Interdisziplinäre Forschung zur Energieoptimierung in Fertigungsbetrieben

Transkript

1 BALANCED MANUFACTURING Interdisziplinäre Forschung zur Energieoptimierung in Fertigungsbetrieben Dipl.-Ing. Bernhard Heinzl Institut für Rechnergestützte Automation TU Wien

2 Inhalt 1 Einleitung, Motivation 2 Planung von energieeffizienten Betrieben Projekt INFO 2.1 Optimierungsfelder: Maschinen, Gebäude, Energiesys. 2.2 Gekoppelte Simulation 2.3 Case Study 3 Energieeffizienter Betrieb Projekt BaMa 3.1 Tool-Kette 3.2 Methodischer Ansatz: Cubes 2

3 Motivation Warum Energieeffizienz? Energiekonsum der prod. Industrie 1 Steigende Energiekosten 12,4% 23,9% 2,1% 28,7% Agriculture Landwirtschaft Manufacturing Produktion Transport Service Sector Dienstleistungssektor Preis [ ] 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Heizöl schwer (Industrie)/kWh) Steinkohle (Industrie)/kWh Naturgas (Industrie)/kWh Elektrischer Strom (Industrie)/kWh 32,9% Private Haushalte Households Potential für Reduktionen: 30 65% abhängig vom Sektor 2 Steigendes ökolog. Bewusstsein 3 Entscheidungskriterien beim Computerkauf von deutschen Konsumenten (2013): Preis: 77% Stromverbrauch: 50% Ressourcenschonende Herstellung: 19% 1 (Quelle: 2 (Quelle: E. Bonneville, A. Rialhe, Good practice for energy efficiency in industry, 3 Quelle: Strengere Regularien EU-Richtlinie 2012/27/EU Bundesenergieeffizienzgesetz ISO Wesentliche Energieaspekte ermitteln Managementbewertung Act Energiepolitik Energieziele Planung Kontinuierliche Verbesserung Überprüfung Korrektur- und Vorbeugemaßn. Plan Einführung und Umsetzung Check ISO Do 3

4 Motivation Energieeffizienz steigern Höhere Energieeffizienz durch Planung von energieeffizienten Produktionsanlagen Energieoptimierter Betrieb der Produktionsanlagen Gebäudeplanung: Hohe Systemkomplexität Ressourceneffizient Wettbewerbsfähig (Zeit, Kosten) Fehlende Informationen Divergierende Interessen Kosten Einsatz integraler Planungswerkzeuge in früher Projektphase Handlungsspielraum Konventionelle Planung Integrale Planung Initiierung Planung Ausführung Nutzung Verwertung Entscheidungen in den frühen Planungsstadien sind von zentraler Bedeutung Unterstützung durch simulationsgestützte Werkzeuge 4

5 Forschungsziele Entwicklung von simulationsbasierten Werkzeugen für: Planung von energieeffizienten Produktionsanlagen Projekt INFO Entscheidungsunterstützung für Planungsszenarien Qualifizierte Aussagen über die Auswirkungen von Energiesparmaßnahmen Ökonomische und ökologische Bewertung Life-cyle Cost-benefit Analysis Energieeffizienter Betrieb von Produktionsanlagen Projekt BaMa Optimierte Produktionsplanung Energieeffizienz als Entscheidungskriterium Methodik für nachhaltige und wettbewerbsfähige Betriebssteuerung 5

7 Methodik Prozess Maschine Optimierungsfelder Energiesystem Produktionssystem Gebäude Analyse Modellierung Optimierung durch Gekoppelte Simulation... für die Energieoptimierung von Fertigungsbetrieben... zur Erreichung ökonomischer und ökologischer Ziele 7

8 Optimierungsfeld: Maschinen Typische (White-Box) Modellierungsansätze für Verarbeitungsprozesse und Maschinen (z.b. FEM, MKS, etc.) erlauben detaillierte Analysen von einzelnen Aspekten Gezielte Simulation von detaillierten Prozessszenarien Für energetische Simulation im ganzheitlichen Kontext ( Co-Simulation) kann/muss (temporale) Auflösung (und Modellkomplexität) reduziert werden Datenbasierte Modellierung (Black-Box): Definition von Betriebszuständen mit Leistungsniveaus basierend auf hochaufgelösten Messdaten Kombination mit gezielten detaillierten Prozesssimulationen Zusammenführung mit Produktionsdaten Dynamic energy Process timing Waste heat Machine operating states Detailed simulations MODEL 1 Process, machine tool Base load Mean energy Process timing Power cons. Process timing Measurement data MODEL 2 Process, machine tool... DATA MODEL Process, machines, production system Production program, MES data (SAP) Production data MODEL n Process, machine tool Power consumption Reusable/diffuse waste heat 8

