Praktische Anwendung von Machine Learning-zur Fehlererkennung

摘要

Gebäude sind für einen großen Teil des gesamten Energieverbrauchs verantwortlich. Mit der zunehmenden Verbreitung erneuerbarer Energien wird der Wärme- und Kältebedarf von Gebäuden durch Wärmepumpen gedeckt. Störungen in den Wärmepumpensystemen reduzieren jedoch die Energieeffizienz oder verursachen Systemausfälle, was zu einem erhöhten Bedarf an Primärenergie führt. Daher werden Fehlererkennungsalgorithmen (FDA; englisch: fault detection algorithms) eingesetzt, um Fehler zu identifizieren, bevor es zu Systemausfällen oder Effizienzverlusten kommt. Mit dem Aufkommen von künstlichen Intelligenzen und großen Datenmengen sowie detaillierteren Überwachungssystemen sind die datengesteuerten FDA in den letzten Jahren zu einem Forschungsschwerpunkt geworden und zeigen vielversprechende Ergebnisse unter vertretbarem Aufwand. In Studien werden jedoch oft spezifische Trainingsdatensätze verwendet, so dass FDAs entstehen, die an ein bestimmtes Versuchssystem angepasst sind. In diesem Beitrag wird untersucht, ob FDAs, die an einem mit einem Laborwärmepumpensystem erfassten Fehlerdatensatz geschult wurden, ohne teure Modifikationen in einem realen Anwendungssystem eingesetzt werden können. Außerdem wird einen Big-Data-Ansatz untersucht, bei dem die über einen längeren Zeitraum gesammelten Daten zur Schulung der FDAs verwenden werden. Zu diesem Zweck wird ein vom National Institute of Standards and Technology (NIST) zur Verfügung gestellten Datensatz verwendet, der Daten typischer Wärmepumpenausfälle enthält, die an einer speziell ausgestatteten Luft-Wasser-Wärmepumpe gemessen wurden. Aus diesen Daten wird eine Reihe von Eigenschaften als Input für die FDAs extrahiert und die Bedeutung dieser Eigenschaften für die FDAs wird bewertet. Die Algorithmen zur Fehlererkennung werden mit dem NIST-Datensatz geschult und die angepassten FDAs werden auf unsere eigenen Messdaten übertragen. Die Ergebnisse zeigen, dass die geschulten FDAs sehr gut auf dem NIST-Datensatz, aber schlecht mit dem realen Datensatz abschneiden. Es werden mehrere Gründe für die schlechte Leistung der FDAs identifiziert und abschwächende Maßnahmen abgeleitet. Die Ergebnisse legen nahe, dass große Datenansätze für FDAs über die einfache Erfassung großer Datenmengen hinaus mehrere Probleme haben, insbesondere die Kennzeichnung aufgetretener Fehler und die Vollständigkeit des Datensatzes.