DE102022109776A1

DE102022109776A1 - Method for automatically detecting an unstable control behavior and for automatically detecting a limit-stable control behavior of at least one oscillating control loop within an air conditioning system

Info

Publication number: DE102022109776A1
Application number: DE102022109776.5A
Authority: DE
Inventors: Dorothea Völkerling
Original assignee: Gebrueder Trox GmbH
Current assignee: Gebrueder Trox GmbH
Priority date: 2022-04-22
Filing date: 2022-04-22
Publication date: 2023-10-26
Anticipated expiration: 2042-04-23
Also published as: DE102022109776B4

Abstract

Die Erfindung betrifft ein Verfahren zur automatischen Erkennung eines instabilen Regelverhaltens und zur automatischen Erkennung eines grenzstabilen Regelverhaltens zumindest eines schwingenden Regelkreises innerhalb einer klimatechnischen Anlage, wobei jeder Regelkreis einen Regler, zumindest eine Messeinrichtung sowie eine Stelleinrichtung umfasst, wobei der Regler zumindest eines Regelkreises einen von der zumindest einen Messeinrichtung bestimmten Ist-Wert mit einem hinterlegten Sollwert vergleicht und der Regler bei einer Abweichung aus der Differenz zwischen dem Sollwert und dem bestimmten Ist-Wert eine Stellgröße bildet und diese Stellgröße an die zugeordnete Stelleinrichtung dieses Regelkreises aussendet, und die von der zumindest einen Messeinrichtung bestimmten Ist-Werte unter Berücksichtigung ihres jeweiligen Zeitwertes in zumindest einer Speichereinrichtung gespeichert werden.The invention relates to a method for the automatic detection of an unstable control behavior and for the automatic detection of a limit-stable control behavior of at least one oscillating control loop within an air conditioning system, each control loop comprising a controller, at least one measuring device and an adjusting device, the controller of at least one control loop being one of the compares at least one actual value determined by a measuring device with a stored setpoint and, in the event of a deviation from the difference between the setpoint and the determined actual value, the controller forms a manipulated variable and sends this manipulated variable to the assigned actuating device of this control circuit, and from the at least one Measuring device determined actual values are stored in at least one storage device, taking into account their respective time value.

Description

In der Praxis werden klimatechnische Anlagen regelmäßigen Wartungen unterzogen, um u. a. schwingende Regelkreise zu identifizieren. Auch werden teilweise punktuell Untersuchungen an raumklimatechnischen Anlagen durchgeführt, sobald eine fehlerhafte Funktion einer Anlage festgestellt wird.In practice, air conditioning systems are subjected to regular maintenance in order to, among other things, Identify oscillating control loops. In some cases, investigations are carried out on room air conditioning systems as soon as a faulty function of a system is detected.

Nachteilig bei den bekannten Verfahren ist, dass bei Einhaltung von regelmäßigen Wartungsintervallen zum einen klimatechnische Anlagen gewartet werden, obwohl diese ein betriebsbestimmungskonformes Regelverhalten aufweisen, und zum anderen klimatechnische Anlagen mit unerwünschten Regelverhalten, unabhängig vom ersten Auftreten des Regelverhaltens, erst nach Ablauf des laufenden Wartungsintervalls der Anlage gewartet werden. Im letztgenannten Fall können abhängig von der klimatechnischen Anlage aufgrund der mangelnden Funktion der Anlage teils schwerwiegende Probleme auftreten, wie beispielsweise eine unerwünschte Temperaturabweichung in einer Lagerhalle, die erst dann behoben werden kann, wenn entweder der Missstand erkannt worden ist oder das laufende Wartungsintervall abgelaufen ist. Im erstgenannten Fall muss die klimatechnische Anlage unter Umständen außer Betrieb genommen werden. Auch können hohe Kosten durch eine zeitintensive Inspektion der klimatechnischen Anlage ohne eine tatsächliche Notwendigkeit anfallen.The disadvantage of the known methods is that if regular maintenance intervals are adhered to, on the one hand, air conditioning systems are serviced even though they have control behavior that conforms to the operating regulations, and on the other hand, air conditioning systems with undesirable control behavior, regardless of the first occurrence of the control behavior, only after the current maintenance interval has expired system must be maintained. In the latter case, depending on the air conditioning system, serious problems can occur due to the system's lack of functionality, such as an undesirable temperature deviation in a warehouse, which can only be remedied when either the problem has been identified or the current maintenance interval has expired. In the first case, the air conditioning system may have to be taken out of operation. High costs can also be incurred due to a time-consuming inspection of the air conditioning system when it is not actually necessary.

Aufgabe der Erfindung ist es, die vorgenannten Nachteile zu vermeiden, und ein Verfahren zur automatischen Erkennung eines instabilen Regelverhaltens und zur automatischen Erkennung eines grenzstabilen Regelverhaltens zumindest eines schwingenden Regelkreises innerhalb einer klimatechnischen Anlage anzugeben.The object of the invention is to avoid the aforementioned disadvantages and to provide a method for automatically detecting an unstable control behavior and for automatically detecting a limit-stable control behavior of at least one oscillating control loop within an air conditioning system.

Diese Aufgabe wird dadurch gelöst, dass zunächst in einem initialen Anlernschritt

a) jeder bestimmte Ist-Wert einen Eingangswert darstellt, dem einer von zwei Klassifizierungswerten zugeordnet wird, wobei der eine Klassifizierungswert ein instabiles Regelverhalten oder ein grenzstabiles Regelverhalten markiert und der andere Klassifizierungswert ein stabiles Regelverhalten markiert,
b) die Eingangswerte zunächst in Datenblöcke unterteilt werden und jeder Datenblock anschließend mittels einer Methode in seine Frequenzanteile zergliedert wird,
c) für jeden Datenblock aus Aktion b) die Frequenzanteile dieses Datenblocks in einen Vektor überführt werden und dieser Vektor mit dem mittleren Zeitwert dieses Datenblocks indiziert wird
d) und jeder Vektor zusammen mit einem ihm zugeordneten Klassifizierungswert in einer, vorzugweise in der Speichereinrichtung hinterlegten, Datenbank gespeichert wird, wobei jedem Vektor der Klassifizierungswert zugeordnet wird, der in Aktion a) einem Eingangswert, dessen Zeitwert identisch mit dem mittleren Zeitwert des Vektors ist, zugeordnet wurde,