9 Optimierungsfeld: Gebäude Simulationsmodell der thermischen Aspekte des Gebäudes Bedarf an Heiz- und Kühlenergie, inkl. Temperaturregelung Umwelteinflüsse (Umgebungstemperatur, Wetter, etc.) Abwärme von Maschinen, Personen, Beleuchtung, etc. Gebäudemodell Wetterdaten Abwärmen/ interne Lasten Energiebedarf Heinzung/Kühlung/Beleuchtung Raum-/Zonentemperaturen Implementierung: BIM/EnergyPlus Integrale Gebäudeplanung mittels BIM (Building Information Modeling) Management aller relevanten Bauplanungs- und Projektdaten Modellexport für thermische Gebäudesimulation (EnergyPlus) Analyse und Vergleich von Simulationszenarien (Fassaden, Luftwechsel, etc.) Erlaubt auch Kopplung für Co-Simulation 10

10 Optimierungsfeld: Energiesystem/TGA Ziel: Modell aller Geräte und Einrichtungen zur Versorgung des Betriebes mit elektrischer und thermischer Energie (z.b. Pumpen, Kältemaschinen, Photovoltaik-Anlage, etc.) Berechnung des insgesamten Primär- und Endenergiebedarfes, der aus den Bedarfen von Produktion und Gebäude resultiert Herausforderungen: Flexibilität und Wiederverwendbarkeit von Modellkomponenten Szenarien Rechengeschwindigkeit und numerische Stabilität Möglichkeit zur Kopplung mit anderen Modellen Co-Simulation Implementierung: Modelica/Dymola Multi-domain-Simulation von phys. Systemen Objektorientierte Modellbeschreibung Bibliotheken für Modellkomponenten Schnittstellen zu anderen Software-Tools (BCVTB, MATLAB, etc.) Input Modellkomponente: Modellbeschreibung: Physikalische Gleichungen Kennlinien/Charakteristiken Output 11

11 Optimierungsfeld: Energiesystem/TGA Beispiel Weather data Energy system model Absorption chiller Energy conversion Final energy demand, fuel demand Energy demand production, equipment Recovered waste heat Heating/ cooling energy demand, Temp. in building + CO2 emissions Other energy demands of interest Heat Cold Room conditioning Heat Distribution Electricity Fuels Other data 12

12 Co-Simulation Herausforderung: Große Unterschiede in den zeitlichen Dynamiken zwischen den Subsystemen Gekoppelte Simulation: Laufzeitkopplung mehrerer Simulationstools (via Middleware) Jedes Simulationstool implementiert spez. Teil des Gesamtsystems Zusätzliche Software koordiniert Datenaustausch und Synchronisation... Vorteile von Co-Simulation: Teilmodelle Multi-formalism: Individuelle Modellbeschreibung für jedes Teilsystem (z.b. Differentialgleichungen, Ereignisdiskrete Modelle, datenbasiert, etc.) Zeitsparende Implementierung in bekannten Simulationstools Multi-method: Verschiedene, individuell zugeschnittene numerische Algorithmen (z.b. explizite/implizite ODE solver mit angepassten Schrittweiten) Verbesserung der Performance 15

13 Framework Prototypisches Framework für interdisziplinäre Co-Simulation von Produktionsbetrieben Evaluierung und Bewertung von Szenarien Definierte Schnittstellen (basierend auf Referenzmodell) erlaubt Austausch von Teilmodellen BCVTB Simulator 1 Director Simulator 2 C library Actor Actor C library BSD Socket Client Config file TCP/IP BSD Socket Server BSD Socket Server Config file TCP/IP BSD Socket Client Figure: BCVTB architecture, following [5] 17

14 Case Study Geplanter Neubau des Industriestandortes eines high-end metallverarbeitenden Fertigungsbetriebes m² neue Produktions- und Büroflächen, 500 MitarbeiterInnen Vorhandener Maschinenpark mit 48 Werkzeugmaschinen Energiebedarf alter Standort: 8 Mio kwh/anno 18

