KI-Algorithmus
Wie findet man die beste technische Lösung für ein System, d. h die optimale Dimensionierung, Auslegung und Betriebsweise der einzelnen Systemkomponenten, so dass die Gesamtkosten nach einem Betrieb von 20 Jahren minimal sind? Dabei muss in jedem Betriebspunkt im Jahr die Innenluftqualität gewährleistet sein und der Schalldruckpegel im Büro eingehalten werden.
Ein Beispiel: Das System sei ein Bodeninduktionsgerät, kombiniert mit Bodenventilatorkonvektoren und einem Überströmdurchlass in der Flurwand (System VKB-HFB-LDO-T) in einem 5-Achsbüro.
Die Zuluft wird durch ein im Boden installiertes Bodeninduktionsgerät (HFB) in den Raum eingebracht, dabei steht Heiz- und Kühlleistung zur Verfügung, wobei die Frischluft selbst auch eine Kühlwirkung entfaltet. Sollte die Leistung nicht ausreichen, darf das System um Bodenventilatorkonvektoren (VKB) ergänzt werden. Die Luft strömt danach über Überströmdurchlässe (LDO-T) in der Wand in die Innenzone des Gebäude und wird dort abgesaugt.
Zur Verfügung stehen 0…5 (D1 ) Bodeninduktionsgeräte in drei verschiedenen Baugrößen (D2). Jedes Gerät kann eine beliebige Primärluftmenge (D3) einbringen, 0…100 % Heizleistung (D4) oder 0…100 % Kühlleistung (D5) erbringen.
Dazu 0…5 (D6 ) Bodenventilatorkonvektoren in drei verschiedenen Baugrößen (D7). Diese können auf verschiedenen Drehzahlstufen betrieben werden (D8), 0…100 % Heizleistung (D9) oder 0…100 % Kühlleistung (D10) erbringen.
Das Abluftelement kann 0…5-mal eingesetzt werden (D11), in drei Baugrößen (D12) und mit einem beliebigen Volumenstrom (D13).
Es liegt also ein 13-dimensionales Optimierungsproblem vor (D1…D13), bei dem jeder Parameter einen Einfluss auf Investitions-, Wartungs-, Instandhaltungs- und Betriebskosten hat, den Energieverbrauch beeinflusst, z. B. in Heiz- oder Kühlleistung, der Pumpenleistung oder dem Stromverbrauch des Lüftungsventilators. Jeder Energieaufwand fließt in die Optimierung mit ein. Die Frage ist nun: Welche technische Lösung in diesem 13-dimensionalen Raum erfüllt alle Randbedingungen (geometrisch, akustisch, leistungsmäßig) und hat nach einer 20-jährigen Betriebszeit die niedrigsten Kosten und den niedrigsten Primärenergieverbrauch?
Ein Optimierungszyklus des SystemFinders
Welches mathematische Verfahren führt zur optimalen Lösung?
Es ist nicht trivial, hierfür ein konvergierendes mathematisches Optimierungsverfahren zu finden, zumal das Verfahren bei allen ganz unterschiedlichen Systemen zu einer Lösung führen soll und jedes System ein eigenes Konvergierungsverhalten hat. Im Bereich der künstlichen Intelligenz gibt es neben dem viel diskutierten Maschine Learning (bei dem Muster zuverlässiger erkannt werden) auch innovative Optimierungsverfahren.
Künstliche Intelligenz und Schwarmoptimierung
Die mathematische Theorie der PSO (partikel swarm optimization) wurde 1995 von James Kennedy und Russell Eberhart in einer Veröffentlichung „A New Optimizer Using Particle Swarm Theory“ vorgeschlagen und beim 6. „International Symposium on Micro Machine and Human Science“ vorgestellt. Dieses Verfahren wurde weiterentwickelt und kann als metaheuristisches Verfahren auf alle Klassen von Problemen angewendet werden, auch wenn diese ein nichtlineares Verhalten haben.
PSO ist ein evolutionärer Optimierungsalgorithmus, bei dem die möglichen
physikalischen Lösungen für ein System einen Schwarm bilden, der sich bei dieser
Anwendung in 13 Dimensionen bewegen kann. Nachdem ein Schwarm möglicher
technisch valider Lösungen erzeugt wurde kommt die Phase der explorativen Suche
(die evolutionäre Mutationsphase oder explorative search), um bessere Lösungen
im Umfeld des Schwarms zu finden. Dann, in der Phase der Schwarmoptimierung,
bewegt sich der Schwarm auf das aktuelle Optimum zu und sucht weiter nach
Verbesserungen. Das Ziel ist der Auslegungspunkt mit den niedrigsten Gesamt-
kosten TCO, den Total Cost of Ownership.