dass in einem anschließenden Schritt, vorzugsweise kontinuierlich, während des späteren Betriebes der klimatechnischen Anlage

e) jeder während des Betriebes bestimmte Ist-Wert einen Eingangswert darstellt,
f) die Eingangswerte aus Aktion e) zunächst in Datenblöcke unterteilt werden und jeder Datenblock anschließend mittels einer Methode in seine Frequenzanteile zergliedert wird,
g) für jeden Datenblock aus Aktion f) die Frequenzanteile dieses Datenblocks in einen Vektor überführt werden und jeder Vektor mit dem mittleren Zeitwert dieses Datenblocks indiziert wird,
h) mittels eines Klassifizierungsalgorithmus jeder Vektor aus Aktion g) mit den in der Datenbank aus Aktion d) vorhandenen Vektoren verglichen wird,
i) bei dem Vergleich aus Aktion h) zu jedem Vektor aus Aktion g) zumindest ein identischer Vektor und/oder zumindest ein ähnlicher Vektor aus der Datenbank aus Aktion d) ausgewählt wird/werden,
j) der Klassifizierungswert jedes ausgewählten Vektors aus Aktion i) aus der Datenbank aus Aktion d) ausgelesen wird und
k) anhand des ausgelesenen Klassifizierungswerts/der ausgelesenen Klassifizierungswerte aus Aktion j) ein Klassifizierungswert für jeden Vektor aus Aktion g) ermittelt und diesem Vektor zugeordnet wird.

This task is solved in that first in an initial training step

a) each specific actual value represents an input value to which one of two classification values is assigned, one classification value marking unstable control behavior or marginally stable control behavior and the other classification value marking stable control behavior,
b) the input values are first divided into data blocks and each data block is then broken down into its frequency components using a method,
c) for each data block from action b) the frequency components of this data block are converted into a vector and this vector is indexed with the average time value of this data block
d) and each vector is stored together with a classification value assigned to it in a database, preferably stored in the storage device, with each vector being assigned the classification value, which in action a) is an input value whose time value is identical to the average time value of the vector , was assigned,

that in a subsequent step, preferably continuously, during the later operation of the air conditioning system

e) each actual value determined during operation represents an input value,
f) the input values from action e) are first divided into data blocks and each data block is then broken down into its frequency components using a method,
g) for each data block from action f) the frequency components of this data block are converted into a vector and each vector is indexed with the average time value of this data block,
h) each vector from action g) is compared with the vectors from action d) present in the database using a classification algorithm,
i) in the comparison from action h) to each vector from action g), at least one identical vector and/or at least one similar vector from the database from action d) is/are selected,
j) the classification value of each selected vector from action i) is read from the database from action d) and
k) based on the read classification value(s) from action j), a classification value is determined for each vector from action g) and assigned to this vector.

Durch das erfindungsgemäße Verfahren können klimatechnische Anlagen mit einem instabilen Regelverhalten und klimatechnische Anlagen mit einem grenzstabilen Regelverhalten automatisch identifiziert werden. Damit können rechtzeitig Maßnahmen zur Wiederherstellung eines betriebsbestimmungskonformen Regelverhaltens eingeleitet werden. Somit können sowohl Standzeiten aufgrund verfrühter Wartung als auch längerfristige Fehlfunktion der klimatechnischen Anlage vermieden werden.The method according to the invention can be used to automatically identify air conditioning systems with unstable control behavior and air conditioning systems with borderline stable control behavior. This means that measures can be initiated in a timely manner to restore control behavior that complies with operating regulations. This means that downtimes due to premature maintenance as well as long-term malfunctions of the air conditioning system can be avoided.

Ein instabiles Regelverhalten kann beispielsweise dann vorliegen, wenn es in einem Regelkreis zu aufklingenden Schwingungen kommt. Kleine anfängliche Fehler werden dabei durch eine ungeeignete Gegensteuerung immer größer. Aufgrund einer ungeeigneten Steuerung durch den Regler werden die Schwingungen eines anfänglichen Fehlers also nicht reduziert, sondern im Gegenteil immer größer. Im Grenzfall zwischen Stabilität und Instabilität bleibt der Regler hingegen in konstantem Schwingen. Bei einem stabilen Regelverhalten klingen die Schwingungen ab.An unstable control behavior can occur, for example, if oscillations occur in a control loop. Small initial errors become larger and larger due to inappropriate countermeasures. Due to inappropriate control by the controller, the oscillations of an initial error are not reduced, but on the contrary become larger and larger. In the borderline case between stability and instability, however, the controller remains in constant oscillation. If the control behavior is stable, the oscillations subside.

Die Datenblöcke aus Aktion b) können aufeinander folgen und sich damit nicht überlappen. Sie können sich aber auch zumindest teilweise überlappen. Sofern sich die Datenblöcke überlappen, ist eine höhere zeitliche Auflösung erzielbar.The data blocks from action b) can follow each other and therefore not overlap. But they can also at least partially overlap. If the data blocks overlap, a higher temporal resolution can be achieved.

Die Datenblöcke aus Aktion f) können aufeinander folgen und sich damit nicht überlappen. Sie können sich aber auch zumindest teilweise überlappen. Sofern sich die Datenblöcke überlappen, ist eine höhere zeitliche Auflösung erzielbar.The data blocks from action f) can follow one another and therefore cannot overlap. But they can also at least partially overlap. If the data blocks overlap, a higher temporal resolution can be achieved.

Bei dem erfindungsgemäßen Verfahren können die Sollwerte beispielsweise zumindest einer Speichereinrichtung hinterlegt sein. Zumindest eine Speichereinrichtung kann Bestandteil der klimatechnischen Anlage sein.In the method according to the invention, the setpoint values can, for example, be stored in at least one storage device. At least one storage device can be part of the air conditioning system.

Als Zeitwert wird der jeweilige Zeitpunkt verstanden, zu dem der jeweilige Ist-Wert bestimmt wird. Die Bestimmung kann beispielsweise durch eine Messung erfolgen.The time value is understood to be the respective point in time at which the respective actual value is determined. The determination can be made, for example, by a measurement.

