Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning IFT - Institute for Production Engineering and Laser Technology DI Benjamin Mörzinger
Energieeffizienz: Motivation Quelle: science.sciencemag.org Seite 2
Balanced Manufacturing: Energie als Zielgröße Monitoring Simulation Optimierung Die Zukunft umfasst intelligente Datenaufnahme,-speicherung und verteilung durch Objekte und Menschen. Dezentrale Steuerungsmechanismen nehmen zu. -Fraunhofer IAO Die eingebetteten Produktionssysteme sind ( ) horizontal zu verteilten, in Echtzeit steuerbaren Wertschöpfungsnetzwerken verknüpft -Arbeitskreises Industrie 4.0, BMBF Produktivität Kosten Emissionen Die integrierte Analyse und Nutzung von Daten ist die Kernfähigkeit im Rahmen von Industrie 4.0. -pwc Handlungsempfehlung Seite 3
Balanced Manufacturing: Projektkonsortium Research Partners Development Partners Institut für Fertigungs- und Hochleistungslasertechnik Institut für Managementwissenschaften Key Industrial Partners Seite 4
Cubes: Heuristische Systemanalyse Virtualisierung des Produktionsbetriebs Komplexes System Gliederung in Teilbereiche (Cube) Kriterium: energetisches Systemverhalten Modularer Ansatz bringt Flexibilität Simulation und Optimierung des virtuellen Gesamtsystems Realer Produktionsbetrieb Maschine Energie Gebäude Energie-, Material- und Informationsflüsse Cube Logistik Seite 5
Einbindung in bestehende Systeminfrastruktur BaMa-Tool Chain Optimierung Optimierter Plan EDV Landschaft ERP Virtual system/model Simulation User interface MES, MIS, SCADA PLC, SPS, HMI Monitoring Sensors, bus systeme System Information Monitoringdaten Steuerung Messdaten Produktionssystem Energiesysteme Gebäude Maschinen Energie-, material- und Informationsflüsse Logisitk Seite 6
Use Case: Kältezentrale Rückkühlwerk Energiezentralen 36 MW Kälte 10 MW Wärme 19 Kühltürme Kühlwasser Vorlauf Kühlwasser Rücklauf Kälteanlage Kaltwasser Vorlauf Kaltwasser Rücklauf Abluft Druckluft Klimaanlage Maschine Maschinenhalle Druckluftversorgung Kond. Luft Maschine Maschine Druckabfall Seite 7
Use Case: Kältezentrale?? Außentemperatur Versorgung P el Kühlwasser Rücklauf Cube Rückkühlwerk Kühlwasser Vorlauf Kaltwasser Rücklauf Versorgung P el Kühlwasser Vorlauf Cube Kältemaschine Kaltwasser Vorlauf Abwärme/ WRG Seite 8
Modellierung: White Box Seite 9
Black Box Ansatz Generalized Linear Models y w, x = w 0 + w 1 x 1 + + w n x n min xw y 2 w Modellierung der Rückkühlwerke Ausgangsgröße: El. Leistungsbedarf Eingangsgröße: Außentemperatur, Reglerstellwert, el. Leitwert. (Theorie: Leitwert hängt v.a. vom Salzgehalt ab, ein erhöhter Salzgehalt bedeutet eine Erhöhung des Siedepunkts d.h. erhöhter Energiebedarf für Verdampfung notwendig) Modellqualität: R 2 0.74, e rel 34% Methode: Maschinelles Lernen, einfach automatisierbar. Kein spezifisches Domänenwissen nötig. Modellverbesserung: Luftfeuchte als Eingangsgröße, komplexere Modelle Seite 10
Modellierung: Black Box Seite 11
Programm Was ist Maschinelles Lernen? Field of study that gives computers the ability to learn without being explicitly programmed. Arthur Samuel, 1959 Traditionelles Maschinelles Lernen Programmieren Input Computer Output Data Computer Seite 12
Begriffsbestimmung Seite 13
German Traffic Sign Benchmark 50,000 Images 40 Classes size between 15x15 and 250x250 Source: http://benchmark.ini.rub.de/ Seite 14
Kontakt DI Benjamin Mörzinger IFT - Forschungsgruppe Energie- und Ressourceneffizienz Getreidemarkt 9 / 311 1060 Wien Österreich Tel.: +43 1 58801 31118 Mobil: +43 6648966685 Email: moerzinger@ift.at www: http://www.ift.at Man sollte die Dinge so einfach wie möglich machen, aber nicht einfacher. - Albert Einstein Institut für Fertigungstechnik 4 und Hochleistungslasertechnik Seite 15