15 Case Study Gesamtsimulation Teilmodelle: Maschinen (MATLAB/Excel) Gebäude (EnergyPlus) Energiesystem (Dymola) Simulation und Vergleich von Szenarien: Austausch von Energiesystem- und Gebäudemodellen Schnittstellen im Framework bleiben unverändert Energy consumption CO 2 emissions Static Input Control Simulierter Zeitraum: bis zu 1 Jahr Kommunikationsintervall: 15 min Rechenzeit: ca. 45 min Ökonomische und ökologische Bewertung der Simulationsergebnisse Room temperatures Heating/cooling demand Power consumption Reusable/diffuse waste heat Energy consumption CO 2 emissions Weather data Diffuse waste heat Electric demand Room temp. Heating/cooling demand Reusable waste heat 19

16 Case Study Szenarien Szenario 1 Szenario 2 Szenario 3 Wärmeversorgung Heat sources Gas-BHKW (wärmegeführt) Waste heat from production Fernwärme Gas-CHP heat-controlled District heat for peak loads Fernwärme Waste heat from production Ground water well und heat pump Grundwasserbrunnen Waste heat from production und Wärmepumpe District heat for peak loads Heat Kälteversorgung sources Waste Absorptions-KM heat from production Gas-CHP (Wärme heat-controlled Kälte) District heat for peak loads Waste Kompressions-KM heat from production Ground (Strom water Kälte) well und heat pump Waste Grundwasserbrunnen heat from production District heat for peak loads Stromversorgung Gas-BHKW Photovoltaik Stromnetz Photovoltaik Stromnetz Photovoltaik Stromnetz Wärmerückgewinnung (Abluft) Wärmepumpe Wärmetauscher Wärmepumpe 20

17 Case Study Ergebnisse (1) Simulierte Energiebedarfe und -bereitstellung (z.b. 1 Woche im Sommer) Cooling power demand for room conditioning Heat flow produced by CHP Power in kw Recovered heat at high temperature level suitable for operation of absorption chiller (apprx. 80 C) Supplied electricity to grid Time in h 21

18 Case Study Ergebnisse (2) Szenario 1: Absorptions-KM: Überdimensioniert Kein Teillastbetrieb Wärmespeicher: Keine Speicherkapazität für Kälte BHKW: Ineffizienter Teillastbetrieb 22

19 Case Study Ergebnisse (3) Endenergiebedarf: CO 2 -Emissionen: 14,0 Delivereded district heat Energy in GWh 12,0 10,0 8,0 6,0 4,0 Delivered natural gas Electricity produces by PV Delivered electricity Supplied elecricity to grid CO 2 in tons ,0 0,0-2,0 Scen 1 Scen 2 Scen 3 Existing Scen 1 Scen 2 Scen 3 Existing Cost-Benefit-Analyse: Zeitraum 30 Jahre Kosten: Investition, Betrieb, Wartung, Energie Szenario 2 geg. Szenario 1: -14 Mio Szenario 3 geg. Szenario 1: -18 Mio 23

21 BaMa: Idee und Ziele Weiterentwicklung des systematischen interdisziplinären Ansatzes zu einer ganzheitlichen Methodik, aufbauend eine simulationsbasierten Software-Tool-Kette Für energieoptimierten Betrieb von Produktionsanlagen BaMa IKT Gebäude Energiesystem Produktionsanlagen Produktionsmanagement & Logistik Monitoring, Vorhersage und Optimierung von Ressourcenbedarf in der industriellen Produktion mit den Erfolgsfaktoren Zeit, Geld und Qualität. 25

22 Tool-Kette Implementierung und Begleitprozess Management - Zielfunktion BaMa - Optimierung BaMa Monitoring BaMa Prognose BaMa Tool Chain BaMa - Methode Anwendungsfälle 1-n Use Cases Software Tool-Kette, eingebettet in betriebliche Automatisierungssysteme BaMa-Optimierung: Optimierung des Anlagenbetriebs mit Hinblick auf Energie, Zeit, Kosten, Qualität Basierend auf Simulationsergebnissen BaMa-Prädiktion: Vorhersage des Energiebedarfs aus der Simulation basierend auf Produktionsplan und Betriebsführungsstrategie BaMa-Monitoring: Aggregieren und Visualisieren des Ressourcenbedarfs, Footprint 26

23 BaMa Architektur BaMa-Toolchain Optimierung, Prädiktion Virtuelles System Simulation Konform mit ISO TGA Gebäude Maschine Logistik BaMa-Monitoring: Messdaten, produktbezogener CO 2 -Footprint BaMa-Prädiktion: Vorhersage, Simulation BaMa-Optimierung: Betriebsführungsstrategien, Einsparungspotentiale Eingriff Stelleingriffe Realer Produktionsbetrieb TGA Gebäude Maschine Messwerte Logistik Energie-, Material- und Informationsflüsse 27