Wird bei der Durchführung der Aktion h) ein zum Vektor aus Aktion g) identischer Vektor gefunden oder ist ein solcher Vektor in der Datenbank aus Aktion d) vorhanden, wird ein identischer Vektor ausgewählt. Wird bei der Durchführung der Aktion h) jedoch kein zum Vektor aus Aktion g) identischer Vektor gefunden oder ist kein solcher Vektor in der Datenbank aus Aktion d) vorhanden, so wird zumindest ein ähnlicher Vektor ausgewählt.If a vector identical to the vector from action g) is found when performing action h) or if such a vector is present in the database from action d), an identical vector is selected. However, if no vector identical to the vector from action g) is found when carrying out action h) or if no such vector is present in the database from action d), at least a similar vector is selected.

Wurde bei Aktion i) lediglich ein Vektor ausgewählt, wird in Aktion k) der in Aktion j) ausgelesene Klassifizierungswert für den Vektor aus Aktion g) übernommen. Wurden bei Aktion i) mehr als ein Vektor, nämlich beispielsweise k Vektoren, ausgewählt, wird bei Aktion k) ein Klassifizierungswert aus allen bei Aktion j) ausgelesenen Klassifizierungswerten, nämlich k Klassifizierungswerten, ermittelt.If only one vector was selected in action i), then in action k) the classification value read out in action j) is adopted for the vector from action g). If more than one vector, namely, for example, k vectors, were selected in action i), a classification value is determined in action k) from all classification values read out in action j), namely k classification values.

Vorteilhafterweise kann vor der Unterteilung der Eingangswerte in Datenblöcke in Aktion b) aus den bestimmten Ist-Werten zumindest eine Datenreihe äquidistanter Werte erzeugt werden, wobei die Werte dieser zumindest einen Datenreihe jeweils den identischen zeitlichen Abstand d zueinander haben, wobei die Werte der zumindest einen Datenreihe die Eingangswerte für die Aktionen c) und d) darstellen. Anhand der bestimmten Ist-Werte kann beispielsweise eine stetige Funktion gefunden werden, welche die Ist-Werte abbildet. Dies birgt den Vorteil, dass auch bei unstetiger Ist-Wertbestimmung jedem Zeitwert ein Klassifizierungswert zugeordnet werden kann.Advantageously, before the input values are divided into data blocks in action b), at least one data series of equidistant values can be generated from the determined actual values, the values of this at least one data series each having the identical time distance d from one another, the values of the at least one data series represent the input values for actions c) and d). Based on the determined actual values, a continuous function can be found, for example, which represents the actual values. This has the advantage that a classification value can be assigned to each time value even if the actual value determination is discontinuous.

Weiterhin ist es möglich, dass vor der Unterteilung der Eingangswerte in Datenblöcke in Aktion f) aus den bestimmten Ist-Werten zumindest eine Datenreihe äquidistanter Werte erzeugt wird, wobei die Werte dieser zumindest einen Datenreihe jeweils den identischen zeitlichen Abstand d zueinander haben, wobei die Werte der zumindest einen Datenreihe im weiteren Verlauf die Eingangswerte für die nachfolgenden Aktionen darstellen.Furthermore, it is possible that before the input values are divided into data blocks in action f), at least one data series of equidistant values is generated from the determined actual values, the values of this at least one data series each having the identical time distance d from one another, the values the at least one data series subsequently represents the input values for the subsequent actions.

In einem bevorzugten Ausführungsbeispiel kann als Methode zur Unterteilung der Eingangswerte in Datenblöcke und zur anschließenden Zergliederung der Datenblöcke in die jeweiligen Frequenzanteile aus Aktion b) und/oder aus Aktion f) eine Kurzzeit-Fourier-Transformation verwendet werden. Die Kurzzeit-Fourier-Transformation eignet sich insbesondere deshalb, da sie für Signale geeignet ist, deren Frequenzspektrum sich über den Verlauf der Zeit verändert.In a preferred exemplary embodiment, a short-term Fourier transformation can be used as a method for dividing the input values into data blocks and for subsequently breaking down the data blocks into the respective frequency components from action b) and/or from action f). The short-term Fourier transform is particularly suitable because it is suitable for signals whose frequency spectrum changes over time.

Weiterhin kann als Methode zur Zergliederung der Datenblöcke in die jeweiligen Frequenzanteile aus Aktion b) und/oder aus Aktion f) eine Autokorrelation verwendet werden.Furthermore, autocorrelation can be used as a method for breaking down the data blocks into the respective frequency components from action b) and/or from action f).

Überdies kann als Methode zur Zergliederung der Datenblöcke in die jeweiligen Frequenzanteile aus Aktion b) und/oder aus Aktion f) eine Wavelett-Transformation verwendet werden.Furthermore, a wavelett transformation can be used as a method for breaking down the data blocks into the respective frequency components from action b) and/or from action f).

In einem bevorzugten Ausführungsbeispiel kann für die Auswahl von zumindest einem identischen und/oder zumindest einem ähnlichen Vektor aus Aktion i) der k-nächste-Nachbarn-Klassifikationsalgorithmus verwendet werden, wobei zu jedem Vektor aus Aktion g) der Abstand zu jedem Vektor der Datenbank aus Aktion d) ermittelt wird und die k Vektoren aus der Datenbank aus Aktion d) ausgewählt werden, die jeweils den geringsten Abstand zu dem jeweiligen Vektor aus Aktion g) haben. Vorteilhaft ist hierbei, dass beim k-nächste-Nachbarn-Algorithmus eine Klassifizierung anhand einer Mehrheitsentscheidung erfolgt. Die bereits klassifizierten Vektoren der Datenbank aus Aktion d) fungieren hierbei als „Nachbarn“ des zu klassifizierenden Vektors aus Aktion g), wobei die k Vektoren aus der Datenbank aus Aktion d) mit dem jeweils geringsten Abstand zu dem zu klassifizierenden Vektor aus Aktion g) als „nächste-Nachbarn“ gesehen werden. Zur Vermeidung einer „Patt-Situation“ bei der Mehrheitsentscheidung ist die Auswahl eines ungraden „k“ von Vorteil.In a preferred embodiment, the k-nearest neighbor classification algorithm can be used to select at least one identical and/or at least one similar vector from action i), with each vector from action g) having the distance to each vector in the database Action d) is determined and the k vectors from the database from action d) are selected, which each have the smallest distance to the respective vector from action g). The advantage here is that with the k-nearest neighbors algorithm, classification is based on a majority decision. The already classified vectors in the database from action d) act as “neighbors” of the vector to be classified from action g), with the k vectors from the database from action d) with the smallest distance to the vector to be classified from action g). be seen as “nearest neighbors”. To avoid a “stalemate” situation in the majority decision, selecting an odd “k” is advantageous.

