TY - CHAP A1 - Putz, Matthias A1 - Brecher, Christian A1 - Brockmann, Matthias T1 - Energieflexibilität im Maschinen- und Anlagenbau T2 - Energieflexibilität in der Deutschen Industrie: Ergebnisse aus dem Kopernikus-Projekt - Synchronisierte und energieadaptive Produktionstechnik zur flexiblen Ausrichtung von Industrieprozessen auf eine fluktuierende Energieversorgung (SynErgie). Hrsg. Sauer, Abele, Buhl N2 - Energie aus erneuerbaren Ressourcen ist nicht immer beliebig verfügbar. Je nach Jahreszeit und Witterung variiert beispielsweise die durch Solarparks oder Windkraftanlagen zur Verfügung gestellte Leistung. Durch den kontinuierlichen Ausbau der erneuerbaren Energien wird sich die Volatilität im Energiesystem in Zukunft immer stärker ausprägen. Die Industrie auf die sich ändernden Versorgungsstrukturen vorzubereiten und anzupassen ist eine große Herausforderung der nächsten Jahrzehnte. Unternehmen müssen zukünftig ihre Prozesse und Betriebsorganisation so gestalten können, dass sich der Energieverbrauch zumindest in Teilen flexibel an das volatile Energieangebot anpassen kann. Neben der Entwicklung von Technologien, Konzepten und Maßnahmen zur energetischen Flexibilisierung von industriellen Prozessen liegt ein zweiter Schwerpunkt zukünftiger Arbeiten auf der Entwicklung einer durchgängigen IT-Infrastruktur, mit der Unternehmen und Energieanbieter in Zukunft Informationen von der Produktionsmaschine bis zu den Energiemärkten bereitstellen und austauschen können. Dies führt zu einem Paradigmenwechsel im Betrieb industrieller Prozesse – weg vom kontinuierlichen und rein nachfragegetriebenen Energieverbrauch hin zum anpassbaren, energieflexiblen Betrieb industrieller Anlagen. KW - Energieflexibilität Y1 - 2019 SN - 978-3-8396-1479-2 SP - 644 EP - 675 PB - Fraunhofer Verlag ER - TY - BOOK ED - aus der Wiesche, Stefan ED - Joos, Franz T1 - Handbuch Dampfturbinen Y1 - 2018 U6 - http://dx.doi.org/10.1007/978-3-658-20630-7 PB - Springer Vieweg CY - Wiesbaden ER - TY - CHAP A1 - Brecher, Christian A1 - Brockmann, Matthias A1 - Biernat, Benedikt A1 - Frenkel, Nils A1 - Neus, Stephan ED - Krupp, Ulrich ED - Münstermann, Sebastian T1 - Modellbasierte Datenanalyse als Basis für Zustandsüberwachung in Werkzeugmaschinen T2 - Steel and more : ASK 34 : Aachener Stahlkolloquium : 19. November 2020 : Online-Konferenz : Tagungsband N2 - Moderne Produktions- und Verarbeitungsanlagen in der Stahlherstellung beinhalten eine Vielzahl von Sensoriken und digitalisierten Informationen. Prinzipiell stehen daher bereits während des Betriebes große Datenmengen entlang des gesamten Herstellungsprozess zur Verfügung. Diese Daten werden teilweise direkt für interne Regelungen der Maschinen oder für Qualitätskontrollen genutzt. Ein Großteil dieser Daten bleibt jedoch ungenutzt. Dies hat zwei Hauptgründe: Zum einen müssten sehr große Datenmengen gespeichert werden, zum anderen sind die erzeugten Daten sehr heterogen und ohne Vorverarbeitung und Kenntnis der physikalischen Wirkzusammenhänge von keinem direktem Nutzen. Der Verknüpfung von relevantem Wissen, Modellen und Daten über alle relevanten technischen Domänen hinweg bietet die Möglichkeit den OEE zu optimieren. Ein domänenübergreifender Datenzugriff ermöglicht neue Möglichkeiten für produzierende Unternehmen, insbesondere müssen mit Wissen aufbereitete