Potentiale von Machine Learning Modellen zur Prognose von Lastgängen bei Fertigungsprozessen

• Potentials of machine learning based models for the prognosis of load profiles for manufacturing processes

Ellerich, Max; Schmitt, Robert H. (Thesis advisor); Kampker, Achim (Thesis advisor)

1. Auflage. - Aachen : Apprimus (2021)
Buch, Doktorarbeit

In: Ergebnisse aus der Produktionstechnik 4/2021
Seite(n)/Artikel-Nr.: xviii, 213 Seiten : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2020

Kurzfassung

Die Klimakrise erfordert ein weltweites Umdenken im Umgang mit Ressourcen und insbesondere eine Reduktion des weltweiten CO2 Ausstoßes. Die Energiewende ist ein fundamentaler Baustein, der mittelfristig zu einer vollständig CO2-neutralen Energiegewinnung beitragen kann. Die Energiewende führt aber zu einer zunehmenden Volatilität der verfügbaren elektrischen Leistung der Stromnetze. Produzierende Unternehmen machen mit 47 % einen wesentlichen Anteil der elektrischen Leistungsnachfrage in Deutschland aus. Dementsprechend fokussiert diese Arbeit die verbraucherseitige Anpassung des Strombedarfs produzierender Unternehmen an eine volatil verfügbare, elektrische Leistung. Um ihren Strombedarf an eine verfügbare Leistung anpassen zu können, müssen Unternehmen bereits vor der Produktion Kenntnis über Lastgänge einzelner Produktionsschritte besitzen. Nur so können sie a priori ihre Aufträge so einplanen, dass die Addition der nachgefragten Leistung parallel arbeitender Bearbeitungsstationen dem Angebot elektrischer Leistung entspricht. Um eine Lösung zu entwickeln, die skalierbar auf zahlreiche Bearbeitungsstationen übertragbar ist, zeigt die vorliegende Arbeit einen Ansatz, der unter Zuhilfenahme eines datenbasierten Modells die Leistungsprädiktion von Bearbeitungsschritten ermöglicht. Hierbei wird nicht nur die Gesamtenergie eines Bearbeitungsschrittes vorhergesagt, sondern sein Lastgang wird prognostiziert. Zunächst werden bestehende Modelle und Ansätze verglichen, um die Forschungslücke herzuleiten. Basierend auf den Anforderungen einer energiesensitiven Produktionsplanung wird das Modell selbst hergeleitet und seine Anwendung im unternehmerischen Kontext wird beschrieben. Das Modell wird an zwei Fallbeispielen aus den Bereichen 3D-Druck und Anlagenbau validiert. Da grundsätzlich der Lastgang sämtlicher Bearbeitungstechnologien auf das gewählte Approximationsverfahren Energy-Blocks übertragbar ist, besitzt der Ansatz somit das Potenzial, Prognosen über Lastgänge für eine große Anzahl an Technologien abzugeben. Er bildet so die Basis für eine energieflexible Produktionsplanung.