Steigerung der Energieeffizienz für eine nachhaltige Entwicklung in der Produktion: Die Rolle des maschinellen Lernens im ecoKI-Projekt

Publikation: Beitrag in Buch/Konferenzbericht/Sammelband/GutachtenBeitrag in KonferenzbandBeigetragen

Abstract

Mit dem Aufblühen der Industrie 4.0 lässt sich der Energieverbrauch in der Produktion durch den Einsatz von fortschrittlichen Technologien wie ML massiv optimieren. Beim Erkennen der Muster in großen Datenmengen, die in der Produktion generiert werden, kann man die Potenziale von ML ausschöpfen. Es stellt sich heraus, dass bestimmte Datenmuster dazu beitragen den Energieverbrauch vorherzusagen und den damit verbundenen Ressourcenverbrauch sowie Kosten einzusparen. Aufgrund mangeln-der Expertise fällt es KMU jedoch schwer, auf ML-Methoden zurückzugreifen, um sich Energiepotenziale vollständig zunutze zu machen. In diesem Zusammenhang hat das Forschungsprojekt ecoKI das Ziel, ML-Methoden für KUM leichter zugänglich zu machen, indem es gängige ML-Methoden in die einzelnen wiederverwendbaren Bausteine (BB) integriert und sie über eine Plattform zur Verfügung stellt, die sich ohne ML-Vorkenntnisse und nutzerfreundlich verwenden lässt. Die Bausteine sind vielfältig und decken somit fast jeden einzelnen Schritt von ML ab, von der Datenvorverarbeitung, über die Erkennung verschiedener Muster und Trends im Energieverbrauch bis hin zur Ermittlung und Evaluation der Zuverlässigkeit der Ergebnisse und potenzieller Energieeinsparungen. Neben der allgemeinen Vorstellung der ecoKI-Plattform wird in diesem Beitrag anhand eines konkreten Use Case aufgezeigt, wie die ecoKI-Plattform KUM bei der Nutzung der ML-Methoden zur Steigerung der Energieeffizienz unterstützen kann.

Details

OriginalspracheDeutsch
TitelAutomation 2024
Herausgeber (Verlag)VDI Verlag, Düsseldorf
Seiten825-840
Auflage1
ISBN (elektronisch)978-3-18-102437-9
ISBN (Print)978-3-18-092437-3
PublikationsstatusVeröffentlicht - 2 Juli 2024
Peer-Review-StatusNein

Publikationsreihe

ReiheVDI-Berichte
Band2437
ISSN0083-5560

Externe IDs

ORCID /0009-0007-3852-372X/work/163292547
ORCID /0000-0003-3753-3778/work/163293482
ORCID /0000-0003-3954-7786/work/163294511
ORCID /0000-0001-5165-4459/work/163294886
ORCID /0009-0008-7719-8293/work/163294946
ORCID /0000-0003-3368-4130/work/163295227

Schlagworte