Daten zusammen mit bedarfsgerecht reduzierten Modellen genutzt werden. Diese modellbasierte Datenanalyse stellt die Grundlage für einen optimalen Nutzen von Daten aus der Produktion dar. KW - Industrie 4.0 KW - Data Analytics KW - Predictive Maintenance Y1 - 2020 SN - 3-96144-092-1 SP - 9 EP - 18 PB - DVS Media GmbH CY - Düsseldorf ER - TY - JOUR A1 - Brockmann, Matthias T1 - Warum digitale Transformation und Nachhaltigkeit sich gegenseitig bedingen JF - VDMA Magazin "Digitale Transformation" N2 - Nachhaltig, menschzentriert und resilient – so beschreibt die Europäische Kommission in einem ihrer Dossiers die nächste industrielle Revolution unter dem Stichwort Industrie 5.0. Vor zehn Jahren wurde auf der Hannover Messe 2011 die Vision Industrie 4.0 präsentiert. Kernelemente von Industrie 4.0 sind eine Referenzarchitektur (RAMI 4.0) zur Vernetzung zunehmend autonomer IoT-Geräte sowie Cyber-Physical Production Systems (CPPS), bei denen hochaufgelöste Simulationen („Digital Twins“) dabei helfen, physische Produktionssysteme zu überwachen, deren Verhalten vorherzusagen und zu regeln. Darüber hinaus sollen personalisierte und kontextspezifische „intelligente Agenten“ und dazugehörige Organisationsformen neue Formen der Arbeit schaffen. KW - Digitalisierung KW - Industrie 4.0 KW - Nachhaltigkeit Y1 - 2022 UR - https://www.vdma.org/viewer/-/v2article/render/45651880 SP - 18 EP - 24 ER - TY - JOUR A1 - Schuh, Günther A1 - Häfner, Constantin A1 - Hopmann, Christian A1 - Rumpe, Bernhard A1 - Brockmann, Matthias A1 - Wortmann, Andreas A1 - Maibaum, Judith A1 - Dalibor, Manuela A1 - Bibow, Pascal A1 - Sapel, Patrick A1 - Kröger, Moritz T1 - Effizientere Produktion mit Digitalen Schatten JF - Effizientere Produktion mit Digitalen Schatten N2 - Die Digitalisierung verspricht Unternehmen, die Wandlungsfähigkeit und Produktivität bestehender Fertigungssysteme zu fördern. Durch die Komplexität cyber-physischer Produktionssysteme liegen Produktionsdaten jedoch heterogen, unstrukturiert und isoliert vor. Die für eine konkrete Aufgabe oder Fragestellung benötigten Daten werden durch Digitale Schatten zielgerichtet verknüpft, abstrahiert und aggregiert, sodass eine wissensbasierte und echtzeitfähige Entscheidungsfindung in der Produktion möglich wird. KW - Industrie 4.0 KW - Digitaler Schatten KW - Ontologie Y1 - 2020 U6 - http://dx.doi.org/10.3139/104.112339 VL - 115 IS - ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb SP - 105 EP - 107 ER - TY - CHAP A1 - Brecher, Christian A1 - Brockmann, Matthias T1 - Vernetzte Produktion durch Digitale Schatten – Werkzeugmaschine 4.0 T2 - Handbuch Industrie 4.0: Recht, Technik, Gesellschaft / Hrsg. Walter Frenz N2 - Der Begriff Internet of Things hat sich weltweit als Bezeichnung für die horizontale internetbasierte Vernetzung von Cyber-Physical Systems durchgesetzt. Das IoT ermöglicht dabei die Nutzung von Felddaten (z. B. Kundenverhalten) zur Realisierung von neuartigen digitalen Geschäftsmodellen. In den meisten Anwendungsfällen sind dabei große Mengen an Felddaten vorhanden, welche durch eine relativ kleine Anzahl von Parametern beschrieben werden. Die Übertragung des IoT-Ansatzes auf die Produktion wird – insbesondere in Deutschland – mit dem Begriff Industrie 4.0 bezeichnet. Das volle Potenzial dieses Ansatzes kann derzeit jedoch nicht vollständig