Options
2020
Diploma Thesis
Title
Automatisierte Klassifikation von Datenpunkten raumlufttechnischer Anlagen anhand von Merkmalen der Zeitserien
Abstract
Zur vereinfachten Implementierung von Monitoring-Systemen in lüftungstechnischen Anlagen mit dem Ziel der Energie- und Kosteneinsparung soll basierend auf Informationen von Datenpunkten automatisiert das Anlagenschema mit den räumlichen und funktionalen Beziehungen der Komponenten und deren semantischen Zusammenhänge abgeleitet werden. Die vorliegende Arbeit befasst sich mit der Klassifikation von Datenpunkten und schafft dadurch eine Grundlage für weiterführende Arbeiten zur Lösung dieser Forschungsfrage. Der Schwerpunkt dieser Arbeit liegt auf der Verwendung von Zeitreihen der Datenpunkte, doch auch der Datenpunktname wird als Informationsquelle hinzugezogen. Zur Bearbeitung der Forschungsfrage kamen Verfahren aus dem Gebiet der künstlichen Intelligenz zum Einsatz. Der verwendete Datensatz beinhaltet Messwerte aus insgesamt 76 Gebäuden und umfasst die Monate Januar bis November des Jahres 2018. Damit wurden relevante Merkmale der Zeitreihen zur Unterscheidung von Datenpunkttypen analysiert und extrahiert, sowie Klassifikationsmodelle erstellt. Es wurden Untersuchungen bezüglich verschiedener Einflussgrößen wie Samplingrate und saisonaler Effekte durchgeführt, um die Robustheit und Flexibilität des entwickelten Klassifikators zu überprüfen. Anschließend erfolgte eine ausführliche Betrachtung der Klassifikationsergebnisse. Bei der Einbeziehung des Datenpunktnamens in die Klassifikation wurden Methoden des Natural Language Processing (NLP) verwendet. Mit dem vorhandenen Datensatz wurde eine Vorgehensweise entwickelt, die auf andere Datensätze übertragen werden kann. Insgesamt liefern die verwendeten Modelle bereits sehr gute Ergebnisse und ordnen im Schnitt etwa 92% aller Datenpunkte der korrekten Klasse zu. Die Datenpunkte der am schlechtesten erkannten Klasse werden zu rund 88% (Validierungsdaten) bzw. 90% (Testdaten) korrekt klassifiziert. Es stellte sich heraus, dass die am schlechtesten erkannte Klasse sehr grob definiert ist und durch eine feinere Aufteilung in Subklassen die Gesamtergebnisse voraussichtlich deutlich verbessert werden könnten.
Thesis Note
Dresden, TU, Dipl.-Arb., 2020
Advisor(s)
Publishing Place
Dresden