WISSENSCHAFT
WÄRMEPUMPEN
48 KI Kälte · Luft · Klimatechnik · 04 2021 www.ki-portal.de
Digitaler Zwilling einer
Wärmepumpe für die prognose- basierte Betriebsführung
Digitaler Zwilling . adaptive Modellkalibrierung . Leistungs- prüfung
Bei der Prüfung nach EN-14511 und EN-14825 werden Leis- tungskennzahlen von Wärmepumpen unter verschiedenen Teillast- und klimatischen Bedingungen erhoben. Die Effizienz des Prüfablaufs ist dabei stark abhängig von den Einstellun- gen des Bedienpersonals und dessen Erfahrung bei der Ein- schätzung von Wechselwirkungen zwischen der Wärmepumpe als Black-Box-System und der Prüfinfrastruktur. Im Beitrag wird gezeigt, wie ein digitaler Zwilling der Wärmepumpe für die prognosebasierte Betriebsführung der Leistungsprüfung eingesetzt werden kann. Dazu wird ein Modelica-Modell einer Wärmepumpe als Functional Mockup Unit (FMU) mit den Realdaten der Prüfung zu einem digitalen Zwilling verknüpft.
Mit jedem neuen Satz an Messwerten werden die Modellpara- meter adaptiv identifiziert und das Modell kalibriert. Der digi- tale Zwilling liefert dem Bediener Vorschläge zu optimalen Einstellungen, die bisher nur aufwändig und iterativ während des Prüfbetriebs abgeleitet werden konnten. Das Vorschlags- system wurde in der AIT-Testinfrastruktur implementiert und erstmalig eingesetzt. Es liefert verlässliche Vorschläge. Als ein Ergebnis der Prüfung resultiert ein kalibriertes Wärmepum- penmodell.
Digital twin of a heat pump for forecast-enhanced operation
Digital twin . adaptive model calibration . performance testing According to EN-14511 and EN-14825 heat pump performance is determined by measurement of the energy consumption for various part-load and climatic conditions in an accredited test laboratory.
Depending on the experience of the operator the time and resource efficiency of the test procedure might vary considerably. This contri- bution proposes a digital twin and predictive modeling to provide operators with decision support towards an optimized and reprodu- cible lab operation. The digital twin links standard operating proce- dures, real-world data and a Functional-Mock-up-Unit (FMU) of a thermodynamic heat pump model. During the test procedure, with each set of new measurements model parameters are adaptively calibrated, improved operating conditions are computed and impro- ved settings are prosed to the operator. The decision support system was implemented at AIT’s test infrastructure and positively evalua- ted. It provides reliable forecasts and effectively enhances lab ope- rations.
Autoren
(v.l.:) Reinhard Jentsch, Judit Aizpuru, Michael Lauermann, Tilman Barz, AIT Austrian Institute of Technology, Center for Energy, Wien, Österreich
Einleitung
Digitalisierung und Industrie 4.0, Indust- rial Internet of Things (IIoT) und Cyber Physical Production Systems bedeuten grundlegende Veränderungen, die vor al- lem kleine und mittlere Betriebe vor gro- ße Herausforderungen stellen. Die er- folgreiche Transformation eines Produk- tionsbetriebs erfordert einen vergleichs- weisen hohen Einsatz von Ressourcen.
Demgegenüber stehen teilweise unklare Ziele bzw. ist der erwartbare Nutzen schwer quantifizierbar [1]. Die Entwick- lung von methodischen Ansätzen und Werkzeugen zur Digitalisierung sowie deren erfolgreiche Demonstration am Fallbeispiel sollen helfen, Herausforde- rungen zu erkennen, Lösungsansätze be- reitzustellen und Potenziale zu identifi-
zieren und zu bewerten. Eine Schlüssel- rolle nimmt der sogenannte digitale Zwilling ein, der ursprünglich von Grieves und Vickers [2] im Kontext des product life cycle management verwendet wur- de. Wesentliche Elemente sind ein reales Objekt in einer realen Umgebung, ein virtuelles Objekt in virtueller Umgebung und eine Datenverbindung zwischen die- sen. Der Begriff des digitalen Zwillings wurde in weiterer Folge zur Beschrei- bung ultragenauer virtueller Abbildun- gen von Raumfahrzeugen verwendet, welche die gesamte Lebenshistorie be- trachten [3, 4]. Mit der Verbreitung von IoT-Technologie und der verbesserten Verfügbarkeit von Speicher- und Rechen- leistung wurde das Konzept in den unter- schiedlichsten Domänen aufgegriffen.
Allgemein finden sich digitale Zwillinge sowohl auf einer operativen als auch ei- ner organisatorischen Ebene, siehe Abb.
1, und sind meist Weiterentwicklungen bzw. Synthesen etablierter Methoden und Werkzeuge der Informationstechnik, im Operational-Technology-Bereich (Pro- zesssteuerung, Automatisierung) sowie bei den Betriebswissenschaften. Die grundlegende Idee ist dabei, eine mög- lichst enge und vollständige Kopplung von realem Objekt mit seinen Daten und Modellen sowie der wiederholte zykli- sche Abgleich (Twinning-Zyklus). Auf or- ganisatorischer Ebene bedeutet das, dass die Informationen eines Objektes kontinuierlich über den gesamten Le- benszyklus gesammelt, verwaltet und verwertet werden können. Anstelle von
Artikel und News zum Thema auf ki-portal.de!
Hier klicken & informieren!
WISSENSCHAFT
WÄRMEPUMPEN
49
KI Kälte · Luft · Klimatechnik · 04 2021 www.ki-portal.de
Dokumenten werden Daten und Modelle des digitalen Zwillings über den Lebens- zyklus zwischen Stakeholdern ausge- tauscht [5, 6]. Detaillierte Statusinforma- tionen eines Objekts werden permanent und in Echtzeit verfügbar, und ermögli- chen beispielsweise nutzungsbasierte Anwendungen und Geschäftsmodelle.
Operativ ermöglicht der Abgleich und die wiederholte Anpassung des DZ bspw.
die Optimierung des Betriebs und Pro- duktentwicklung sowie die Flexibilisie- rung von Produktionsprozessen. So kann zum Beispiel ein DZ in Form eines physikalischen oder datengetriebenen Modells fehlerhafte Bauteile einer Wär- mepumpe identifizieren, die im Weite- ren in einem 3D-Modell visualisiert wer- den.Der vorliegende Beitrag zeigt die Ent- wicklung und Implementierung eines Assistenzsystems zur Prozessführung in der AIT-Prüfinfrastruktur für Kompressi- onswärmepumpen. Das System basiert auf einem digitalen Zwilling in Form ei- nes physikalischen Wärmepumpenmo- dells des Prüflings. Bei den Tests werden Leistungsdaten nach EN-14511 und EN-14825 für kommerzielle Wärmepum- pen erhoben. Aufgrund der Breite an ge- testeten Leistungskapazitäten, der Not- wendigkeit individueller Einstellungen an der Wärmepumpe und unterschiedli- cher Testprotokolle, kann der Prüfablauf nicht bzw. nur sehr schwer vollständig automatisiert werden und erfordert zahlreiche Interaktionen vom Operator.
