nach oben
Meine Merkliste
Ihre Merklisteneinträge speichern
Wenn Sie weitere Inhalte zu Ihrer Merkliste hinzufügen möchten, melden Sie sich bitte an. Wenn Sie noch kein Benutzerkonto haben, registrieren Sie sich bitte im Hanser Kundencenter.

» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.
Ihre Merklisten
Wenn Sie Ihre Merklisten bei Ihrem nächsten Besuch wieder verwenden möchten, melden Sie sich bitte an oder registrieren Sie sich im Hanser Kundencenter.
» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.

« Zurück

Ihre Vorteile im Überblick

  • Ein Login für alle Hanser Fachportale
  • Individuelle Startseite und damit schneller Zugriff auf bevorzugte Inhalte
  • Exklusiver Zugriff auf ausgewählte Inhalte
  • Persönliche Merklisten über alle Hanser Fachportale
  • Zentrale Verwaltung Ihrer persönlichen Daten und Newsletter-Abonnements

Jetzt registrieren
Merken Gemerkt
05.11.2019

Teil 4: Datengestützte Verfahren für einen energieeffizienten und flexiblen Betrieb von Produktions- und Versorgungstechnik (Teil 4)

Künstliche Intelligenz, Maschinendaten, Algorithmen, Effizienz, Geschäftsmodelle

Die Nutzung von Maschinendaten in der spanenden Fertigung verspricht bei vielen Anwendungen großes Potenzial. Der spezifische Nutzen ist jedoch im Vorfeld oft unklar. Wie dennoch die nutzenorientierte Integration innovativer Datenanalysen gelingen kann, zeigt das PTW der TU Darmstadt in Anwendungsfeldern aus Forschung und Praxis.

Gesetzliche Vorgaben, das wachsende Umweltbewusstsein von Konsumenten und steigende Energiepreise drängen Unternehmen zu mehr Nachhaltigkeit in der Produktion. Mit dem Komplexitätsgrad industrieller Energiesysteme wachsen auch die Herausforderungen, die Anlagen und Systeme hinsichtlich der gleichzeitigen Zielgrößen Wirtschaftlichkeit, Versorgungssicherheit und Umweltfreundlichkeit optimal auszulegen und zu betreiben. Digitale Technologien und datengestützte Algorithmen sind ein essentieller Enabler, um die Analyse und Optimierung der vielfältig interagierenden Energiesysteme zu ermöglichen.

Verfahren der künstlichen Intelligenz schicken sich dabei an, die interdisziplinären Aufgaben der Energieteams in produzierenden Unternehmen durch die Analyse großer Datenmengen zu unterstützen.

Transparenzschaffung durch Energy Data Analytics

Bevor eine Optimierung des Energiesystems stattfinden kann, ist es zunächst erforderlich, Energieströme transparent zu machen und einzelnen Komponenten des Systems zuzuordnen. Die notwendigen Daten dafür sind, auch bedingt durch regulatorische Vorgaben, oftmals bereits vorhanden. Dies ergibt sich insbesondere aus der Verpflichtung zur Durchführung von Energieaudits nach DIN EN 16247 oder der alternativen Einführung eines Energiemanagementsystems nach ISO 50001.

Oftmals wird dafür eine Vielzahl von Energiezählern installiert, die eine kontinuierliche, hochfrequente Erfassung von Energiedaten ermöglichen. Bisher werden die Daten jedoch in vielen Unternehmen hauptsächlich für statische Auswertungen genutzt. Maschinelle Lernverfahren bieten nun die Möglichkeit, weitere Nutzenpotenziale der Daten zu erschließen und vorhandene Daten so besser auszunutzen. Je nach Anwendung können dafür unterschiedlichste Verfahren aus dem Bereich des Maschinellen Lernens genutzt werden.

