beteiligt und ist derzeit Head Maintainer dieses Systems, welches erfolgreich in Lehrveranstaltungen eingesetzt wird. 2016 bis 2017 arbeitete er im Projekt Shape-HT (Secure Hardware by Automatic Property Extraction to Detect Design-Level Hardware Trojans) in dessen Forschungsbereich er derzeit seine Diplomarbeit erarbeitet. Seit 2017 ist er Projektmitarbeiter in der Energy&IT Group mit dem Ziel, seine Erfahrung und Expertise im Bereich VHDL in das Projekt eNDUSTRIE 4.0 einfließen zu lassen, als auch das E-Learning System für eine Verwendung in dem Projekt weiterzuentwickeln.
Bookmark the permalink.

Comments are closed.