Der Beitrag präsentiert die vollständige Instanziierung des DZ in Analogie zu [7]
und damit eine operative Anwendung eines Twinning-Zyklus von der „Planung bis zum Prüfbericht“. Der DZ wird am Prüfstand gemäß den realen Messdaten angepasst und für eine optimierte Be- triebsführung eingesetzt. Diese Instanz des DZ (ein kalibriertes thermodynami- sches Modell) könnte beispielsweise im weiteren Lebenszyklus der Wärmepum- pe in Gebäudesimulation für Design und Betrieb eingesetzt werden.
1.1 Wärmepumpentests und Teillastbedingungen
WP-Prüfungen werden von einem akkre- ditierten Prüfinstitut nach EN-14511 und EN-14825 für einen vordefinierten Satz spezifischer stationärer Betriebspunkte durchgeführt. Die Stationarität eines Prüfpunkts wird anhand von Temperatu- ren und Massenströmen überprüft. Die WP-Leistungsdaten werden basierend auf den Messergebnissen und Einstel- lungen errechnet und in das Prüfproto- koll übernommen. Für die in diesem Bei- trag betrachtete Leistungsprüfung ist ein Prüfpunkt durch folgende Größen defi- niert (Tab. 1).
Die Einstellung eines Prüfpunkts kann unter Umständen sehr zeitaufwändig sein, üblicherweise im Bereich von meh- reren Stunden. Grund dafür ist zum ei- nen die thermische und stoffliche Kopp- lung von Wärmepumpe und Prüfinfra- struktur, die zu längeren Einschwingpha- sen führt, bis die Anforderungen an die Stationarität und absolute und relative Toleranzen der Abweichungen erfüllt sind. Zudem gibt es infrastrukturspezi- fisch, für den gezeigten Fall, relativ im Vergleich zur Kapazität der Wärmepum- pe, große thermische Massen der Puffer-
speicher auf der Wärmenutzer- und Wär- mequellenanlage.
Zusätzlich erhöht sich der experimen- telle Aufwand signifikant, wenn für WP mit bestimmten Kompressortypen Teil- lastpunkte nicht direkt eingestellt wer- den können. Der Grund dafür sind Kom- pressoren mit fixer Drehzahl oder Teil- lastpunkte unterhalb einer minimalen Kompressordrehzahl. In diesem Fall müs- sen die Testbedingungen an einen fikti- ven Ein-/Ausbetrieb angepasst werden.
Nach EN-14825 ist ein iteratives Ver- fahren vorgesehen, um die gesuchte Sen- kenaustrittstemperatur in Abhängigkeit der unbekannten Wärmepumpenkapa- zität und der Senkeneintrittstempera- tur zu bestimmen. Die Einstellung die- ser iterativen Testpunkte, die für das Prüfprotokoll nicht relevant sind, macht diese Teillastpunkte besonders zeitauf- wändig.
Nach EN-14825 wird für jeden Test- punkt die durchschnittliche Senkentem- peratur aus den gemessenen Temperatu- ren und der entsprechenden WP-Kapazi- tät gemäß Gleichung 1 berechnet.
𝑇𝑇avg𝑐𝑐 =𝑇𝑇ein𝑐𝑐 + (𝑇𝑇aus𝑐𝑐 − 𝑇𝑇ein𝑐𝑐 )⋅ 𝐶𝐶𝐶𝐶 (Gl. 1) Wobei das Kapazitätsverhältnis CR wie folgt definiert ist:
𝐶𝐶𝐶𝐶=𝑟𝑟 ⋅𝑄𝑄̇ref𝑐𝑐
𝑄𝑄̇𝑐𝑐 (Gl. 2)
Dabei ist r ∈ (0,1] das durch die Norm für jeden Prüfpunkt vorgegebene Teillastver- hältnis. Dies entspricht dem Quotienten aus der gemessenen Heizleistung im Re- ferenzpunkt und der Wärmekapazität bei aktueller Teillast und Temperatur. Ite- rativ findet sich die gesuchte Austritts- 1 Parameter eines Prüfpunkts
Symbol Bedeutung
𝑃𝑃V El. Leistungsaufnahme des Verdichters 𝑛𝑛V Verdichterdrehzahl 𝑇𝑇ein /auso Eintritts-/Austrittstem-
peraturen des Verdampfers
𝑇𝑇ein /ausc Eintritts-/Austrittstem- peraturen des Konden- sators
𝑚𝑚̇o Quellen-Massenstrom Verdampfer
𝑚𝑚̇c Senken-Massenstrom
Verflüssiger
𝑄𝑄̇o Wärmestrom
Verdampfer
𝑄𝑄̇c Wärmestrom
Verflüssiger
𝑟𝑟 Teillastverhältnis
Der digitale Zwilling umfasst sowohl die An- wendung bzw. Instanzi- ierung von Twinning- Zyklen als auch die Ver- knüpfung von Modellen und Daten über Domä- nen und Lebenszyklus- phasen.
1
temperatur gemäß Gleichungen 3 und 4:
𝑇𝑇aus𝑐𝑐,𝑖𝑖+1=𝑇𝑇aus𝑐𝑐,𝑖𝑖 +Δ𝑇𝑇avg𝑐𝑐,𝑖𝑖 (Gl. 3)
Δ𝑇𝑇avg𝑐𝑐,𝑖𝑖 = 𝑇𝑇aus𝑐𝑐,𝑛𝑛𝑛𝑛𝑟𝑟𝑚𝑚 − 𝑇𝑇avg𝑐𝑐,𝑖𝑖 (Gl. 4)
Das hochgestellte i repräsentiert die ge- messenen bzw. anhand von Messdaten ermittelten Informationen der i-ten Ite- ration, während i+1 den daraus abgelei- teten Setzwert des folgenden Testpunk- tes präsentiert. Die Variablen sind in Tab.
2 definiert.
Die Iteration ist abgeschlossen, wenn der berechnete Korrekturfaktor Δ𝑇𝑇avg𝑐𝑐,𝑖𝑖
kleiner ist als die erlaubte Messtoleranz nach EN-14511. Zusätzlich ergibt sich, je nach Prüfungsmodus, die Kondensator- Eintrittstemperatur gemäß einer kons- tanten Temperaturdifferenz oder einem konstanten Massenstrom. Dabei ist ent- weder der Massenstrom oder die Ein- trittstemperatur wiederum abhängig von der zuvor unbekannten WP-Heizleis- tung bei 𝑇𝑇aus𝑐𝑐,𝑖𝑖+1.