Diese Verfahren können beispielsweise eine Steigerung der Datenqualität [1], das Clustering von Fabrikzuständen für Benchmarks [2], eine virtuelle Einführung zusätzlicher Messpunkte [3; 4] oder eine Prognose des zukünftigen Energieverbrauchs ermöglichen [5]. Bild 1 zeigt eine Darstellung der Verfahren im Datenlebenszyklus. Entsprechende Prognosen können, wie im Folgenden dargestellt, unter anderem für die Entwicklung KI-gestützter Betriebsstrategien genutzt werden. Die Voraussetzung dafür ist, dass die vorhandenen Daten in hoher Qualität erfasst werden. Insbesondere sollte sichergestellt sein, dass plausible Daten mit möglichst wenigen Unterbrechungen aufgezeichnet werden. Im Idealfall erfolgt die Aufzeichnung direkt in ein zentrales System, sodass gesammelt auf die Daten zugegriffen werden kann.

Bild 1: ML basierte Datenverarbeitung zur Erhöhung der Energietransparenz (© PTW)

Kosteneinsparungen mithilfe datengestützter Betriebsoptimierungsstrategien

Produktions- und energietechnische Anlagen werden in der Regel konventionell durch regelbasierte Ansätze betrieben, die kaum die vielfältigen Störgrößen und Zustände des Gesamtsystems berücksichtigen können. Durch intelligentere, vorausschauende Betriebsstrategien können daher signifikante Potenziale zur Reduktion von Energiekosten und CO2-Emissionen gehoben werden. Insbesondere wenn Speicherkapazitäten für Energie oder (Zwischen-)Produkte vorhanden sind, lässt sich der Energiebedarf in besonders energieeffiziente oder kostengünstige Zeiten verschieben. So können sowohl die Automatisierung der Technischen Gebäudeausrüstung (TGA) als auch die Abläufe in der Produktion adaptiv auf Wetter-, Energiemarkt- und Produktionsprognosen angepasst werden.
Für die Optimierung können beispielsweise modellbasierte prädiktive Regelungsverfahren [6], Metaheuristiken [7] oder modellfreie, lernende Verfahren wie das Deep Reinforcement Learning [8] zur Anwendung kommen. Während für die modellbasierten Algorithmen in der Regel spezielle Expertise zur Abbildung der Energiesysteme als Optimierungsproblem notwendig ist, können modellfreie Verfahren prinzipiell ohne größere Anpassungen auf reale Daten angewendet werden. Weil gegenwärtig verfügbare Verfahren jedoch eine große Menge an Daten zur Konvergenz benötigen, empfiehlt sich das Vortrainieren der in den Algorithmen eingesetzten Neuronalen Netze an digitalen Zwillingen (Simulationsmodellen) [8].

Die Infrastruktur für die Betriebsoptimierung ist in Bild 2 dargestellt. Dabei wird die klassische Fabrikregelung, bei der jede Anlage und jeder Anlagenpool eine eigene Steuerung (Controller) hat, von einer Betriebsoptimierung überlagert. Rechts in der Grafik sind die berücksichtigten Einflussfaktoren aufgezählt. In der klassischen Regelung können nur Zustandsdaten der Anlagen und externe Störgrößen berücksichtigt werden, während bei der Betriebsoptimierung viele weitere Einflussfaktoren mit eingehen können. Die Betriebsoptimierung kann in einer Energiemanagementplattform erfolgen und nutzt das zumeist bereits vorhandene Data-Warehouse zur Datenhaltung. Mit einem zwischengeschalteten Prognosemodul können die Daten augmentiert werden. Um die Gesamtkomplexität der Produktionsumgebung beherrschen zu können, bedarf es dezentraler Teiloptimierungssysteme, die durch ein Gesamtoptimierungsmodul koordiniert werden.

Bild 2: Datengestützte Betriebsoptimierung industrieller Energiesysteme [8] (© PTW)

Insgesamt konnte am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen der TU Darmstadt bereits gezeigt werden, dass mit einer energieadaptiven Planung und Steuerung von Produktion und TGA Energieeinsparungen im zweistelligen Prozentbereich erreichbar sind. Die genauen Potenziale sind allerdings stark von den Gegebenheiten im Unternehmen und von den verfügbaren Daten abhängig. Neben der Steigerung der Energieeffizienz und Reduktion von Energiekosten kann durch die Nutzung zeitflexibler Energiepreise im Rahmen von Demand-Response-Programmen zur Integration Erneuerbarer Energien und implizit zum Gelingen der Energiewende beigetragen werden.