Es sind auch andere Klassifikationsalgorithmen möglich, die anders funktionieren, insofern sie die Abstände zwischen einzelnen Vektoren nicht berücksichtigen.Other classification algorithms are also possible that work differently in that they do not take the distances between individual vectors into account.

Weiterhin kann bei dem Vergleich aus Aktion i) zur Ermittlung des Abstandes jeweils zweier Vektoren der Euklidische Abstand herangezogen werden. Es sind jedoch auch andere Abstandsmaße, wie beispielsweise die Manhatten-Metrik, denkbar.Furthermore, in the comparison from action i) the Euclidean distance can be used to determine the distance between two vectors. However, other distance measures, such as the Manhattan metric, are also conceivable.

Zudem können zur Klassifizierung eines Vektors in Aktion k) die ausgelesenen Klassifizierungswerte nach Aktion j) derart gewichtet werden, dass dem Vektor der Datenbank aus Aktion d) mit dem geringsten Abstand zu dem zu klassifizierenden Vektor das größte Gewicht zugeordnet wird. Dieses Vorgehen ist insbesondere dann vorteilhaft, wenn die Vektoren der Datenbank aus Aktion d) besonders ungleichmäßig verteilt sind.In addition, to classify a vector in action k), the read classification values after action j) can be weighted in such a way that the largest weight is assigned to the vector of the database from action d) with the smallest distance to the vector to be classified. This procedure is particularly advantageous if the vectors in the database from action d) are particularly unevenly distributed.

Weiterhin ist es möglich, dass zumindest ein Vektor, der mit einem ein instabiles Regelverhalten oder ein grenzstabiles Regelverhalten markierenden Klassifizierungswert klassifiziert worden ist, mittels zumindest einer Signaleinrichtung angezeigt wird. Eine solche Signaleinrichtung kann beispielsweise als ein Bildschirm ausgebildet sein. Es sind jedoch auch weitere Ausführungsformen, beispielsweise eine akustische Signaleinrichtung, denkbar. Weiterhin ist es möglich, dass die zumindest eine Signaleinrichtung an der klimatechnischen Anlage angeordnet ist. Es sind jedoch auch weitere Ausführungsformen, wie beispielsweise eine Positionierung in einer Zentrale denkbar.Furthermore, it is possible for at least one vector that has been classified with a classification value that marks unstable control behavior or borderline stable control behavior to be displayed by means of at least one signaling device. Such a signaling device can be designed, for example, as a screen. However, further embodiments, for example an acoustic signaling device, are also conceivable. Furthermore, it is possible for the at least one signaling device to be arranged on the air conditioning system. However, other embodiments are also conceivable, such as positioning in a control center.

Überdies kann bei Identifikation zumindest eines Vektors, der mit einem ein instabiles Regelverhalten oder ein grenzstabiles Regelverhalten markierenden Klassifizierungswert klassifiziert worden ist, eine Initialisierung der dem identifizierten Regelkreis zugehörigen klimatechnischen Anlage durchgeführt werden. Dies birgt beispielsweise den Vorteil, dass das Aufschwingen einer klimatechnischen Anlage mit einem instabilen Regelverhalten beendet wird. Dadurch kann die fehlerbehaftete Betriebszeit der klimatechnischen Anlage verkürzt werden.Furthermore, upon identification of at least one vector that has been classified with a classification value that marks unstable control behavior or borderline stable control behavior, the air conditioning system associated with the identified control loop can be initialized. This has the advantage, for example, that the oscillation of an air conditioning system ends with an unstable control behavior. This allows the error-prone operating time of the air conditioning system to be shortened.

Dabei kann zusätzlich ein Trainingsschritt durchgeführt werden, in dem die klassifizierten Vektoren aus Aktion k) mit den klassifizierten Eingangswerten aus Aktion a) verglichen werden und anhand des Vergleiches die Parameter für die Durchführung von Aktion b) angepasst und/oder optimiert werden. In diesem Trainingsschritt können bekannte Methoden der Kreuzvalidierung eingesetzt werden. Die Aktionen a) bis k) werden mit denselben klassifizierten Eingangswerten aus Aktion a) wiederholt durchgeführt, wobei bei jedem Durchlauf zumindest ein Parameter, vorzugsweise nur ein Parameter, variiert wird. Unter den Parametern wird beispielsweise der zeitliche Abstand der Eingangswerte zueinander, die Breite eines Datenblockes, der Abstand des mittleren Zeitwertes zweier Datenblöcke, die Anzahl an Frequenzanteilen oder die Anzahl an Frequenzbändern verstanden. Bei jedem Durchlauf wird das dabei erzielte Ergebnis mit den klassifizierten Eingangswerten aus Aktion a) verglichen. Auf diese Weise kann die Auswahl dieser Parameter optimiert werden.An additional training step can be carried out in which the classified vectors from action k) are compared with the classified input values from action a) and the parameters for carrying out action b) are adjusted and/or optimized based on the comparison. Well-known cross-validation methods can be used in this training step. The actions a) to k) are carried out repeatedly with the same classified input values from action a), with at least one parameter, preferably only one parameter, being varied during each run. The parameters mean, for example, the time interval between the input values, the width of a data block, the distance between the average time value of two data blocks, the number of frequency components or the number of frequency bands. During each run, the result achieved is compared with the classified input values from action a). In this way, the selection of these parameters can be optimized.