1.2 Assistenzsystem basierend auf ei- nem digitalen Zwilling der Wärmepum- peZiel ist es, die zeitaufwändige experi- mentelle Einstellung und Evaluierung von Testpunkten (nicht Prüfpunkten), die nur der iterativen Suche nach den korrekten Prüfbedingungen dienen, zu vermeiden. Die wiederholte experi- mentelle Einstellung von Testpunkten, entsprechend Iterationen in Gleichungen 1–4, wird durch Simulationen ersetzt.
Die Zustände und die optimalen Tem- peraturen und Massenstrom-Setzwerte des Prüfpunktes werden virtuell er- mittelt. Im Folgenden wird der Ein- satz des Assistenzsystems für den Prüfbetrieb mit konstanter Tempera- turdifferenz demonstriert, siehe EN- 14825.
2 Aufbau des digitalen Zwillings 2.1 Physische Umgebung
Mit der physischen Umgebung wird jene in der realen Welt existierende Umge- bung erfasst, in der das physische Objekt existiert. Sie umfasst alle Aspekte die ei- nen Einfluss auf den physikalischen Pro- zess haben, im vorliegenden Fall die ge- samte Laborinfrastruktur und den Anla- genfahrer.
Die Laborinfrastruktur umfasst eine Klimakammer, in der die WP angeschlos- sen wird und eine Wärmenutzer- und ei- ne Wärmequellenanlage sowie eine übergeordnete Kälte- und Wärmebereit- stellung. Ebenso Teil der physischen Um- gebung ist die dazugehörige Mess-, Steu- er- und Regelungstechnik. Sie besteht aus einer Messkette für die akkreditierte Messwerterfassung im Sinne der EN und einem SCADA-System für die Prüfinfra- struktur und Peripherie. Beide Systeme sind über OPC-UA mit einer übergeord- neten Rezeptsteuerung verbunden.
Physischer Prozess
Der physische Prozess verändert den Zu- stand und damit die Parameter des phy- sischen Objekts, der Wärmepumpe. In diesem Beispiel ist das die Leistungsprü- fung nach EN-14511 und EN-14825. Je- der Prüfpunkt ist definiert durch die Pa- rameter in Tab. 1.
Einfluss auf das physische Objekt wird durch Setzen der Eintrittstemperaturen, durch den Anlagenfahrer im SCADA-Sys- tem an Verdampfer oder Kondensator
und durch Einstellen der Massenströme über Ventilstellungen und Umwälzpum- pendrehzahl genommen.
Physische Metrologie
Aufgabe der physischen Metrologie ist die Erfassung der für den Twinning-Zyk- lus relevanten Größen bzw. die Erfassung des Zustands des physischen Objekts, siehe die Zustandsgrößen in Tab. 1. Die Drehzahl 𝑛𝑛V und das Teillastverhältnis r sind durch den Hersteller bzw. die Norm vorgegeben und werden vom Anlagen- fahrer erfasst. Alle weiteren Größen wer- den über eine kalibrierte Messsensorik erfasst über OPC-UA an die zentrale Re- zeptsteuerung bereitgestellt.
Physische Realisierung
Aufgabe der physischen Realisierung ist der Abgleich bzw. die Übertragung des Zustands des virtuellen Objekts auf das physische Objekt. Im vorliegenden An- wendungsfall erfolgt dies durch den An- lagenfahrer. Er übernimmt die Vor- schlagswerte, Eintrittstemperatur und Massenstrom der Wärmenutzeranlage aus dem Assistenzsystem in die Rezept- steuerung. In weiterer Folge werden die- se über OPC-UA an das SCADA-System übergeben.
2.2 Virtuelle Umgebung
In Analogie zur physischen Umgebung ist die virtuelle Umgebung jene, die das virtuelle Objekt bzw. Aggregat von virtu- ellen Objekten und den virtuellen Pro-
3 Komponenten des digitalen Zwillings nach [7]
Bezeichnung Entsprechung
Physisches Objekt Wärmepumpe
Virtuelles Objekt FMU und Parametersatz
Physischer Prozess Leistungsprüfung nach EN-14528 und EN-14511 Virtueller Prozess Simulation der Wärmepumpen-FMU
Physische Umgebung Wärmepumpen-Prüfstand und Anlagenfahrer Virtuelle Umgebung SQL-Datenbank, Rezeptsteuerung und Python Twinning-Rate Mit jedem stabilen Prüfpunkt
Parameter Temperaturen, Massenströme und Leistungsdaten
Zustand Aktueller, historischer oder vorhergesagter stationärer Prüfpunkt
Physisch-zu-virtuell-Verbindung Umfasst physische Metrologie und virtuelle Realisierung
Physische Metrologie Erfassung und Übertragung von Messwerten Virtuelle Realisierung Modellkalibration und Parameterschätzung Virtuell-zu-Real-Verbindung Umfasst virtuelle Metrologie und physische
Realisierung
Virtuelle Metrologie Berechnung der Vorschlagswerte aus Simulationsdaten
Physische Realisierung Übernahme der Vorschlagswerte durch den Anlagenfahrer
2 Variablen der Iteration
Symbol Bedeutung
𝑇𝑇avg𝑐𝑐 Berechnete durch- schnittliche Austritts- temperatur am Konden- sator
𝐶𝐶𝐶𝐶 Kapazitätsverhältnis
𝑄𝑄̇ref𝑐𝑐 Heizleistung im Referenzpunkt
𝑇𝑇aus𝑐𝑐,𝑛𝑛𝑛𝑛𝑟𝑟𝑚𝑚 Kondensatoraustritts-
temperatur laut Norm
Δ𝑇𝑇avg𝑐𝑐,𝑖𝑖 Korrekturfaktor der
Kondensatoraustritts- temperatur
WISSENSCHAFT
WÄRMEPUMPEN
51
KI Kälte · Luft · Klimatechnik · 04 2021 www.ki-portal.de
Fließbild des Dymola/Modelica-WP-Modells. Mit Ein- (grün), Ausgabewerten (rot) und Para- metern (grau)
2
zess umfasst. Sie ist Teil der rein digitalen Domäne. Die für die physische Realisie- rung notwendigen Daten des Twinning- Zyklus werden hier generiert.
Im vorliegenden Fall umfasst sie die SQL-Datenbank der Rezeptsteuerung, die alle Versuchsdaten beinhaltet sowie Python-Code und eine Functional Mock- up-Unit (FMU).
Virtuelles Objekt
Das virtuelle Objekt ist eine digitale Ab- bildung des physischen Objekts und sei- nes Zustands. In diesem Beispiel ist das virtuelle Objekt eine FMU eines numeri- schen physikalischen Modelica-Modells der Wärmepumpe und eines dazugehö- renden Variablen- und Parametersatzes, die gemeinsam als Python-Objekt ins- tanziiert werden. Abb. 1 zeigt das Dymo- la/Modelica-WP-Modell mit Eingabe- (grün) und Ausgabewerten (rot), die für jeden Prüfpunkt definiert sind. Die Ein- gangswerte entsprechen den Setzwer- ten an der Laborinfrastruktur während der Prüfung. Weiters sind in grau jene Modellparameter dargestellt, die nicht a priori bekannt sind und somit erst über eine Modellkalibrierung mit Messwerten ermittelt werden müssen.
