Im Projekt TLP4Heat soll ein Digitalisierungsworkflow erarbeitet werden, welcher eine Verwertung der Instandhaltungsinformationen in Fernwärmesystemen für die Entwicklung optimaler Instandhaltungsstrategien ermöglicht.

Zur Wirtschaftlichkeit des Fernwärmenetzbetriebs können die Wartungsaktivitäten an den Fernwärme-Übergabestationen (ÜS) durch prädiktive Instandhaltungsstrategien optimaler betrieben werden. Eine erforderliche Grundlage ist die Digitalisierung von Instandhaltungsinformationen (IH-Informationen) wie z.B. Serviceberichten . Diese enthalten in Freitexten die Schlüsselinformationen für den Aufbau von Modellen zur Fehler-Detektion. Eine Verwertung dieser Informationen ist allerdings nur möglich, wenn diese einheitlich und strukturiert vorliegen. Hauptziel des Projektes ist die Erarbeitung eines Digitalisierungsworkflows für die Vereinheitlichung und Strukturierung von Instandhaltungsinformationen in Fernwärmesystemen.

Das Projekt ist interessant für:

Stadtwerke, Betreiber von Fernwärmenetze, Komponentenhersteller

• Bestandanalyse von IH-Informationen sowie technischen Regelwerken für die Instandhaltungsarbeiten im Fernwärmesektor
• Untersuchung des Einsatzes von AI-Assisted-Tagging für die automatisierte Datenannotation
• Entwicklung eines konventionellen Machine-Learning-Klassikators als Baseline für die Bewertung komplexerer Methoden
• Untersuchung der Einsatz von Worteinbettungsvektoren für die Klassifikatorentwicklung basiert auf neuronalen Netzwerken

• Zur Aufbereitung der Daten sollen Methoden des AI-Assisted-Tagging eingesetzt werden. Insbesondere die Anwendung des National Institutes for Standards and Technologie mit dem Namen Nestor. Dadurch kann ein gelabelter Datensatz zur Klassifikatorentwicklung erstellt werden
• Klassifikatoren werden mithilfe von Sklearn und Keras entwickelt. Ersteres für die Entwicklung von RandomForests, zweiteres für die Entwicklung von Neuronalen Netzen.
• Worteinbettungsvektoren sollen eingesetzt werden, um die Klassifikation des Neuronalen Netzes zu verbessern. Für den Einsatz in der Domäne Wärme müssen die Worteinbettungsvektoren jedoch erst entwickelt werden.

In einem ersten Schritt erfolgt eine Bestandsanalyse von Instandhaltungsdaten (IH-Daten) im Fernwärmesektor mit der Unterstützung des Energieeffizienzverbands für Wärme (AGFW). Durch die Aufbereitung der Datengrundlage gilt es die zu Verfügung gestellten Informationen in ein allgemeines Schema zu überführen, welches eine Grundlage für die Entwicklung der Klassifikationen darstellt. Vor der Aufbereitung sind keine Label vorhanden, die zum Training eines Klassifikators genutzt werden können. Durch die Aufbereitung mittels AI-Assisted-Tagging werden diese Labels vergeben. Die Label beschreiben z.B. das betroffene Bauteil, die durchgeführte Maßnahme oder im Idealfall sogar die Fehlerursache. 

Der letzte Schritt ist die Entwicklung und der Vergleich von unterschiedlichen Klassifikatoren, die die Texte in den IH-Daten automatisiert den Labels zuweist. Zunächst soll ein relativ einfacher Machine-Learning-Klassifikator zum Einsatz kommen, um eine Baseline für die Bewertung komplexerer Methoden zu schaffen. Als mögliche Erweiterungen sollen ein Neuronales Netzwerk sowie eines mit dem Einsatz von Worteinbettungsvektoren getestet werden. Die entwickelten Klassifikatoren können dann auf weitere Freitexte angewendet werden und diese somit kategorisieren und strukturierte und vereinheitliche Daten ermöglichen.  

Die strukturierten IH-Informationen könnten von Betreibern für die Ermittlung von KPIs verwendet werden und somit bei strategischen Entscheidungen sowie Optimierung ihrer IH-Prozesse unterstützen. Weiterhin sind die strukturierte IH-Daten eine wichtige Grundlage für die Weiterentwicklung von Machine-Learning-Verfahren für die Fehler-Detektion wie z.B. Clustering.  Eine weitere Verwertung ist es Techniker im Feld ein Unterstützungssystem zur Hand zu geben, das sie bei der Beschreibung von Wartungseinsätzen erleichtert und eine gleiche Beschreibung der Einsätze gewährleistet. Auch dafür kann der trainierte Klassifikator verwendet werden. 

• Beschaffung von Bestandinformationen der Instandhaltung
• • Beschaffung von Bestandsdaten
  • Beschaffung von technischen Regelwerken
• Aufbereitung der Bestandsdaten
  • Informationen in ein allgemeines Schema zu überführen
  • Labeling mittels AI-Assisted-Tagging
• Klassifikatorenentwicklung
  • Baseline: einfacher Machine-Learning-Klassifikator
  • Mögliche Erweiterung: Neuronales Netzwerk, Einsatz von Worteinbettungsvektoren mit BERT

Fraunhofer IEE:

• Holger Dittmer (holger.dittmer@iee.fraunhofer.de)
• Marc-Alexander Lutz (alexander.lutz@iee.fraunhofer.de)
• Edison Guevara (edison.guevara@iee.fraunhofer.de)
  

AGFW Projekt GmbH (https://www.agfw.de/)

• Forschungsideen und Ergebnisse können in den regelsetzenden Gremien des Verbandes vorgestellt und diskutiert werden. Langfristig ist eine Aufnahme von Projektergebnissen in das Regelwerk möglich. Im Sinne einer optimalen Öffentlichkeitswirksamkeit können die Projekterkenntnisse über den AGFW an die Verbandsmitglieder verteilt und somit direkt an eine relevante Zielgruppe adressiert werden.

Enercity Netz GmbH (https://www.enercity-netz.de/)

• Der Fernwärmenetzbetreiber aus Hannover treibt die Digitalisierung der Fernwärmeübergabestationen bereits im Rahmen des Verbundforschungsvorhabens „Digitalisierung von Wärmeversorgungsstrukturen in einem virtuellen Wärmekraftwerk – Einsatz von Informations- und Kommunikationsstrukturen zur optimierten und prognosegestützten Steuerung von Wärmeerzeugungs- und Nutzeranlagen – Smartheat (Förderkennzeichen 03ET1673A)“ in Zusammenarbeit mit der AGFW Projekt GmbH und dem Fraunhofer IEE voran. Für das Projekt TLP4Heat stellt das Unternehmen O&M-Informationen aus dem Fernwärmenetzbetrieb zur Verfügung.

Aalborg Forsyning (https://aalborgforsyning.dk/)

• Das Fernwärmeunternehmen aus Dänemark stellt O&M-Informationen aus dem Fernwärmenetzbetrieb zur Verfügung.

Danfoss (https://www.danfoss.com/de-de/)

• Für Fernwärmesysteme entwickelt Danfoss unter anderem Mess- und Regelungstechnik sowie Übergabestationen.

Projektlaufzeit

Januar – Juni 2022

Dr. Anna Kallert

+49 (0) 561 804-1876