Ferner kann zusätzlich ein Trainingsschritt durchgeführt werden, in dem die klassifizierten Vektoren aus Aktion k) mit den klassifizierten Eingangswerten aus Aktion a) verglichen werden und anhand des Vergleiches die Parameter für die Durchführung von Aktion f) angepasst und/oder optimiert werden. In diesem Trainingsschritt können bekannte Methoden der Kreuzvalidierung eingesetzt werden. Die Aktionen a) bis k) werden mit denselben klassifizierten Eingangswerten aus Aktion a) wiederholt durchgeführt, wobei bei jedem Durchlauf zumindest ein Parameter, vorzugsweise nur ein Parameter, variiert wird. Unter den Parametern wird beispielsweise der zeitliche Abstand der Eingangswerte zueinander, die Breite eines Datenblockes, der Abstand des mittleren Zeitwertes zweier Datenblöcke, die Anzahl an Frequenzanteilen oder die Anzahl an Frequenzbändern verstanden. Bei jedem Durchlauf wird das dabei erzielte Ergebnis mit den klassifizierten Eingangswerten aus Aktion a) verglichen. Auf diese Weise kann die Auswahl dieser Parameter optimiert werden.Furthermore, an additional training step can be carried out in which the classified vectors from action k) are compared with the classified input values from action a) and, based on the comparison, the parameters for carrying out action f) are adjusted and/or optimized. Well-known cross-validation methods can be used in this training step. The actions a) to k) are carried out repeatedly with the same classified input values from action a), with at least one parameter, preferably only one parameter, being varied during each run. The parameters mean, for example, the time interval between the input values, the width of a data block, the distance between the average time value of two data blocks, the number of frequency components or the number of frequency bands. During each run, the result achieved is compared with the classified input values from action a). In this way, the selection of these parameters can be optimized.

Auch bietet sich an, wenn zusätzlich ein Trainingsschritt durchgeführt wird, in dem die klassifizierten Vektoren aus Aktion k) mit den klassifizierten Eingangswerten aus Aktion a) verglichen werden und anhand des Vergleiches die Parameter für die Durchführung von Aktion k) angepasst und/oder optimiert werden. In diesem Trainingsschritt können bekannte Methoden der Kreuzvalidierung eingesetzt werden. Die Aktionen a) bis k) werden mit denselben klassifizierten Eingangswerten aus Aktion a) wiederholt durchgeführt, wobei bei jedem Durchlauf zumindest ein Parameter, vorzugsweise nur ein Parameter, variiert wird. Unter den Parametern wird beispielsweise der zeitliche Abstand der Eingangswerte zueinander, die Breite eines Datenblockes, der Abstand des mittleren Zeitwertes zweier Datenblöcke, die Anzahl an Frequenzanteilen, die Anzahl an Frequenzbändern oder die Anzahl der k Nachbarn verstanden. Bei jedem Durchlauf wird das dabei erzielte Ergebnis mit den klassifizierten Eingangswerten aus Aktion a) verglichen. Auf diese Weise kann die Auswahl dieser Parameter optimiert werden.It is also a good idea to carry out an additional training step in which the classifiers are classified th vectors from action k) are compared with the classified input values from action a) and the parameters for carrying out action k) are adjusted and/or optimized based on the comparison. Well-known cross-validation methods can be used in this training step. The actions a) to k) are carried out repeatedly with the same classified input values from action a), with at least one parameter, preferably only one parameter, being varied during each run. The parameters are, for example, the time distance between the input values, the width of a data block, the distance between the average time value of two data blocks, the number of frequency components, the number of frequency bands or the number of k neighbors. During each run, the result achieved is compared with the classified input values from action a). In this way, the selection of these parameters can be optimized.

Vorteilhaft kann es sein, wenn vor Anwendung des erfindungsgemäßen Verfahrens ein Initialisierungsschritt durchgeführt wird, in dem die Aktionen a) bis k) mit einem Testdatensatz von bestimmten Ist-Werten durchgeführt werden und die klassifizierten Vektoren aus Aktion k) mit den bestimmten Ist-Werten des Testdatensatzes verglichen werden und anhand des Vergleiches die Parameter für die anschließende Anwendung des erfindungsgemäßen Verfahrens angepasst und/oder optimiert werden. Bei einem solchen Initialisierungsschritt werden vor Anwendung des Verfahrens beispielsweise bei einer neu installierten klimatechnischen Anlage, mittels einer geeigneten Methode, beispielweise der Kreuzvalidierung oder der K-Fold-Kreuzvalidierung, die Parameter zur Anwendung des Verfahrens optimiert. Hierzu wird ein Testdatensatz verwendet, welcher bestimmte Ist-Werte der entsprechenden klimatechnischen Anlage enthält. Bei den Parametern handelt es sich beispielsweise um den zeitlichen Abstand d im Falle einer erzeugten Datenreihe äquidistanter Werte, um die Breite eines Datenblockes (aus Aktion b) und Aktion f)), um die Anzahl an Frequenzanteilen (aus Aktion b) und Aktion f)), um die Anzahl an Frequenzbändern (aus Aktion b) und Aktion f)) oder um die Anzahl der k Nachbarn (aus Aktion k)). In diesem Initialisierungsschritt werden die bestimmten Ist-Werte des Testdatensatzes in zwei unterschiedliche Teilmengen geteilt, wobei eine Teilmenge als bestimmte Ist-Werte in den Aktionen a) bis d) und die andere Teilmenge als bestimmte Ist-Werte in den Aktionen e) bis k) genutzt wird. Jedem Ist-Wert beider Teilmengen wird einer von zwei Klassifizierungswerten zugeordnet, wobei der eine Klassifizierungswert ein instabiles Regelverhalten oder ein grenzstabiles Regelverhalten markiert und der andere Klassifizierungswert ein stabiles Regelverhalten markiert. Die Aktionen a) bis k) werden mit den ihnen zugeordneten Teilmengen mehrfach durchgeführt, wobei zwischen den Durchführungen die Parameter verändert werden. Nach jeder Durchführung werden zudem die ermittelten Klassifizierungswerte der Vektoren aus Aktion k) mit den Klassifizierungswerten der bestimmten Ist-Werte der korrespondierenden Teilmenge abgeglichen. Für den Abgleich können geeignete Metriken verwendet werden, beispielsweise Präzision, Recall oder das F-Maß. Diejenigen Parameter, mit welchen die höchsten Werte der gewählten Metriken erzielt wurden, werden für die Anwendung des erfindungsgemäßen Verfahrens übernommen. Alternativ kann aus den bestimmten Ist-Werten für jede Durchführung ein Segment gewählt werden, welches in zwei neue Teilmengen unterteilt wird, wobei eine Teilmenge als bestimmte Ist-Werte in den Aktionen a) bis d) und die andere Teilmenge als bestimmte Ist-Werte in den Aktionen e) bis k) genutzt wird. Jedem Ist-Wert beider Teilmengen wird einer von zwei Klassifizierungswerten zugeordnet, wobei der eine Klassifizierungswert ein instabiles Regelverhalten oder ein grenzstabiles Regelverhalten markiert und der andere Klassifizierungswert ein stabiles Regelverhalten markiert. Die Aktionen a) bis k) werden mit den ihnen zugeordneten Teilmengen durchgeführt, wobei für jedes Segment andere Parameter verwendet werden. Für jedes Segment werden zudem die ermittelten Klassifizierungswerte der Vektoren aus Aktion k) mit den Klassifizierungswerten der bestimmten Ist-Werte der korrespondierenden Teilmenge abgeglichen. Für den Abgleich können geeignete Metriken verwendet werden, beispielsweise Präzision, Recall oder das F-Maß. Diejenigen Parameter, mit welchen die höchsten Werte der gewählten Metriken erzielt wurden, werden für die Anwendung des erfindungsgemäßen Verfahrens übernommen.It can be advantageous if, before using the method according to the invention, an initialization step is carried out in which the actions a) to k) are carried out with a test data set of specific actual values and the classified vectors from action k) with the specific actual values of the Test data set are compared and based on the comparison the parameters for the subsequent application of the method according to the invention are adapted and / or optimized. In such an initialization step, before using the method, for example in a newly installed air conditioning system, the parameters for using the method are optimized using a suitable method, for example cross-validation or K-fold cross-validation. For this purpose, a test data set is used which contains certain actual values of the corresponding air conditioning system. The parameters are, for example, the time interval d in the case of a generated data series of equidistant values, the width of a data block (from action b) and action f)), the number of frequency components (from action b) and action f) ), by the number of frequency bands (from action b) and action f)) or by the number of k neighbors (from action k)). In this initialization step, the specific actual values of the test data set are divided into two different subsets, with one subset as specific actual values in actions a) to d) and the other subset as specific actual values in actions e) to k). is being used. Each actual value of both subsets is assigned one of two classification values, one classification value marking unstable control behavior or marginally stable control behavior and the other classification value marking stable control behavior. The actions a) to k) are carried out several times with the subsets assigned to them, with the parameters being changed between the implementations. After each implementation, the classification values determined for the vectors from action k) are also compared with the classification values of the determined actual values of the corresponding subset. Suitable metrics can be used for the comparison, such as precision, recall or the F-measure. Those parameters with which the highest values of the selected metrics were achieved are adopted for the application of the method according to the invention. Alternatively, a segment can be selected from the specific actual values for each implementation, which is divided into two new subsets, with one subset as specific actual values in actions a) to d) and the other subset as specific actual values in the actions e) to k) is used. Each actual value of both subsets is assigned one of two classification values, one classification value marking unstable control behavior or marginally stable control behavior and the other classification value marking stable control behavior. Actions a) to k) are carried out with the subsets assigned to them, using different parameters for each segment. For each segment, the classification values determined for the vectors from action k) are also compared with the classification values of the specific actual values of the corresponding subset. Suitable metrics can be used for the comparison, for example precision, recall or the F-measure. Those parameters with which the highest values of the selected metrics were achieved are adopted for the application of the method according to the invention.

