KI deckt Ventildefekte auf

Die Digitalisierung in der Wärmeversorgung schreitet mit großen Schritten voran, und eine der größten Herausforderungen dabei sind oft unscheinbare, aber äußerst relevante Probleme in den Hausstationen. Ein häufig auftretendes Problem sind Volumenstromregelventile, die auf der Primärseite der HAST nicht mehr vollständig schließen können. Dies liegt oft an Verschleiß und Verschmutzung, die verhindern, dass die Ventile genügend Hubkraft aufbringen, um vollständig zu schließen. Paradoxerweise wird dieser Verschleiß durch das ständige Öffnen und Schließen der Ventile weiter verstärkt.

Dieser Defekt führt zu erhöhten Wärmeverlusten und beeinträchtigt das gesamte Fernwärmesystem. Die Rücklauftemperaturen steigen, wodurch die Effizienz des Systems sinkt. Wenn die Ventile nicht mehr schließen können, werden die Sekundärtemperaturen am Wärmeübertrager nicht mehr eingehalten. Dies kann Schwingvorgänge in den Heizkreisen verursachen und zu überhöhten Beladungstemperaturen bei Trinkwarmwasserspeichern (TWW-Speicher) oder zu hohen Temperaturen bei Frischwasserstationen führen.

In den Abbildungen 1 und 2 ist der Volumenstrom und die Wärmeleistung eines Wärmezählers dargestellt. Hier wird deutlich, dass nach einer Wärmeabnahme weiterhin ein hoher Volumenstrom bestehen bleibt. Dieses Verhalten tritt auf, wenn das Regelventil nicht mehr vollständig schließen kann.

Abbildung 3 zeigt ein weiteres typisches Verhalten, das auftritt, wenn das Regelventil auf der Primärseite der HAST nicht mehr korrekt öffnen oder schließen kann. Dieser Defekt entwickelt sich üblicherweise erst nach einer gewissen Zeit, in der das Ventil bereits Anzeichen wie in den Abbildungen 1 und 2 zeigt.

Die Art und Weise, wie sich Ventildefekte in den Messdaten des Wärmezählers abzeichnen und sich über die Zeit verstärken, legt nahe, dass sich dafür prädiktive Wartung eignet, um sie frühzeitig zu erkennen.

In Abbildung 4 sind zusätzlich zu den 1-Minuten-Werten eine 15-Minuten- und eine 1-Stundenauflösung dargestellt. Es ist zu sehen, dass auch bei höheren Auflösungen nicht mehr vollständig schließende Ventile erkennbar sind. Die tatsächlichen Leistungsspitzen werden ab einer 1-Stundenauflösung nur noch zufällig erkannt. Dennoch sollte eine 1-Stundenauflösung ausreichen, um sich anbahnende Ventildefekte zu erkennen.

Zur automatisierten Erkennung fehlerhafter Ventile setzen wir ein Neuronales Netzwerk ein. Einfache numerische Ansätze zur Erkennung von Beladevorgängen haben sich als unzureichend erwiesen, da die vielfältigen möglichen Muster zu komplex sind. Ein Neuronales Netzwerk bietet die nötige Flexibilität und Genauigkeit, um diese komplexen Muster effektiv zu erkennen und zu klassifizieren.

Als Netzwerkarchitektur wurde eine Gated Recurrent Unit (GRU) gewählt. GRUs sind besonders gut darin, zeitliche Zusammenhänge zu erkennen und bieten im Vergleich zu Long Short-Term Memory Netzwerken (LSTM) den Vorteil, weniger Parameter zu benötigen und kürzere Trainingszeiten zu haben. In diesem Fall funktioniert die GRU auch mit wenigen Trainingsdaten deutlich besser als ein einfaches Neuronales Netzwerk (Dense).

Das Netzwerk dient zur einfachen Klassifizierung, ob ein Fehlverhalten am Ventil vorliegt. Aufgrund mangelnder Trainings- und Testdaten konnten wir keine Klassifizierung in mehrere Klassen testen. Dennoch ermöglicht die gewählte Netzwerkarchitektur es, mit sehr wenigen Parametern präzise Ergebnisse zu erzielen.

Das Netzwerk erhält als Input den Volumenstrom und die Wärmeleistung des Wärmezählers. Die Datenanalyse konzentriert sich auf die Sommermonate; die Wintermonate wurden aus zeitlichen Gründen nicht überprüft. Dennoch legen die Ergebnisse nahe, dass fehlerhafte Ventile auch im Winter gut erkannt werden könnten. Der Output ist ein einzelner Wert: fehlerhaft oder nicht (0 und 1).

Trainingsdaten

Testsdaten

Das Netzwerk wurde in zwei Schritten trainiert, dies führte zu den besten Ergebnissen. Im ersten Schritt wurden alle Parameter des Netzwerks trainiert. In einem zweiten Schritt wurde nur der GRU-Anteil trainiert, um ein zu verhindern, dass die geringe Parameterzahl im Output zu Schwinungen führt.

Das Netzwerk verarbeitet die Daten in 15-Minuten-Auflösung in 2-Tagessets. Auflösungen kleiner als 15 Minuten können auf 15-Minuten-Werte gesampelt werden, während Auflösungen bis zu 1 Stunde interpoliert werden können. Für niedrigere Auflösungen als 1 Stunde ist das Netzwerk jedoch nicht geeignet.

Für den Test der Erkennung verwendeten wir die Daten aus 880 Stationen, unter denen sich 29 Stationen mit einem Defekt am Volumenstromregelventil befanden. Das Modell erreichte eine hundertprozentige Trefferquote.

Die Integration digitaler Wärmezähler und die systematische Auswertung ihrer Daten sind entscheidend für die Optimierung von Fernwärmesystemen. Sie ermöglichen nicht nur die frühzeitige Erkennung von Ventildefekten, sondern auch die Minimierung von Wärmeverlusten und die Sicherstellung einer effizienten und zuverlässigen Wärmeversorgung. Durch prädiktive Wartung und die Nutzung hochaufgelöster Daten können Versorger die Leistung ihrer Systeme verbessern und gleichzeitig die Umweltbelastung reduzieren. Dies ist ein weiterer Schritt in Richtung einer nachhaltigen und intelligenten Wärmeversorgung.