Virtuelle Realisierung
Bei der virtuellen Realisierung wird das virtuelle Objekt mit dem Zustand des re- alen Objektes abgeglichen. Konkret be- deutet das die Ermittlung eines Parame- tersatzes, der die Ein- und Ausgabegrö- ßen der FMU bestmöglich mit den Messwerten abgleicht. Das Wärme- pumpenmodell entspricht einem nichtli- nearen Gleichungssystem, das basierend
auf einem Vektor mit Eingangsgrößen u und einem Satz an konstanten Modell- parametern 𝜽𝜽 die Zustandsgrößen𝒚𝒚 vor-=𝑓𝑓(𝒖𝒖,𝜽𝜽) hersagt:
𝒚𝒚=𝑓𝑓(𝒖𝒖,𝜽𝜽) (Gl. 5)
Der Parametervektor𝜽𝜽 enthält sowohl bekannte als auch unbekannte Parame- ter. Letztere sind vom Hersteller nicht verfügbar und daher indirekt aus den experimentellen Messungen zu bestim- men (schätzen). Die Parameterschätzung (model fitting) passt das Modell an ge- messene Ausgangsgrößen 𝒚𝒚𝑚𝑚 durch die numerische Lösung eines Minimierungs- problems an. Als Zielkriterium wird hier die Summe der nicht gewichteten kleins- ten Quadrate der Abweichungen zwi- schen gemessenen und vom Modell vor- hergesagten Zuständen eingesetzt:
𝜽𝜽�= arg min𝜃𝜃 Φ(𝒖𝒖,𝜽𝜽) (Gl. 6)
𝛷𝛷(𝒙𝒙,𝜽𝜽) =�(𝒚𝒚𝑖𝑖− 𝒚𝒚𝑚𝑚𝑖𝑖 )2
𝑛𝑛𝑚𝑚 𝑖𝑖=1
(Gl. 7)
Mögliche Probleme entstehen, wenn die Komplexität des Systems im Vergleich zum Informationsgehalt in den verfüg- baren Messdaten zu groß ist – in diesem Fall ist das Parameterschätzproblem in Gleichung 6 mathematisch schlecht ge- stellt (ill-posed). Mögliche Gründe sind:
Die Parameter, die geschätzt werden müssen, haben keinen signifikanten Ein- fluss auf die Zustände, welche den Mess- größen entsprechen; die zu identifizie- renden Parameter sind kollinear, Ände- rungen der Größe eines Parameters kön- nen durch Änderungen in anderen
Parametern kompensiert werden; oder die Datenmenge (Anzahl an Mess-Da- tenpunkten) reicht einfach nicht aus.
Modelle, die unter diesen Umständen angepasst werden, sind sogenannte überangepasste Modelle (overfitted mo- dels) mit geringer Vorhersagekraft und großen Unsicherheiten in den geschätz- ten Parameterwerten. Beim Einsatz von (Stand der Technik) effizienten gradien- tenbasierten Methoden zur Lösung des Parameterschätzproblems sind darüber hinaus numerische Instabilitäten und Konvergenzprobleme zu erwarten.
Um den oben genannten Herausfor- derungen zu begegnen, wurde im Rah- men des Beitrags die in [8] vorgeschlage- ne Methodik eingesetzt. Die Methode basiert auf der Identifikation einer Teil- menge an Parametern aus dem unbe- kannten (zu schätzenden) Parameter- raum, die zuverlässig geschätzt werden kann. Diese Teilmenge entspricht den identifizierbaren Parametern. Das Prob- lem in Gleichung 6 wird entsprechend um die nicht identifizierbaren Parameter reduziert. Die Methodik basiert auf der Singulärwertzerlegung der Sensitivitäts- matrix 𝑺𝑺 und liefert die gleichen Infor- mationen wie die Analyse des Eigensys- tems der Hesse-Matrix, die üblicherwei- se zur Untersuchung der Stabilität des Parameterschätzproblems verwendet wird. Die Sensitivitätsmatrix 𝑺𝑺 be- schreibt, wie empfindlich Zustände im Vektor 𝒚𝒚 auf kleine Änderungen in den =𝑓𝑓(𝒖𝒖,𝜽𝜽) Parametern in Vektor 𝜽𝜽 reagieren:
𝑆𝑆𝑖𝑖𝑖𝑖 =𝜕𝜕𝑦𝑦𝑖𝑖
𝜕𝜕𝜃𝜃𝑖𝑖�
𝜽𝜽0
(Gl. 8)
Dabei ist 𝑦𝑦𝑖𝑖 der i-te Ausgang der Funkti- on, 𝜃𝜃𝑖𝑖der j-te Parameter und 𝜽𝜽0 der Punkt, um den herum Störungen (kleine Änderungen) realisiert werden. Die Di- mension der Sensitivitätsmatrix 𝑺𝑺 ist 𝑛𝑛𝑚𝑚 × 𝑛𝑛𝑝𝑝, wobei 𝑛𝑛𝑚𝑚 × 𝑛𝑛die Anzahl der 𝑝𝑝
Messungen ist und 𝑛𝑛𝑚𝑚 × 𝑛𝑛𝑝𝑝 die Anzahl der Parameter. Die Sensitivitätsanalyse ist eine lokale Analyse, ihre Ergebnisse müs- sen entsprechend aktualisiert werden, sobald neue (bessere) Parameterschät- zungen verfügbar sind.
