Das Projekt erforscht Methoden, um die Planung von Fertigungsschritten in Produktionsanlagen an die Verfügbarkeit von erneuerbarer Energie anzupassen. Das ehrgeizige Ziel einer 100%-Versorgung aus erneuerbarer Energie (#mission 2030) bedingt einen Ausbau erneuerbarer Energien und eine erhöhte Volatilität der Energieversorgung. Das primäre Ziel und Innovation des Projekts ist es, die Möglichkeit zu schaffen, dass Produktionsanlagen ihre Fertigungsschritte nach vorgegebener, dynamischer Energieverfügbarkeit so planen, dass ein netzseitig vorgegebenes Energieerzeugungsprofil zu mehr als 95% eingehalten wird, d.h., dass es bei gleichzeitig effizienter und ökonomischer Auslastung der Fertigungsressourcen nicht überschritten, aber auch möglichst vollständig genutzt wird. Die große Herausforderung liegt dabei in der Berücksichtigung der Prognoseunsicherheit der Energieerzeugungsprofile, die mit zunehmendem Planungshorizont zunimmt.
Gemeinsam mit den Projektpartnern entwickelt die Donau-Universität einen iterativen Planungsprozess für die Produktion. Adaptive, durch Methoden des maschinellen Lernens optimierte Energieverbrauchsmodelle erhöhen dabei die Genauigkeit der Planung, und die Berücksichtigung von produktionsabhängigen Energiespeicher- und Rückgewinnungsmöglichkeiten verbessert die Gesamteffizienz. Das vorgestellte Konzept soll dabei eine energieabhängige Fertigungsplanung sowohl für einzelne Fertigungsprozesse ermöglichen, als auch entsprechend skalierbar sein, sodass mehrere unabhängige Prozesse an ein übergeordnetes Gesamtenergieprofil angepasst werden können.
Das System wird dabei auch praktisch in einem industriellen Laborversuch im Battery Innovation Center der AVL getestet. Die Ergebnisse haben daher hohe Gültigkeit für die gesamte Sachgüterproduktion. Eine weitere Verallgemeinerung auf andere Branchen (z.B. Lebensmittelproduktion, Logistik) wird zusätzlich kontinuierlich überprüft.
Das Projekt ist Teil des CELTIC-NEXT-Projekts IEoT (Intelligent Edge of Things) und stellt dort einen zentralen Use Case dar.
** Dieses Projekt wird von Klima- und Energiefonds im Rahmen des Programmes Energieforschung (e!MISSION) kofinanziert.
Details
| Projektzeitraum | 01.04.2021 - 29.02.2024 |
|---|---|
| Fördergeber | FFG |
| Förderprogramm |
|
| Department | |
| Projektverantwortung (Universität für Weiterbildung Krems) | Dipl.-Ing. Albert Treytl |
Publikationen
Sauter, T.; Treytl, A. (2023). IoT-Enabled Sensors in Automation Systems and Their Security Challenges. IEEE Sensors Letters, vol. 7, no. 12: 1-4
Howind, S.; Sauter, T. (2023). Modeling Energy Consumption of Industrial Processes with Seq2Seq Machine Learning. In: IEEE, proceedings in 2023 IEEE 32nd International Symposium on Industrial Electronics (ISIE): 1-4, IEEE, Helsinki, Finnland
Bratukhin, A.; Franzl, G.; Karameti, D.; Treytl, A.; Sauter, T. (2022). Probability-based, Risk-adjusted Energy Consumption Optimisation in Industrial Applications. In: IEEE, Proceedings in 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA): 1-8, IEEE, Stuttgart
Bratukhin, A.; Treytl, A.; Howind, S.; Estaji, A.; Sauter, T. (2021). Integrating uncertainty of available energy in manufacturing planning. In: IEEE, Proceedings in 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA ), 2021: 1-4, IEEE, Vasteras, Schweden
Vorträge
Probability-based, Risk-adjusted Energy Consumption Optimisation in Industrial Applications
ETFA 2022, 07.09.2022