Literatur

  • [1] Li Sun, Kaile Zhou, Xiaoling Zhang, Shanlin Yang (2018) Outlier Data Treatment Methods Toward Smart Grid Applications. In: IEEE Access, S. 39849-39859.
  • [2] Imran Khan, Joshua Zhexue Huang, Md Abdul Masud, Qingshan Jiang (2016) Segmentation of Factories on Electricity Consumption Behaviors Using Load Profile Data. In: IEEE Access, S. 8394–8406.
  • [3] Johannes Sossenheimer, Jessica Walther, Jan Fleddermann, Eberhard Abele (2019) A Sensor Reduced Machine Learning Approach for Condition-based Energy Monitoring for Machine Tools. In: 21st CIRP Conference on Life Cycle Engineering, S. 570–575.
  • [4] Johannes Sossenheimer, Thomas Weber, Dominik Flum, Niklas Panten, Eberhard Abele, Tobias Fuertjes (2019) Non-intrusive Load Monitoring on Component Level of a Machine Tool Using a Kalman Filter-Based Disaggregation Approach, Springer International Publishing, Cham, S. 155–165.
  • [5] Jessica Walther, Dario Spanier, Niklas Panten, Eberhard Abele (2019) Very short-term load forecasting on factory level – A machine learning approach. In: 21st CIRP Conference on Life Cycle Engineering, S. 705–710.
  • [6] Jenny L. Diaz C., Carlos Ocampo-Martinez, Niklas Panten, Thomas Weber, Eberhard Abele(2019) Optimal operation of combined heat and power systems: An optimization-based control strategy. In: Energy Conversion and Management, S. 111957.
  • [7] Grosch, Benedikt; Weitzel, Timm; Panten, Niklas; Abele, Eberhard (2019) A metaheuristic for energy adaptive production scheduling with multiple energy carriers and its implementation in a real production system. In: Procedia CIRP, 80, S. 203–208.
  • [8] Niklas Panten (2019) Deep Reinforcement Learning zur Betriebsoptimierung hybrider industrieller Energienetze, unveröffentlichte Dissertation, TU Darmstadt.

Die Autoren dieses Beitrags

Prof. Dr.-Ing. Matthias Weigold leitet seit 2019 gemeinsam mit Prof. Abele und Prof. Metternich das Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. m.weigold@ptw.tu-darmstadt.de

Prof. Dr.-Ing. Eberhard Abele ist seit 2000 Institutsleiter des PTW Darmstadt

Niklas Panten, M.Sc., ist wissenschaftlicher Mitarbeiter am PTW Darmstadt und leitet die Forschungsgruppe Energietechnologien und Anwendungen in der Produktion (ETA).

Benedikt Grosch, M.Sc., ist wissenschaftlicher Mitarbeiter am PTW Darmstadt.

Drei Artikel dieser Serie sind bereits erschienen

In dieser Artikelserie wird anhand von Beispielen aus Forschung und Praxis das erfolgreiche Vorgehen bei der Implementierung von KI in der Produktion aufgezeigt.

  • Im 1. Teil wurden Anwendungsfelder der KI in der Produktion und ihr Beitrag zur Effizienzsteigerung aufgezeigt.
  • Im 2. Teil wurde aufgezeigt, wie sich die Herausforderungen bei Datenerfassung und Datentransport in bestehenden Produktionsumgebungen meistern lassen.
  • Im 3. Teil wurde die intelligente Zustandsüberwachung des Werkzeugverschleißes anhand zweier Fallbeispiele aus der Instandhaltung erläutert.

Unternehmensinformation

TU Darmstadt (PTW) Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen

Otto-Berndt-Str. 2
DE 64287 Darmstadt

Basics