Der Rang r(𝑺𝑺 ) bestimmt die Anzahl der linear unabhängigen Modellparame- ter, d. h. die Parameter, welche die identi- fizierbare Teilmenge des ursprünglichen 𝑛𝑛𝑚𝑚 × 𝑛𝑛𝑝𝑝 Parameterraums bilden. Die Auswahl der identifizierbaren Parameter erfolgt durch die Ordnung der Spalten von 𝑺𝑺 in abnehmender Reihenfolge der linearen Unabhängigkeit (über QR-Zerlegung mit Spaltenpivotisierung). Jede Spalte ent-
spricht genau einem Parameter. Entspre- chend werden die ersten r(𝑺𝑺 )-Spalten (Parameter) als identifizierbar ausge- wählt. Die Funktion, welche die Auswahl der Parameterteilmenge beschreibt, kann wie folgt ausgedrückt werden:
𝚯𝚯 ∈ ℝ𝑛𝑛𝑝𝑝 → 𝜽𝜽𝑖𝑖𝑖𝑖𝑆𝑆𝑆𝑆 ∈ ℝ𝑟𝑟(𝑆𝑆) (Gl. 9)
Die Performanz des modellbasierten „As- sistenzsystems“ (siehe Abschnitt 2.3) hängt entscheidend von der Genauigkeit des WP-Modells und damit von der Ge- nauigkeit der zu schätzenden Parameter- werte ab. Um den Informationsgehalt in den verfügbaren Messdaten möglichst frühzeitig für die Parameterschätzung zu nutzen, wird diese wiederholt durchge- führt: Immer dann, wenn neue Messda- ten eines Prüfpunkts verfügbar sind, wird die identifizierbare Parametermen- ge ermittelt und diese Parameter werden (neu) geschätzt. Die Werte der letzten Parameterschätzung werden für die Initi- alisierung der Parameterwerte der fol- genden Schätzung genutzt. Mit zuneh- mender Anzahl der Prüfpunkte erhöht sich die Anzahl (𝑛𝑛𝑚𝑚) der verfügbaren × 𝑛𝑛𝑝𝑝
Messwerte und damit die Dimension (𝑛𝑛𝑚𝑚 × 𝑛𝑛𝑝𝑝) der Sensitivitätsmatrix 𝑺𝑺 . Aufgrund des wachsenden Informations- gehaltes in den Messdaten nimmt auch die Anzahl der identifizierbaren Parame- ter im Laufe des Experiments zu.
Virtuelle Metrologie
Aufgabe der virtuellen Metrologie ist es, jene Werte zu erfassen, die in der physi- schen Realisierung im Twinning-Zyklus am Objekt umgesetzt werden. Sie ist da- mit abhängig von der konkreten Anwen- dung des digitalen Zwillings. Basierend auf einem Algorithmus werden aus dem Aggregat bzw. Zustandsraum virtueller Objekte jene ausgewählt, die der ge- wünschten Anwendung bzw. dem wahr- genommenen Nutzen des digitalen Zwil- lings entsprechen. Im konkreten Fall ist das die Ermittlung von Vorschlagswerten für ein Assistenzsystem auf Basis von Si- mulationsdaten der FMU.
Das sogenannte Assistenzsystem ist eine Funktion, deren Eingangsgrößen die Bedingungen des Prüfpunkts sind: die Kondensatoraustrittstemperatur ent- sprechend Norm 𝑇𝑇𝑛𝑛𝑛𝑛𝑟𝑟𝑚𝑚𝑐𝑐 , die Temperatur- differenz am Kondensator Δ𝑇𝑇norm𝑐𝑐 , das Teillastverhältnis 𝑟𝑟 und die Referenzheiz- leistung 𝑄𝑄̇ref𝑐𝑐 . Rückgabewerte sind die Eintrittstemperatur und der Massen- strom, der am Kondensator eingestellt werden soll, siehe Gleichung 10:
R =�𝑇𝑇ein𝑐𝑐 ,𝑚𝑚̇ �𝑐𝑐 = f�𝑇𝑇norm𝑐𝑐 , Δ𝑇𝑇norm𝑐𝑐 , 𝑟𝑟, 𝑄𝑄̇ref𝑐𝑐 �
(Gl. 10)
Der empfohlene Massenstrom 𝑚𝑚̇c wird mittels numerischem Lösungsverfah- ren iterativ für die gegebene Tempera- turdifferenz und in Abhängigkeit der Kondensatortemperaturen ermit- telt. Die Kondensatoraustrittstem- peratur 𝑇𝑇aus𝑐𝑐 wird gemäß der in Glei- chungen 1 – 4 beschriebenen Verfahren ermittelt. Dabei wird jeweils der virtuelle Prozess, d. h. die Simulation der FMU mehrfach angestoßen, um die entspre- chenden Ein- und Ausgangsgrößen des Modells und damit den auf das reale Objekt zu übertragenden Zustand zu er- mitteln.
2.3 Twinning-Zyklus – Adaptive Parame- teranpassung und Assistenzsystem Unter Twinning versteht man den (perio- dischen) Abgleich zwischen realer und virtueller Welt. Er erfolgt bidirektional über die Physisch-zu-virtuell-Verbindung und die Virtuell-zu-physisch-Verbindung.
Die Frequenz des Abgleichs (Twinning- Rate) erfolgt je nach Anwendungsbedarf, d. h. dem Nutzen, der aus dem digitalen Zwilling entstehen soll.
Im gezeigten Beispiel ist das zunächst die Erfassung der Parameter eines statio- nären Prüfpunkts der Wärmepumpe (dem physischen Objekt), bezeichnet als Zustand i. Die Übertragung auf das virtu- elle Objekt der FMU des Wärmepumpen- modells erfolgt durch Anpassung des Modell-Parametersatzes an die Mess- werte nach den in Abschnitt „Virtuelles
Objekt“ beschriebenen Methoden. An- schließend erfolgt die iterative Ermitt- lung neuer Parameter mithilfe des FMU- Simulationsmodells nach der in Ab- schnitt „Virtuelle Metrologie“ beschrie- benen Methodik. Zuletzt wird dieser neu ermittelte Zustand j auf die Wärmpumpe übertragen, indem er über das Assistenz- system dem Anlagenfahrer zur Verfü- gung gestellt und in die Steuerung über- nommen werden kann (physische Reali- sierung). Dieser Zyklus ist in Abb. 3 dar- gestellt.
Eine besondere Herausforderung stellt der Abgleich des Modells mit den Messwerten dar. Die Qualität des Ab- gleichs und die Modellgüte sind kritisch, da auf Basis des Modells über den ge- samten Prüfprozess verlässliche Vor- schläge erzeugt werden sollen.
3 Ergebnisse
Im Folgenden werden die Ergebnisse der Voruntersuchung und Modellanalyse anhand historischer WP-Prüfdaten und der reale Einsatz des Assistenzsystems vorgestellt.
3.1 Modellanalyse
Für die Modellanalyse wurde das WP- Modell mit historischen Daten einer kompletten WP-Leistungsprüfung, be- stehend aus 14 Prüfpunkten, gefitted.
Die Werte der neun Parameter (siehe Abb. 2) wurden durch Lösung des Mini- mierungsproblems (Gleichung 6 und 7) geschätzt. Dabei wurde die Imple- mentierung des Levenberg-Marquardt- Algorithmus des Python-Paketes scipy genutzt. Die Ergebnisse der Identifizier- Der Twinning-Zyklus nach [7]
3
WISSENSCHAFT
WÄRMEPUMPEN
53
KI Kälte · Luft · Klimatechnik · 04 2021 www.ki-portal.de
(links:) Reihung nach Parameter-Sensitivität. Die als identifizierbar selektierten Parameter sind grün markiert; (rechts:) Korrelationsmatrix der Parametersensitivität
4
barkeitsanalyse am Optimum sind in Abb. 4 (links) dargestellt. Die Abbildung zeigt die Sensitivitäten der einzelnen Pa- rameter. Vier von neun Parametern sind identifizierbar, diese sind grün markiert.