Im Folgenden wird anhand der Figuren das erfindungsgemäße Verfahren erläutert. Es zeigen:

1 eine beispielhafte Darstellung eines ermittelten Regelverhaltens eines schwingenden Regelkreises,
2 eine beispielhafte Darstellung der Zergliederung von Eingangswerten in ihre Frequenzanteile je Datenblock,
3 eine beispielhafte Darstellung eines Vergleichs der Vektoren aus den Eingangswerten mit Vektoren aus einer Datenbank mittels eines Klassifizierungsalgorithmus.

The method according to the invention is explained below with reference to the figures. Show it:

1 an exemplary representation of a determined control behavior of an oscillating control loop,
2 an exemplary representation of the breakdown of input values into their frequency components per data block,
3 an exemplary representation of a comparison of the vectors from the input values with vectors from a database using a classification algorithm.

In 1 ist ein ermitteltes Regelverhalten beispielsweise einer Komponente, wie einem Klappenblatt, einer klimatechnischen Anlage, über die Zeit dargestellt. Die Darstellung in Form eines Diagramms erfolgt über zwei Achsen, wobei die eine den Verlauf der Zeit in Sekunden angibt und die andere den Wert des ermittelten Ist-Wertes. Der Ist-Wert kann beispielsweise ein Stellwinkel, eine Temperatur oder ein elektrischer Widerstand sein.In 1 a determined control behavior, for example of a component, such as a damper blade, an air conditioning system, is shown over time. The representation in the form of a diagram takes place over two axes, one of which indicates the course of time in seconds and the other the value of the actual value determined. He is- Value can be, for example, an angle, a temperature or an electrical resistance.

Im vorliegenden Fall ist das ermittelte Regelverhalten als stetiges Signal dargestellt. Es ist ebenfalls möglich, dass lediglich einzelne ermittelte Ist-Werte vorliegen, deren Abstand zueinander variieren kann. Vorteilhafterweise wird in solchen Fällen zunächst eine Datenreihe äquidistanter Werte erzeugt, wobei die Werte dieser Datenreihe jeweils den identischen zeitlichen Abstand d zueinander haben. Die dargestellte Kurve stellt die Eingangswerte dar.In the present case, the control behavior determined is shown as a continuous signal. It is also possible that there are only individual determined actual values, the distance between which can vary. Advantageously, in such cases, a data series of equidistant values is first generated, the values of this data series each having the identical time distance d from one another. The curve shown represents the input values.

Weiterhin ist in 1 eine Einteilung der Eingangswerte in die Datenblöcke I, II und III dargestellt. Jeder Datenblock hat eine Breite von genau einer Sekunde. Der mittlere Zeitwert von zwei direkt aufeinander folgenden Datenblöcken ist genau eine Sekunde versetzt. In dem dargestellten Fall überlappen sich die Datenblöcke I, II und III nicht.Furthermore, in 1 a division of the input values into data blocks I, II and III is shown. Each data block has a width of exactly one second. The average time value of two consecutive data blocks is offset by exactly one second. In the case shown, data blocks I, II and III do not overlap.