genutzt werden, da der Zugang zu Daten aus der Produktion aus verschiedenen Gründen nicht möglich ist und die Daten aufgrund der komplexen physikalischen Wirkzusammenhänge sehr heterogen sind. Dies führt insbesondere in der Datenanalyse zu gänzlich neuen Herausforderungen. KW - Werkzeugmaschine KW - Industrie 4.0 KW - Digitaler Schatten Y1 - 2020 U6 - http://dx.doi.org/10.1007/978-3-662-58474-3 SP - 543 EP - 552 PB - Springer-Verlag GmbH Deutschland CY - Berlin, Heidelberg ER - TY - CHAP A1 - Becker, Marco A1 - Brockmann, Matthias A1 - Niemietz, Philipp A1 - Trauth, Daniel A1 - Bergs, Thomas A1 - Brecher, Christian ED - Trauth, Daniel ED - Bergs, Thomas ED - Prinz, Wolfgang T1 - Das Internet of Production als Fundament der Datenverwertung in der Produktion T2 - Monetarisierung von technischen Daten / Hrsg. Daniel Trauth, Thomas Bergs, Wolfgang Prinz N2 - Das Internet of Things entfaltet erst durch die Überwindung von bestehenden Produkt- und Industriegrenzen sein volles ökonomisches Potenzial. Trotzdem werden Cyberphysische Systeme in der Forschung bisher oftmals isoliert betrachtet. Der Begriff des Internet of Production (IoP) steht für die Vision eines übergreifenden Austauschs von Daten und Informationen zwischen Produktentwicklung, Produktion und Nutzungsphase – über bestehende Organisationsgrenzen hinaus. Die Realisierung des IoP ist mit Herausforderungen im Bereich der datengetriebenen Modellierung sowie der Infrastruktur verbunden. In diesem Buchbeitrag werden die bestehenden Herausforderungen erläutert und Lösungsansätze skizziert. Der Schwerpunkt liegt auf der datengetriebenen Modellierung. Im Speziellen wird die Problematik des Lernens von kausalen Zusammenhängen, die Interpretierbarkeit von Machine-Learning-Modellen sowie die Integration von Domänenwissen in Lernalgorithmen diskutiert. Abschließend werden zwei Anwendungsbeispiele des „Digital Material Shadows“ vorgestellt. Diese veranschaulichen wie mithilfe von Machine Learning Erkenntnisse über den Materialzustand eines Werkstücks gewonnen werden können. Ziel dieser Digital Material Shadows ist es, langfristig Fertigungsprozesse adaptiv an die individuellen Materialeigenschaften des vorliegenden Werkstücks bzw. Rohmaterials anzupassen. KW - Digitalisierung KW - Industrie 4.0 KW - Digitaler Schatten KW - Geschäftsmodelle Y1 - 2021 U6 - http://dx.doi.org/10.1007/978-3-662-62915-4_15 SP - 275 EP - 295 PB - Springer Vieweg CY - Berlin, Heidelberg ER - TY - CHAP A1 - Weber, Lukas A1 - Annas, Sven A1 - Messing, Georg A1 - Elfering, Michael A1 - Jantzen, Hans-Arno A1 - Scholz, Jürgen T1 - Entwicklung von Messverfahren zur Geschwindigkeitsmessung in Biogasanlagen T2 - Biogas in der Landwirtschaft / KTBL (Hg.) Y1 - 2021 SN - 978-3-945088-83-8 SP - 206 EP - 208 ER - TY - CHAP A1 - Buntkiel, Lukas A1 - Budelmann, Christoph A1 - Heller, Andreas A1 - Annas, Sven A1 - Reinecke, Sebastian A1 - Hampel, Uwe T1 - Ein „Wireless Sensor Network“ zur Prozesscharakterisierung in Biogasfermentern T2 - Biogas in der Landwirtschaft / KTBL (Hg.) Y1 - 2021 SN - 978-3-945088-83-8 SP - 221 EP - 223 ER - TY - BOOK A1 - Göllmann, Laurenz T1 - Lineare Algebra - im algebraischen Kontext, 2. erweiterte Auflage KW - Lineare Algebra Y1 - 2020 SN - 978-3-662-61737-3 U6 - http://dx.doi.org/10.1007/978-3-662-61738-0 PB - Springer Spektrum CY - Heidelberg ER -