Entwicklung einer Machine Learning basierten Regelung für hocheffiziente Haushaltskühl- und Gefriergeräte
Kurzbeschreibung:
In Haushaltskühl- und Gefriergeräten werden traditionell Kapillardrosseln eingesetzt, die jedoch bei variablen Betriebsbedingungen deutliche Effizienzverluste verursachen. Elektronische Expansionsventile bieten hier Vorteile, müssen jedoch aufgrund von Fertigungstoleranzen individuell angepasst werden. Eine mögliche Lösung bieten hier Machine-Learning Methoden, um eine selbstlernende Regelung zu erzeugen.
Ziel der Masterarbeit ist es, ein Machine-Learning-basiertes Regelungskonzept für Haushaltskühl- und Gefriergeräte zu entwickeln und simulativ zu testen. Dabei soll ein bestehendes 1D-Python-Simulationsmodell eines Kältekreislaufs verwendet werden. Mithilfe von Simulationen wird ein Referenzgerät abgebildet und daraus ein ML-Modell erstellt. Anschließend werden Varianten mit Fertigungstoleranzen simuliert, die mithilfe eines Active-Learning-Ansatzes selbstständig lernen, die optimale Ventilstellung für jeden Betriebszustand zu finden.
Inhalt:
- Literaturrecherche zu Machine Learning und Kältekreisläufen (ca. 0.5 Monate)
- Einarbeitung in das vorhandene Python-Simulationsmodell (ca. 0.5 Monate)
- Parametrisierung und Simulation des Referenzgeräts (ca. 1 Monat)
- Erstellung des Machine-Learning-Modells inkl. Active-Learning (ca. 2 Monate)
- Anwendung des Modells auf Geräte mit Fertigungstoleranzen (ca. 1 Monat)
- Auswertung und Dokumentation der Ergebnisse (ca. 1 Monat)
Beginn:
Ab sofort
Dauer:
Ca. 6 Monate (40h/Woche)
Kontakt:
Fachbereichsleiter:
Assoc. Prof. Dr. Michael Lang, +43 (316) 873-30156, Bitte Javascript aktivieren!
Betreuer:
DI Dr. Stefan Posch, +43 (316) 873-30084, Bitte Javascript aktivieren!
DI Kevin Wimmer, +43 (316) 873-30235, Bitte Javascript aktivieren!