Filtern
Jahr
Publikationstyp
- Beitrag in einem Buch (Kapitel) (55) (entfernen)
Schlagworte
- Digitaler Schatten (2)
- Industrie 4.0 (2)
- Digitalisierung (1)
- Energieflexibilität (1)
- Geschäftsmodelle (1)
- Werkzeugmaschine (1)
Fachbereich / Studiengang
- Maschinenbau (MB) (55) (entfernen)
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.
Influence of thermophysical wall properties during pool boiling on large diamond and SiC heaters
(2012)
CONFINED BOILING HEAT TRANSFER, TWO-PHASE FLOW PATTERNS, AND JET IMPINGEMENT IN A HELE-SHAW CELL
(2015)
Internal Symmetries, Fundamental Invariants and Convective Heat Transfer from a Rotating Disc
(2014)
The Effect of the Incidence Angle on the Flow over a Rotating Disk Subjected to Forced Air Streams
(2013)
Numerical Optimization of a Piece Wise-Wise Conical Contraction Zone of a High-Pressure Wind Tunnel
(2015)
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.
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.