Careers

Internship: Control heating elements with machine learning

– This vacancy is only available in Dutch – 

Titel Control heating elements with machine learning
Doelgroep Afstudeerder Informatica
Kern Luminis Apeldoorn
 
Cooll Sustainable Energy Solutions ontwikkelt een warmte-aangedreven warmtepomp, als zuiniger alternatief voor hr-ketels. In een van de testopstellingen bij Cooll wordt een watercircuit op hoge temperatuur gehouden door een elektrisch verwarmingselement. Een sensor meet de temperatuur van het uitgaande water en een regelaar bepaalt vervolgens met hoeveel vermogen het verwarmingselement aangestuurd moet worden. Doordat de stroomsnelheid en de temperatuur van het ingaande water voortdurend variëren is de regelaar continu aan het bijsturen om water van de juiste temperatuur te maken.
 
Een voordehandliggende aanpak is een PID-regelaar, maar hierbij wordt alleen gebruik gemaakt van de uitgangstemperatuur. Aangezien er meer informatie beschikbaar is, zoals bv. de stroomsnelheid van het water en de ingangstemperatuur, lijkt het handig dit ook als invoer voor de regelaar te gebruiken en zo de fout tussen gevraagde en gemeten fout verder te verkleinen. Een feed-forward algoritme is een voorbeeld hiervan. 
 
Over het vinden van juiste instellingen voor bijvoorbeeld een PID-regelalgoritme zijn boeken volgeschreven . De regelaar moet voldoen aan conflicterende eisen zoals snel reageren, stabiel blijven en verschillende verstoringen aankunnen, en dit met slechts een handvol parameters. Met opkomende technologie op het gebied van machine-learning ontstaat dan snel de vraag of  de aansturing van een verwarmingselement ook kan profiteren van deze nieuwe mogelijkheden.
 
Bij deze afstudeeropdracht ga je met het volgende aan de slag:
In deze opdracht is het de bedoeling om een vorm van machine learning te gebruiken als aansturing voor het verwarmingselement. Essentieel hierbij is het trainen van het algoritme. Hiervoor is een computermodel beschikbaar dat het verwarmingselement en de bijbehorende waterstroom simuleert. Er dient onderzocht te worden welke trainingsmethode het best geschikt is voor dit type probleem (reinforcement learning, evolutionary, … ) en welke invoergegevens het meest van belang zijn.
 
Kortom een boordevolle opdracht waarin je onderzoek mag doen naar verschillende machine learning methoden, de toepassing zelf mag ontwikkelen, en dat alles in een innovatief domein.
 
Lijkt jou deze opdracht een mooie uitdaging? Stuur dan gelijk jouw CV en motivatie naar gerard.verbeek@luminis.eu.