In 2 ist beispielhaft das Ergebnis der Zergliederung der drei Datenblöcke I, II und III dargestellt. Für diese Zergliederung werden die Eingangswerte, in beispielhafter Weise mittels der Kurzzeit-Fourier-Transformation, zum einen in Datenblöcke unterteilt und zum anderen die so entstandenen Datenblöcke in ihre Frequenzanteile unterteilt.In 2 The result of the breakdown of the three data blocks I, II and III is shown as an example. For this breakdown, the input values are divided into data blocks, for example using the short-term Fourier transformation, and the resulting data blocks are divided into their frequency components.

In dem oberen Drittel von 2 in der linken Abbildung ist ein Spektrogramm für den Datenblock I zu sehen, wobei auf den Achsen des Spektrogramms zum einen der Wert des Eingangswertes und zum anderen die untersuchten Frequenzbänder, vorliegend die Frequenzbänder von 2 bis 4 Hz, von 4 bis 6 Hz und von 6 bis 8 Hz, dargestellt sind.In the upper third of 2 In the figure on the left you can see a spectrogram for data block I, where the axes of the spectrogram show, on the one hand, the value of the input value and, on the other hand, the frequency bands examined, in this case the frequency bands from 2 to 4 Hz, from 4 to 6 Hz and from 6 up to 8 Hz are shown.

Weiterhin ist in 2 beispielhaft die Überführung der Frequenzanteile jedes Datenblocks in einen Vektor dargestellt. In dem oberen Drittel von 2 ist der Vektor aus dem dreidimensionalen Raum für den Datenblock I angegeben. Der dargestellte Vektor stellt die Frequenzanteile des Datenblocks I dar, wobei die Zeilen des Vektors jeweils das betrachtete Frequenzband, d. h. 2 bis 4 Hz bzw. 4 bis 6 Hz bzw. 6 bis 8 Hz, anzeigen und die Werte des Vektors jeweils die für das entsprechende Frequenzband ermittelten Eingangswerte anzeigen. Jeder Vektor ist überdies mit dem mittleren Zeitwert des Datenblocks I indiziert.Furthermore, in 2 The transfer of the frequency components of each data block into a vector is shown as an example. In the upper third of 2 the vector from three-dimensional space for data block I is given. The vector shown represents the frequency components of the data block I, with the lines of the vector each indicating the frequency band under consideration, ie 2 to 4 Hz or 4 to 6 Hz or 6 to 8 Hz, and the values of the vector each showing those for the corresponding one Display input values determined in the frequency band. Each vector is also indexed with the average time value of data block I.

Im mittleren Drittel bzw. im unteren Drittel von 2 sind links die Spektrogramme für den Datenblock II bzw. Datenblock III dargestellt. Neben jedem Datenblock ist rechts die Überführung der Frequenzanteile des betreffenden Datenblocks in einen Vektor, der die Frequenzanteile, wiederum aufgeteilt in die untersuchten Frequenzbänder von 2 bis 4 Hz, von 4 bis 6 Hz und von 6 bis 8 Hz darstellt, angegeben.In the middle third or lower third of 2 The spectrograms for data block II and data block III are shown on the left. Next to each data block, on the right, the conversion of the frequency components of the relevant data block into a vector is indicated, which represents the frequency components, in turn divided into the examined frequency bands of 2 to 4 Hz, 4 to 6 Hz and 6 to 8 Hz.

In 3 ist grafisch dargestellt, wie mittels eines Klassifizierungsalgorithmus jeder Vektor aus Aktion g) von Anspruch 1 mit den in der Datenbank aus Aktion d) vorhandenen Vektoren verglichen wird. Dargestellt ist ein dreidimensionaler Raum, wobei jeweils ein Frequenzband aus 2 eine Dimension des Betrachtungsraumes darstellt. Dabei ist jeder über einen Klassifizierungswert verfügender Vektor aus der Datenbank aus Aktion d) durch einen Kreis dargestellt, wohingegen jeder zu vergleichende Vektor aus Aktion g) durch einen schwarzen Punkt dargestellt ist.In 3 is a graphic representation of how each vector from action g) of claim 1 is compared with the vectors present in the database from action d) using a classification algorithm. A three-dimensional space is shown, each with a frequency band 2 represents a dimension of the observation space. Each vector from the database from action d) that has a classification value is represented by a circle, whereas each vector to be compared from action g) is represented by a black dot.

Um für jeden Vektor einen Klassifizierungswert zu ermitteln, vergleicht ein Klassifizierungsalgorithmus, vorliegend beispielhaft der k-nächste-Nachbarn-Algorithmus, zu jedem betreffenden Vektor ohne Klassifizierungswert die nächstliegenden Vektoren mit Klassifizierungswert.In order to determine a classification value for each vector, a classification algorithm, in the present case the k-nearest neighbor algorithm, compares the closest vectors with a classification value for each relevant vector without a classification value.

Ist in der Datenbank bereits ein zu einem Vektor aus Aktion g) identischer Vektor aus Aktion d) hinterlegt, so wird der Klassifizierungswert des bereits hinterlegten Vektors für den Vektor aus Aktion g) übernommen. Sofern kein identischer Vektor in der Datenbank aus Aktion d) hinterlegt ist, ermittelt der k-nächste-Nachbarn-Algorithmus zunächst die k nächsten Nachbarn des betreffenden Vektors aus Aktion g). Als nächsten Nachbarn erkennt der k-nächste-Nachbarn-Algorithmus jenen Vektor, der über den geringsten Abstand, vorliegend beispielsweise den Euklidischen Abstand, zu dem betreffenden Vektor aus Aktion g) verfügt.If a vector from action d) that is identical to a vector from action g) is already stored in the database, the classification value of the vector already stored is adopted for the vector from action g). If no identical vector from action d) is stored in the database, the k-nearest neighbor algorithm first determines the k nearest neighbors of the relevant vector from action g). The k-nearest neighbor algorithm recognizes as the nearest neighbor the vector that has the smallest distance, in this case for example the Euclidean distance, to the relevant vector from action g).

In 3 unten rechts sind die k-nächsten-Nachbarn des Vektors V_i-1, wobei in dem dargestellten Fall k gleich drei ist, dargestellt. Da k eine ungerade Zahl ist, zieht der k-nächste-Nachbarn-Algorithmus zur Ermittlung des Klassifizierungswertes für V_i-1 eine einfache Mehrheitsentscheidung heran. Zwei der drei nächsten Nachbarn von V_i-1 sind mit dem Klassifizierungswert „A“ markiert. Der k-nächste-Nachbarn-Algorithmus markiert daher V_i-1 mit dem Klassifizierungswert „A“.In 3 At the bottom right are the k-nearest neighbors of the vector V _i-1 , where in the case shown k is equal to three. Since k is an odd number, the k-nearest neighbor algorithm uses a simple majority vote to determine the classification value for V _i-1 . Two of the three nearest neighbors of V _i-1 are marked with the classification value “A”. The k-nearest neighbors algorithm therefore marks V _i-1 with the classification value “A”.