Weiterhin ist zu erkennen, dass, obwohl eine hohe Sensitivität des Modells für Parameteränderungen vorliegt, der Para- meter Pntaucompressornicht in die identifi- zierbare Teilmenge aufgenommen wur- de. Das kann mit Korrelationen mit ande- ren identifizierbaren und sensitiveren Parametern, bspw. ηmotor, erklärt wer- den. Dieses Ergebnis wird durch die Kor- relationsmatrix in Abb. 4 (rechts) bestä- tigt.
Die vier selektierten Parameter wur- den für die adaptive Modellanpassung genutzt. Für alle weiteren Parameter wurden Herstellerangaben bzw. Litera- turwerte genutzt. Die Ergebnisse des Fit- tings sind in Abb. 5 dargestellt. Sie zeigen eine brauchbare Modellgenauigkeit mit nahezu allen relativen Fehlern in einem
±5 % Bereich.
3.2 Adaptive Modellkalibrierung (Virtuelle Realisierung)
Die adaptive Modellkalibrierung basiert auf einer schrittweisen wiederholten (Neu-)Anpassung der identifizierbaren Modellparameter. Die Entwicklung der Parameter-Schätzwerte hängt dabei von der Reihenfolge der Prüfpunkte ab, diese ist für eine Standardreihenfolge in Abb. 6 dargestellt. Die Parameterwerte sind mit ihren bestmöglichen Abschätzungen skaliert. Bei einer robusten schrittweisen Abschätzung konvergieren die Parame- ter zu eins. In Abb. 6 ist das der Fall, wenn der siebte Prüfpunkt hinzugefügt wird.
Dieser markiert den Wechsel von der Nieder- auf die Mitteltemperaturanwen- dung.
Um die Konvergenz der schrittweisen adaptiven Parameter-Schätzung zu ver- bessern, wurde eine alternative Prüf- punktreihenfolge verwendet, siehe Abb. 7. In diesem Fall werden die Refe- renzpunkte (Volllastpunkte) nach EN- 14511 für Nieder- und Mitteltemperatur-
anwendung zuerst realisiert. In Abb. 7 kann beobachtet werden, dass dann die Parameter bereits nach dem dritten Prüf- punkt sehr nahe an dem finalen besten Schätzwert sind. Die Modellgenauigkeit verbessert sich schneller im Vergleich mit der Standardreihung und somit auch die Genauigkeit der Vorhersagen des Assis- tenzsystems. Als zusätzlicher Nebenef- fekt sollen die Temperaturvariationen zwischen den Prüfpunkten minimiert werden. Dies bedeutet beschleunigte Übergangsphasen zwischen den Prüf- punkten und geringere Lastwechsel und damit einen reduzierten Energieeinsatz.
3.3 Einsatz des Assistenzsystems
Wie in Abschnitt „Virtuelle Metrologie“
beschrieben, generiert das Assistenzsys- tem Vorschlagswerte für Kondensator- massenstrom und Kondensatoreintritts- temperatur für den Anlagenfahrer. Sie dienen dazu, die in der Prüfvorschrift vorgegebene Mischtemperatur, siehe Gleichung 1, bei einem Ein-/Ausbetrieb Simulations- gegenüber Messwerten für (a) Kompressorleistung, (b) Kondensatoraustrittstemperatur, (c) Verdampferaustrittstemperatur. Die strichlierte Linie entspricht einem ±5 % Fehlerbereich.
5
DKV-Tagung 2020, AA IV 01
11
Abbildung 4: links: Reihung nach Parameter-Sensitivität. Die als identifizierbar selektierten Parameter sind grün markiert. rechts: Korrelationsmatrix der Parametersensitivität
Die vier selektierten Parameter wurden für die adaptive Modellanpassung genutzt. Für alle weiteren Parameter wurden Herstellerangaben bzw. Literaturwerte genutzt. Die Ergebnisse des Fittings sind in Abbildung 5 darge- stellt. Sie zeigen eine brauchbare Modellgenauigkeit mit nahezu allen relativen Fehlern in einem 5 % Bereich.
Abbildung 5: Simulations- gegenüber Messwerten für (a) Kompressorleistung, (b) Kondensatoraustrittstempe- ratur, (c) Verdampferaustrittstemperatur. Die strichlierte Linie entspricht einem 5 % Fehlerbereich.
3.2 Adaptive Modelkalibrierung (Virtuelle Realisierung)
Die adaptive Modellkalibrierung basiert auf einer schrittweisen wiederholten (Neu-)Anpassung der identifizier- baren Modellparameter. Die Entwicklung der Parameter Schätzwerte hängt dabei von der Reihenfolge der Prüf- punkte ab, diese ist für eine Standardreihenfolge in Abbildung 6 dargestellt. Die Parameterwerte sind mit ihrer entsprechenden besten Abschätzung aus Abschnitt 3.1 skaliert. Bei einer robusten schrittweisen Abschätzung konvergieren die Parameter zu eins. In Abbildung 6 ist das der Fall, wenn der siebte Prüfpunkt hinzugefügt wird.
Dieser markiert den Wechsel von der Nieder- auf die Mitteltemperaturanwendung.
Um die Konvergenz der schrittweisen adaptiven Parameter-Schätzung zu verbessern, wurde eine alternative Prüfpunktreihenfolge verwendet, siehe Abbildung 7. In diesem Fall werden die Referenzpunkte (Volllastpunkte) nach EN-14511 für Nieder- und Mitteltemperaturanwendung zuerst realisiert. In Abbildung 7 kann beobachtet werden, dass dann die Parameter bereits nach dem dritten Prüfpunkt sehr nahe an dem finalen besten Schätz- wert sind. Die Modellgenauigkeit verbessert sich schneller im Vergleich mit der Standardreihung und somit auch die Genauigkeit der Vorhersagen des Assistenzsystems. Als zusätzlicher Nebeneffekt sollen die Temperaturvari- ationen zwischen den Prüfpunkten minimiert werden. Dies bedeutet beschleunigte Übergangsphasen zwischen den Prüfpunkten und geringere Lastwechsel und damit einen reduzierten Energieeinsatz.
DKV-Tagung 2020, AA IV 01
11
Abbildung 4: links: Reihung nach Parameter-Sensitivität. Die als identifizierbar selektierten Parameter sind grün markiert. rechts: Korrelationsmatrix der Parametersensitivität
Die vier selektierten Parameter wurden für die adaptive Modellanpassung genutzt. Für alle weiteren Parameter wurden Herstellerangaben bzw. Literaturwerte genutzt. Die Ergebnisse des Fittings sind in Abbildung 5 darge- stellt. Sie zeigen eine brauchbare Modellgenauigkeit mit nahezu allen relativen Fehlern in einem 5 % Bereich.
Abbildung 5: Simulations- gegenüber Messwerten für (a) Kompressorleistung, (b) Kondensatoraustrittstempe- ratur, (c) Verdampferaustrittstemperatur. Die strichlierte Linie entspricht einem 5 % Fehlerbereich.
