EISKIG – KI-Optimierung für industrielle Kältesysteme

Industrielle Kältesysteme wurden häufig noch mit konventioneller Regelungslogik betrieben, beispielsweise mit Zweipunkt- oder PID-Regelung. Wichtige Einflussfaktoren wie Wetterbedingungen, interne Lasten, Strompreise und anlagenspezifisches Betriebsverhalten hatten jedoch einen erheblichen Einfluss auf Leistung und Energiekosten. EISKIG begegnete dieser Herausforderung, indem KI-Methoden eingesetzt wurden, um bessere Betriebsstrategien für industrielle Kälteversorgungssysteme zu identifizieren und umzusetzen.

Über das Forschungsprojekt EISKIG

EISKIG wurde initiiert, um zu untersuchen, wie künstliche Intelligenz den Betrieb industrieller Energiesysteme verbessern kann, mit besonderem Fokus auf Kälteinfrastrukturen. Das Projekt kombinierte Systemverständnis, reale Betriebsdaten und fortgeschrittene Optimierungsmethoden, um eine adaptivere und energieeffizientere Steuerung komplexer Anlagen zu ermöglichen.

Das Projekt zeigte, wie Forschung über theoretische Ansätze hinausgehen und messbaren Mehrwert in realen industriellen Anwendungen schaffen kann.

Forschungsfokus und Ziele

Das Forschungsprojekt EISKIG konzentrierte sich auf die Entwicklung und Validierung eines intelligenten Optimierungsansatzes für industrielle Kältesysteme. Zu den zentralen Zielen gehörten:

• Steigerung der Energieeffizienz im laufenden Betrieb
• Reduzierung der Implementierungskomplexität
• Ermöglichung der Übertragbarkeit auf weitere industrielle Anwendungen

Durch die Berücksichtigung der dynamischen und standortspezifischen Eigenschaften von Kältesystemen leistete EISKIG einen Beitrag zur Entwicklung skalierbarer KI-Lösungen für die industrielle Energieoptimierung.

Funktionsweise des Forschungsansatzes

Im Zentrum von EISKIG stand ein digitaler Zwilling des Kältesystems. Diese virtuelle Abbildung der realen Anlage ermöglichte ein stabiles Verständnis des Systemverhaltens und erlaubte es, Betriebsszenarien zu testen, bevor Strategien in der Praxis umgesetzt wurden.

Auf Basis dieses Systemmodells nutzte das Projekt:

• Datenanalyse und Prognosen
• mathematische Optimierung
• KI-basierte Regelungsmethoden
• Deep Reinforcement Learning

Diese Kombination machte es möglich, Ineffizienzen zu identifizieren, mögliche Betriebsstrategien zu bewerten und die Systemleistung im realen Betrieb kontinuierlich zu optimieren.

Validierung unter realen Betriebsbedingungen

Eine zentrale Stärke von EISKIG war seine praktische Validierung. Das Forschungsprojekt blieb nicht bei Simulationen oder Konzeptentwicklungen stehen, sondern zeigte, dass KI-basierte Optimierung messbare Effizienzsteigerungen in realen industriellen Umgebungen erreichen kann. Damit wurde EISKIG zu einem relevanten Beispiel angewandter Forschung im Bereich industrieller Kälte, Energiemanagement und KI für nachhaltige Betriebsführung.

Vom Forschungsprojekt zur skalierbaren Anwendung

EISKIG verdeutlichte zudem das Transferpotenzial von KI in industriellen Energiesystemen. Der entwickelte Ansatz ist nicht auf eine spezifische Anlagenkonfiguration beschränkt, sondern kann auf weitere Kühlanwendungen sowie auf Wärme- und HVAC-Systeme übertragen werden. Dadurch ist das Projekt nicht nur aus Forschungsperspektive relevant, sondern auch für Unternehmen, die nach erprobten Ansätzen zur Verbesserung der Energieeffizienz und der betrieblichen Leistungsfähigkeit suchen.

Eckdaten

• Laufzeit: 09/2022 – 12/2025
• Förderung: Bundesministerium für Wirtschaft und Energie (BMWE)
• Projektträger Jülich | Forschungszentrum Jülich GmbH
• Konsortialpartner: PTW TU Darmstadt, ETA-Solutions GmbH, Merck KGaA, Bosch Rexroth AG, Equinix Deutschland GmbH, etalytics GmbH

‍