24 Methodischer Ansatz: Cubes Virtualisierung des Produktionsbetriebes Komplexes System Gliederung in überschaubare Teile (aus energet. Sicht) Cubes beschreiben energetisches Systemverhalten Systematische Begegnung der hohen Systemkomplexität Modularer Ansatz bringt Flexibilität Simulation und Optimierung des virtuellen Gesamtsystems Realer Produktionsbetrieb Maschine TGA Gebäude Energie-, Material- und Informationsflüsse Cube Logistik 28

25 Warum Cubes? Realer Produktionsbetrieb TGA Gebäude Cubes besitzen einheitlich definierte Schnittstellen Flexibilität, Modularisierung, Wiederverwendbarkeit Maschine Energie-, Material- und Informationsflüsse Logistik Verbindungen und Interaktion der Cubes untereinander: Stoffströme, Energieströme, Informationsströme Cubes sind klar abgegrenzte Einheiten Basismodule für Systemanalyse Integration unterschiedlicher Sichtweisen und Systembereiche (Maschinen, TGA, Gebäude, Logistik) in eine gemeinsame Spezifikation Cubes bündeln Informations- und Ressourcenströme (Energie, Material, Kosten, etc.) innerhalb identischer Bilanzgrenzen Stoffstrom Werkstück, Teig, etc. diskretisiert Verfolgbarkeit Footprint (Zeit, Kosten, CO 2 ) Produktionsplan Betriebsart etc. Leistung elektrisch, thermisch, Exergiemaß CO 2 -Anteil Energiestrom Stelleingriffe Parameter: Abmessungen Temperatur Nennleistung, Wirkungsgrad etc. Energiestrom Messwerte Energiebedarf Betriebszustände etc. Stoffstrom Werkstück, Backgut, etc. Aktualisierter Footprint Abwärme diffus, Rückgewinnung CO 2 -Anteil Bilanzen an den Cube-Grenzen 29

26 Herausforderungen Simulation der Cubes Integrierte Gesamtsimulation Hybrides System: Diskreter Materialfluss Kontinuierliche Beschreibung der Energieströme Beschreibung mittels DEV&DESS-Formalismus Vorteile der integrierten Simulation: Bessere Wiederverwendbarkeit von Modellkomponenten Keine zusätzliche Middleware notwendig Robustere Gesamtsimulation Weniger Expertenwissen notwendig zum Aufbau der Simulation Optimierung Zielfunktion: Bewertung der Simulationsergebnisse Passende Optimierungsalgorithmen notwendig 30

27 BaMa Anwendungsfelder Optimierung der Produktionsplanung Anpassung an Energieverfügbarkeit (Erneuerbare) Kaskadische Energienutzung Energieeinsparung durch Produktionseffizienzsteigerung Minimierung von Transport und Lageraufwänden Optimierung des Infrastrukturbetriebs Optimierter Einsatz der vorhandenen Versorgung Umstrukturierungen und Umbauten Energiebeschaffungsplanung bzw. Verkauf Anbindung an intelligente Netze 31

28 Zusammenfassung Optimierung der Energieeffizienz von industriellen Betrieben braucht interdisziplinäre gesamtheitliche Analyse Identifikation von zusätzlichen Optimierungspotentialen aus dynamischen Abhängigkeiten Simulationsgestützte Werkzeuge können Entscheidungsprozesse unterstützen In der Frühphasenplanung von Produktionsbetrieben Im operativen Betrieb Gesamtheitliche Simulation ist Herausforderung Systematische Ansätze Neuartige Simulationstools Competitive and sustainable manufacturing Energy efficient plant operation Integrated planning processes Energy efficient infrastructure Energy efficient production processes and components 32

29 Danksagung Projekt INFO Interdisziplinäre Forschung zur Energieoptimierung in Fertigungsbetrieben Fördergeber: Klima- und Energiefond Projektdauer: Projektnummer: Die vorgestellten Arbeiten werden gefördert vom Klimaund Energiefond im Rahmen des Programmes Neue Energien Die Autoren bedanken sich bei allen beteiligten Projektpartnern. Projekt BaMa Balanced Manufacturing Fördergeber: Klima- und Energiefond Projektdauer: Die vorgestellten Arbeiten werden gefördert vom Klima- und Energiefond im Rahmen des Programmes e!mission.at Die Autoren bedanken sich bei allen beteiligten Projektpartnern. 33

30 BALANCED MANUFACTURING Danke für Ihre Aufmerksamkeit! Dipl.-Ing. Bernhard Heinzl Institut für Rechnergestützte Automation Technische Universität Wien Tel.: bernhard.heinzl@tuwien.ac.at