Digitales Modell für die energetische und thermische Simulation eines OutdoorGrossbildschirms

Die Firma Schaltag AG ist ein führender Hersteller von Outdoor-Grossbildschirmen. In Zusammenarbeit mit dem IA werden im Rahmen eines Innosuisse Projektes diese Grossbildschirme thermisch und energetisch für den Ausseneinsatz optimiert. Mit «Machine Learning» Methoden (ML) soll dabei ein energieeffizienter, optimaler Display-Betrieb garantiert werden.

Hans Gysin

Problematik / Ziel

ML-Methoden können nur effizient angewendet werden, wenn entsprechende Erfahrungsdaten vorhanden sind. Bei einem Projekt wie diesem würde das bedeuten, dass an verschiedenen Aufstellungsorten, dutzende von Bildschirmen über mindestens ein bis zwei Jahre überwacht und ihre Betriebsdaten aufgezeichnet würden. Dieser grosse Aufwand kann weitgehend eingespart werden, wenn ein «Digitaler Zwilling», mit entsprechenden Simulationen, die Daten liefert.

Ein Teil dieses Grossbildschirmprojektes gehört somit dem Entwurf und dem Einsatz eines dynamischen, digitalen Modells, zur Simulation der energetischen und thermischen Grössen des Bildschirms. Existiert dieses Modell, dann können im Sinne eines «Digitalen Zwillings», mit beliebigen Umwelt- und Betriebsdaten, die Zustandsdaten des Bildschirms simuliert und so die nötigen «virtuellen» Erfahrungsdaten gewonnen werden.

Vorgehen und Umsetzung anhand von 3 Bildern Mittels Differentialgleichungssystem, welches das thermophysikalische Verhalten einer vereinfachten Geometrie des Bildschirmes beschreibt, sowie mit den hinterlegten Kennlinien, entstand ein Modell des Bildschirmes in Python Software.

Bild 1: Das Bild zeigt eine vereinfachte Geometrie des Grossbildschirmes, die dem Modell zu Grunde liegt, berücksichtigt wurden für die Modellbildung Front- und Rückwand, der Bildschirm und die Luftströmung (Lüfter) zwischen diesen Elementen.

Bild 2: Das Bild zeigt das Blockschaltbild des Zustandsmodells, das dem Bildschirm zu Grunde liegt. Eingangsgrössen u sind dabei z.B. der Stromverbrauch (Betrieb), die Sonneneinstrahlung und die Umgebungstemperatur. Ausgangsgrössen y sind z.B. die Temperaturen des Bildschirms im Gehäuseinnern.

Mit dem Python-Modell und beliebigen Wetterdaten wie z.B. Einstrahlung und Umgebungstemperatur können Stromverbrauch und interne Temperaturen simuliert werden und als Erfahrungsdaten in die ML-Steuerung einfliessen.

Resultate

Die Messungen am Bildschirm haben gezeigt, dass Temperaturen und die Nennleistung auf wenige % genau prognostiziert (berechnet) werden können. Das Modell ist somit geeignet, um realistische Erfahrungsdaten zu erzeugen. Der Outdoor-Grossbildschirm hat seinen digitalen Zwilling bekommen.

Bild 3: Das Bild zeigt einen Tagesverlauf der Bildschirmtemperatur W3 als Gegenüberstellung des berechneten (prophezeiten) Verlaufs und dem tatsächlichen (gemessenen) Verlauf über 24 Stunden.

Für die bestehenden Abweichungen gilt es Erklärungen zu finden und das Modell, wenn nötig, anzupassen (zu optimieren).

Stand und Ausblick

Das dynamische, physikalische Modell des Grossbildschirms ist als Python-Software vorhanden und aktuell werden Erfahrungsdaten für die ML-Steuerung des Bildschirms erzeugt. Parallel dazu läuft die Entwicklung eines Modells auf

Basis eines Künstlichen Neuronalen Netzes (KNN). Im Verlaufe des letzten Jahres konnten an einem Grossbildschirm an der FHNW genügend Messungen durchgeführt werden, um ein ML-Modell zu trainieren. Die ersten Ergebnisse zeigen eine überraschend hohe Präzision der Prognose.

Da stellt sich natürlich die Frage, warum nicht ein KNN als Digitalen Zwilling?

Auf der «Suche» nach einem energieeffizienteren Gerät wurden auch konstruktive Anpassungen am Grossbildschirm notwendig. Solche Anpassungen können beim physikalischen Modell korrigiert und die Auswirkungen simuliert werden. Beim KNN fängt man wieder von vorne an. D.h. Bildschirm anpassen, Messdaten generieren und dann ein KNN trainieren. Man kennt also erst nach «langer Zeit» die Auswirkungen einer Bildschirmanpassung. Somit werden in naher Zukunft wohl beide Modelle ihre Berechtigung haben.

Projektteam

Schaltag AG, CH-8307 Effretikon: Walter Fröhlich, Head of Engineering

Dr. Michael Buscher, VR-Präsident

FHNW / Institut für Automation: Nils Strassmann, MSE Student und Wiss. Assistent Prof. Hans Gysin, Dozent, hans.gysin@fhnw.ch