3.2 Adaptive Modelkalibrierung (Virtuelle Realisierung)
Die adaptive Modellkalibrierung basiert auf einer schrittweisen wiederholten (Neu-)Anpassung der identifizier- baren Modellparameter. Die Entwicklung der Parameter Schätzwerte hängt dabei von der Reihenfolge der Prüf- punkte ab, diese ist für eine Standardreihenfolge in Abbildung 6 dargestellt. Die Parameterwerte sind mit ihrer entsprechenden besten Abschätzung aus Abschnitt 3.1 skaliert. Bei einer robusten schrittweisen Abschätzung konvergieren die Parameter zu eins. In Abbildung 6 ist das der Fall, wenn der siebte Prüfpunkt hinzugefügt wird.
Dieser markiert den Wechsel von der Nieder- auf die Mitteltemperaturanwendung.
Um die Konvergenz der schrittweisen adaptiven Parameter-Schätzung zu verbessern, wurde eine alternative Prüfpunktreihenfolge verwendet, siehe Abbildung 7. In diesem Fall werden die Referenzpunkte (Volllastpunkte) nach EN-14511 für Nieder- und Mitteltemperaturanwendung zuerst realisiert. In Abbildung 7 kann beobachtet werden, dass dann die Parameter bereits nach dem dritten Prüfpunkt sehr nahe an dem finalen besten Schätz- wert sind. Die Modellgenauigkeit verbessert sich schneller im Vergleich mit der Standardreihung und somit auch die Genauigkeit der Vorhersagen des Assistenzsystems. Als zusätzlicher Nebeneffekt sollen die Temperaturvari- ationen zwischen den Prüfpunkten minimiert werden. Dies bedeutet beschleunigte Übergangsphasen zwischen den Prüfpunkten und geringere Lastwechsel und damit einen reduzierten Energieeinsatz.
zu erreichen. Das Simulationsmodell er- mittelt die beiden Kondensatortempera- turen bzw. deren Differenz sowie die Heizleistung. Mit Einsatz des Assistenz- systems wurde die WP-Leistungsprüfung mit 7 (2 Referenzpunkte + 5 Teillastpunk- te) durchgeführt. Basierend auf Daten der beiden Referenzpunkte (B0W35 und B0W55), in denen keine Teillastemulati- on notwendig ist, wurde das Modell das erste Mal kalibriert. Dieser Vorgang wur- de anschließend mit jedem abgeschlos- senen Prüfpunkt für die jeweils verblei- benden Prüfpunkte wiederholt. Mithilfe des Assistenzsystems und damit der Vor- hersage von Temperaturen und Massen- strom konnte vollständig verhindert werden, dass eine iterative Anpassung für die emulierte Kondensator-Durch- schnittstemperatur notwendig ist. Der experimentelle Aufwand wurde halbiert.
Tab. 4 zeigt die vorgeschlagenen und tatsächlich realisierten Massenströme der einzelnen Prüfpunkte und Tab. 5 die Abweichung zur definierten Durch- schnittstemperatur 𝑇𝑇aus𝑐𝑐,norm. Es zeigt sich, dass die Realisierung in jedem geteste- ten Prüfpunkt innerhalb der erlaubten Abweichung von 0,2 K liegt.
4 Zusammenfassung und Schlussfolgerungen
Es konnte ein digitaler Zwilling einer Wärmepumpe demonstriert werden, der sich mit jedem erreichten Stationärpunkt iterativ neu kalibriert und für die gezeig- te Anwendung zuverlässig genaue Vor- hersagen für Temperaturen, Massenströ- me und Heizleistungen liefert.
Im Versuch konnte durch das Assis- tenzsystem unter Zuhilfenahme eines digitalen Zwillings die Anzahl der zu rea- lisierenden Teilasttestpunkte halbiert werden. Gleichzeitig konnten durch die optimale Reihung der Prüfpunkte ther- mische Lastwechsel der Prüfinfrastruk- tur minimiert werden, die das Heizen und Kühlen der gesamten Anlage zur Folge haben und maßgeblich die Dyna- mik und den Energieeinsatz beeinflus-
(links:) Parameterentwicklung für die adaptive Modellkalibrierung für die Standardreihung von Prüfpunkten; (rechts:) dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
6
(links:) Parameterentwicklung der adaptiven Modellkalibrierung für optimierte Reihung von Prüfpunkten; (rechts:) dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
7
sen. Damit werden Prüfpunkte schneller erreicht. Insgesamt wurde die Energie- einsparung zu einem Vergleichsversuch mit 47 % abgeschätzt. Zusätzlich zur An- wendung des digitalen Zwillings wäh- rend des Prüfbetriebs liegt als Endergeb- nis ein über den Testbereich kalibriertes Modell der Wärmepumpe vor. Es muss darauf hingewiesen werden, dass das Modell für die im Versuch verwendete
Wärmepumpe Spezifika enthält. Eine Evaluierung beziehungsweise Modell- Anpassungen an unterschiedliche Wärm- pumpenbauarten sowie die Eignung die- ses Modells für allgemeine Simulations- anwendungen sollen in zukünftigen Ar- beiten untersucht werden. Zudem soll untersucht werden, wie durch zusätzli- che Messungen Einzelkomponenten im Kältekreis identifiziert werden können. n
5 Nomenklatur Formelzeichen
𝑚𝑚̇ Massenstrom (kg/s)
𝑃𝑃 Elektrische Antriebsleistung (W) 𝑄𝑄̇ Wärmestrom (W)
𝑇𝑇 Temperatur (K) 𝑛𝑛 Drehzahl (%)
Indizes
c Kondensator o Verdampfer V Verdichter norm Gemäß Norm gem Messgröße
avg Durchschnittsgröße rec Vorschlagsgröße ref Referenzgröße
LITERATUR
[1] Müller, J. M., Buliga, O. u. Voigt, K.-I.: For- tune favors the prepared: How SMEs ap- proach business mo-del innovations in In- dustry 4.0. Technological Forecasting and Social Change 132 (2018), S. 2–17 [2] Virtual Twin: Manufacturing Excellence
through Virtual Factory Replication, Grieves, M. White-Paper. 2018 DKV-Tagung 2020, AA IV 01
12
Abbildung 6: (links) Parameterentwicklung für die adaptive Modellkalibrierung für die Standardreihung von Prüfpunkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
Abbildung 7: (links) Parameterentwicklung der adaptiven Modellkalibrierung für optimierte Reihung von Prüf- punkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
3.3 Einsatz des Assistenzsystems
Wie in Abschnitt „Virtuelle Metrologie“ beschrieben generiert das Assistenzsystem Vorschlagswerte für Konden- satormassenstrom und Kondensatoreintrittstemperatur für den Anlagenfahrer. Sie dienen dazu, die in der Prüf- vorschrift vorgegebene Mischtemperatur, siehe Gleichung (1), bei einem Ein-/Ausbetrieb zu erreichen. Das Si- mulationsmodell ermittelt die beiden Kondensatortemperaturen bzw. deren Differenz sowie die Heizleistung.
