Ausgangssituation/Motivation

Durch die zunehmende Digitalisierung und Vernetzung in der Gebäudetechnik wird der Betrieb von Gebäuden mehrdimensional und komplex, was zu steigenden Anforderungen an intelligente Regel und Steuerung führt.

Klassische Regelsysteme stoßen bei mittlerweile immer komplexer werdenden dynamischen Systemen wie Heizungs-, Klima- und Lüftungsanlagen (HKLS) in großen Gebäuden an ihre Grenzen – insbesondere, wenn prädiktive Ansätze erforderlich wären, um vorausschauend auf veränderte Lastprofile, Störungen oder Umweltbedingungen zu reagieren, was die Energieeffizienz von Gebäuden reduziert.

Um vorhandene Effizienzpotenziale in Neubau und Bestand zu nutzen, braucht es skalierbare und multiplizierbare Lösungen. In den letzten Jahren wurden vermehrt AI- und Cloud-basierte Ansätze eingesetzt. Diese sind gebäudeseitig meist aufwändig zu integrieren und tragen durch den Rechenaufwand zum steigenden Strombedarf für Computing-Leistungen bei.

Inhalte und Zielsetzung

Um die Energieeffizienz zu steigern, schlagen wir die Verwendung von Edge AI gemeinsam mit spezialisierter Hardware in Form von neuromorphic Chips vor.

Das Projekt verfolgt dabei die folgenden 3 Ziele:

1. die Entwicklung einer skalierbaren Regelungstechniklösung „on the edge" zur Erhöhung der Energieeffizienz und Verlängerung der Lebensdauer von Heizungs-, Klima- und Lüftungsanlagen.
2. Untersuchung des Einsatzes von hybriden Lernverfahren und Neuromorphic Computing-Technologien zur PID-Parameteroptimierung, adaptiven Regelung und Mustererkennung von Regelanomalien über Spiking Neural Networks.
3. Funktionsnachweis von TinyML Modellen, metaheuristischen Algorithmen und Spiking Neural Networks auf Edge Devices im Labormaßstab für ausgewählte Systeme.

Methodische Vorgehensweise

Zur Erreichung der Projektziele wurde folgende methodische Vorgehensweise gewählt:

1. Erstellung einer Anforderungsdefinition und der Evaluierungskriterien sowie von zu bearbeitenden Use Cases.
2. Umsetzung der Optimierung und Diagnose von Gebäudesystemen. Dabei sollen unterschiedliche Methoden und Verfahren des Maschinellen Lernens und auch der Modellbasierten Diagnose implementiert und deren Resultate miteinander verglichen werden.
3. Evaluierung der Methoden unter Verwendung der selben Use Cases und Evaluierungskriterien.
4. Kombination der besten Methoden für Optimierung und Diagnose, sowie im letzten Schritte
5. Durchführung einer Erstevaluierung der kombinierten Methode unter Verwendung der Use Cases in einem praxisnahen Setup inklusive einer Bewertung der Gesamtleistung.

Erwartete Ergebnisse

Umsetzung von modernen AI-Verfahren zur Verbesserung der Regelung und Diagnose von Gebäudesystemen. Die Verfahren sollen auf aktueller Edge Hardware und neuromorphic Chips ausgeführt werden und die Gesamteffizienz von Gebäuden erhöhen.

Ziel ist die Verbesserung der Regelgüte von zumindest 60% im Vergleich zu State-of-the-Art- Autotuning-Methoden. Darüber hinaus erwarten wir wissenschaftliche Publikationen in High-Impact Journalen und Konferenzen, die die vorgeschlagenen Lösungen inklusive deren Ergebnisse zusammenfassen.

Projektleitung

Technische Universität Graz - Institute of Software Engineering and Artificial Intelligence

Projekt- bzw. Kooperationspartner:innen

• Forschung Burgenland
• DiLT Analytics FlexCo
• Engynear tga GmbH

Technische Universität Graz
Institute of Software Engineering and Artificial Intelligence
Prof. Dr. Franz Wotawa
Inffeldgasse 16b/2
A-8010 Graz
Tel.: +43 (316) 873 5724
E-Mail:wotawa@tugraz.at
Web: www.tugraz.at/institute/sai/home