Der Klassifizierungswert „A“ kann beispielsweise ein stabiles Regelverhalten markieren, während der Klassifizierungswert „B“ dann ein instabiles Regelverhalten oder ein grenzstabiles Regelverhalten markiert.The classification value “A” can, for example, mark stable control behavior, while the classification value “B” then marks unstable control behavior or borderline stable control behavior.

Daher ist V_i-1, dann „A“, währen V₁ dann „B“, ist. In dem zu V_i-1 gehörigen Datenblock I hätte also ein stabiles Regelverhalten vorgelegen, wohingegen in dem zu Vi gehörigen Datenblock II ein instabiles oder ein grenzstabiles Regelverhalten vorgelegen hätte.Therefore, V _i-1 , then “A”, while V ₁ is then “B”, . In the data block I belonging to V _i-1 there would have been a stable control behavior, whereas in the data block II belonging to Vi there would have been an unstable or borderline stable control behavior.

Claims

Method for automatically detecting an unstable control behavior and for automatically detecting a limit-stable control behavior of at least one oscillating control loop within an air conditioning system, each control loop comprising a controller, at least one measuring device and an adjusting device, the controller of at least one control loop being one determined by the at least one measuring device Compares the actual value with a stored setpoint and, in the event of a deviation from the difference between the setpoint and the specific actual value, the controller forms a manipulated variable and sends this manipulated variable to the assigned actuating device of this control circuit, and the actual value determined by the at least one measuring device Values are stored in at least one storage device, taking into account their respective time value, characterized in that initially in an initial learning step a) each specific actual value represents an input value to which one of two classification values is assigned, the one classification value representing an unstable control behavior or a limit-stable control behavior is marked and the other classification value marks a stable control behavior, b) the input values are first divided into data blocks and each data block is then broken down into its frequency components using a method, c) for each data block from action b) the frequency components of this data block into a vector are transferred and this vector is indexed with the average time value of this data block d) and each vector is stored together with a classification value assigned to it in a database, preferably stored in the storage device, with each vector being assigned the classification value that is in action a). an input value whose time value is identical to the average time value of the vector was assigned, so that in a subsequent step, preferably continuously, during the later operation of the air conditioning system e) each actual value determined during operation represents an input value, f) the Input values from action e) are first divided into data blocks and each data block is then broken down into its frequency components using a method, g) for each data block from action f) the frequency components of this data block are converted into a vector and each vector with the average time value of this data block is indexed, h) using a classification algorithm, each vector from action g) is compared with the vectors present in the database from action d), i) in the comparison from action h) to each vector from action g) at least one identical vector and/ or at least a similar vector is/are selected from the database from action d), j) the classification value of each selected vector from action i) is read from the database from action d) and k) based on the read-out classification value(s) from action j) a classification value is determined for each vector from action g) and assigned to this vector.

Method according to the preceding claim, characterized in that before the input values are divided into data blocks in action b) at least one data series of equidistant values is generated from the determined actual values, the values of this at least one data series each having the identical time distance d from one another , where the values of the at least one data series represent the input values for actions c) and d).

Method according to one of the preceding claims, characterized in that before the input values are divided into data blocks in action f), at least one data series of equidistant values is generated from the determined actual values, the values of this at least one data series each having the identical time distance d from one another have, whereby the values of the at least one data series represent the input values for the subsequent actions.

Method according to one of the preceding claims, characterized in that a short-term Fourier transformation is used as a method for dividing the input values into data blocks and for subsequently breaking down the data blocks into the respective frequency components from action b) and/or from action f).

Method according to one of the preceding claims, characterized in that an autocorrelation is used as a method for breaking down the data blocks into the respective frequency components from action b) and/or from action f).

Procedure according to one of the Claims 1 until 4 , characterized in that a wavelett transformation is used as a method for breaking down the data blocks into the respective frequency components from action b) and/or from action f).

Method according to one of the preceding claims, characterized in that for Selection of at least one identical and/or at least one similar vector from action i) the k-nearest neighbor classification algorithm is used, whereby for each vector from action g) the distance to each vector of the database from action d) is determined and the k vectors from the database from action d) are selected, each of which has the smallest distance to the respective vector from action g).

Method according to the preceding claim, characterized in that in the comparison from action i) the Euclidean distance is used to determine the distance between two vectors.

Procedure according to one of the Claims 7 or 8th , characterized in that to classify a vector in action k), the read classification values after action j) are weighted in such a way that the vector of the database from action d) with the smallest distance to the vector to be classified is assigned the greatest weight.

Method according to one of the preceding claims, characterized in that at least one vector which has been classified with a classification value marking an unstable control behavior or a borderline stable control behavior is displayed by means of at least one signaling device.

Method according to one of the preceding claims, characterized in that upon identification of at least one vector which has been classified with a classification value marking an unstable control behavior or a borderline stable control behavior, an initialization of the air conditioning system associated with the identified control loop is carried out.

Method according to one of the preceding claims, characterized in that a training step is additionally carried out in which the classified vectors from action k) are compared with the classified input values from action a) and the parameters for carrying out action b) are adjusted based on the comparison and/or optimized.

Method according to one of the preceding claims, characterized in that a training step is additionally carried out in which the classified vectors from action k) are compared with the classified input values from action a) and the parameters for carrying out action f) are adjusted based on the comparison and/or optimized.

Method according to one of the preceding claims, characterized in that a training step is additionally carried out in which the classified vectors from action k) are compared with the classified input values from action a) and the parameters for carrying out action k) are adjusted based on the comparison and/or optimized.

Method according to one of the preceding claims, characterized in that before using the method according to the invention, an initialization step is carried out in which the actions a) to k) are carried out with a test data set of certain actual values and the classified vectors from action k) with the certain actual values of the test data set are compared and, based on the comparison, the parameters for the subsequent application of the method according to the invention are adapted and / or optimized.