Abbildung 8 zeigt die response surface des Simulationsmodells und die Messwerte der realisierten Prüfpunkte.
Es ist ersichtlich, dass sowohl für die Temperaturdifferenz als auch für die Heizleistung eine gute Vorhersagequa- lität erreicht wird.
DKV-Tagung 2020, AA IV 01
12
Abbildung 6: (links) Parameterentwicklung für die adaptive Modellkalibrierung für die Standardreihung von Prüfpunkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
Abbildung 7: (links) Parameterentwicklung der adaptiven Modellkalibrierung für optimierte Reihung von Prüf- punkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
3.3 Einsatz des Assistenzsystems
Wie in Abschnitt „Virtuelle Metrologie“ beschrieben generiert das Assistenzsystem Vorschlagswerte für Konden- satormassenstrom und Kondensatoreintrittstemperatur für den Anlagenfahrer. Sie dienen dazu, die in der Prüf- vorschrift vorgegebene Mischtemperatur, siehe Gleichung (1), bei einem Ein-/Ausbetrieb zu erreichen. Das Si- mulationsmodell ermittelt die beiden Kondensatortemperaturen bzw. deren Differenz sowie die Heizleistung.
Abbildung 8 zeigt die response surface des Simulationsmodells und die Messwerte der realisierten Prüfpunkte.
Es ist ersichtlich, dass sowohl für die Temperaturdifferenz als auch für die Heizleistung eine gute Vorhersagequa- lität erreicht wird.
DKV-Tagung 2020, AA IV 01
12
Abbildung 6: (links) Parameterentwicklung für die adaptive Modellkalibrierung für die Standardreihung von Prüfpunkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
Abbildung 7: (links) Parameterentwicklung der adaptiven Modellkalibrierung für optimierte Reihung von Prüf- punkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
3.3 Einsatz des Assistenzsystems
Wie in Abschnitt „Virtuelle Metrologie“ beschrieben generiert das Assistenzsystem Vorschlagswerte für Konden- satormassenstrom und Kondensatoreintrittstemperatur für den Anlagenfahrer. Sie dienen dazu, die in der Prüf- vorschrift vorgegebene Mischtemperatur, siehe Gleichung (1), bei einem Ein-/Ausbetrieb zu erreichen. Das Si- mulationsmodell ermittelt die beiden Kondensatortemperaturen bzw. deren Differenz sowie die Heizleistung.
Abbildung 8 zeigt die response surface des Simulationsmodells und die Messwerte der realisierten Prüfpunkte.
Es ist ersichtlich, dass sowohl für die Temperaturdifferenz als auch für die Heizleistung eine gute Vorhersagequa- lität erreicht wird.
DKV-Tagung 2020, AA IV 01
12
Abbildung 6: (links) Parameterentwicklung für die adaptive Modellkalibrierung für die Standardreihung von Prüfpunkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
Abbildung 7: (links) Parameterentwicklung der adaptiven Modellkalibrierung für optimierte Reihung von Prüf- punkten. (rechts) Dazugehörige Verteilung der Kondensator-Eintrittstemperaturen
3.3 Einsatz des Assistenzsystems
Wie in Abschnitt „Virtuelle Metrologie“ beschrieben generiert das Assistenzsystem Vorschlagswerte für Konden- satormassenstrom und Kondensatoreintrittstemperatur für den Anlagenfahrer. Sie dienen dazu, die in der Prüf- vorschrift vorgegebene Mischtemperatur, siehe Gleichung (1), bei einem Ein-/Ausbetrieb zu erreichen. Das Si- mulationsmodell ermittelt die beiden Kondensatortemperaturen bzw. deren Differenz sowie die Heizleistung.
Abbildung 8 zeigt die response surface des Simulationsmodells und die Messwerte der realisierten Prüfpunkte.
Es ist ersichtlich, dass sowohl für die Temperaturdifferenz als auch für die Heizleistung eine gute Vorhersagequa- lität erreicht wird.
WISSENSCHAFT
WÄRMEPUMPEN
55
KI Kälte · Luft · Klimatechnik · 04 2021 www.ki-portal.de
[3] Modeling, Simulation, Information Tech- nology & Processing Roadmap. Technolo- gy Area 11, Shafto, M., Conroy, M., Doyle, R., Glaessgen, E., Kemp, C., LeMoigne, J. u.
Wang, L.
[4] Glaessgen, E. u. Stargel, D.: The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles. Structures, Structural Dynamics, and Materials Conferences. 53rd AIAA/ASME/ASCE/AHS/
ASC Structures, Structural Dynamics and Materials Conference. 2012
[5] Schüller, A., Modersohn, A., Kawohl, M. u.
Wrede, J.: Der Digitale Zwilling in der Pro- zessindustrie. Informationsmanagement als Grundlage der Digitalisierung. atp ma- gazin, 61(1-2), 70-81.
[6] Boss, B., Malakuti, S., Lin, S.-W., Usländer, T., Clauer, E., Hoffmeister, M. u. Stojanovic, L.: Digital Twin and Asset Administration Shell Concepts and Application in the In- dustrial Internet and Industrie 4.0. An In- dustrial Internet Consortium and Platt- form Industrie 4.0 Joint Whitepaper.
[7] Jones, D., Snider, C., Nassehi, A., Yon, J. u.
Hicks, B.: Characterising the Digital Twin:
A systematic literature review. CIRP Jour- nal of Manufacturing Science and Techno- logy 29 (2020), S. 36–52
[8] López C., D. C., Barz, T., Körkel, S. u. Wozny, G.: Nonlinear ill-posed problem analysis in model-based parameter estimation and experimental design. Computers & Che- mical Engineering 77 (2015), S. 24–42 4 Vorgeschlagene und umgesetzte Temperaturen und Massenströme
für jeden Prüfpunkt
B0W24-15% B0W30-54% B0W30-15% B0W34-88% B0W42-54%
𝑚𝑚̇rec𝑐𝑐 (kg/s) 0.663 0.663 0.413 0.655 0.405
𝑚𝑚̇gem𝑐𝑐 (kg/s) 0.679 0.664 0.400 0.633 0.395
𝑇𝑇ein ,rec𝑐𝑐 (°C) 23.37 27.28 29.06 29.59 37.94
𝑇𝑇ein ,gem𝑐𝑐 (°C) 23.27 27.32 28.85 29.61 37.80
5 Differenzen zwischen gemessener und definierter Durchschnittstemperatur
B0W24-15% B0W30-54% B0W30-15% B0W34-88% B0W42-54%
Δ𝑇𝑇avg𝑐𝑐 (K) -0.11K 0.05K -0.20K -0.05K -0.14K