Digitale Erfassung von Energieverbräuchen in der Produktion
-
Tobias Frerichs
Tobias Frerichs ist Wirtschaftsingenieur mit den Schwerpunkten strategisches Management und Produktionstechnik und hat das Masterstudium an der technischen Universität Ilmenau absolviert. Dort war er auch als wissenschaftlicher Assistent im Fachgebiet Nachhaltige Produktionswirtschaft und Logistik beschäftigt. Zuvor war der gelernte Maschinenbautechniker im In- und Ausland für verschiedene Unternehmen des verarbeiteten Gewerbes im Bereich der Produktionsplanung und des Qualitätsmanagements tätig. Seit 2021 arbeitet Tobias Frerichs als Experte für industrielle Technologien und Prozesse bei der VDI Zentrum Ressourceneffizienz GmbH. Er berät kleine und mittlere Unternehmen (KMU) im Bereich der ressourceneffizienten Produktion.
Dr. Katja Saulich absolvierte das Studium des Umweltingenieurswesens und der Verfahrenstechnik mit den Schwerpunkten Prozess- und Anlagentechnik und Umweltverfahrenstechnik an der BTU Cottbus. Dort promovierte sie im Fachgebiet Chemische Reaktionstechnik. Im Anschluss folgten verschiedene Tätigkeiten an Forschungsinstituten und in der Industrie im In- und Ausland. Der Schwerpunkt der Tätigkeiten lag dabei in der Entwicklung ressourceneffizienter Technologien. Seit 2014 arbeitet sie als Expertin für chemische Prozesse und Verfahrenstechnik bei der VDI Zentrum Ressourceneffizienz GmbH. Sie unterstützt kleine und mittlere Unternehmen (KMU) bei der Identifikation von Ressourceneffizienzpotenzialen und der Entwicklung von Ressourceneffizienzmaßnahmen.
Abstract
Energieeffizienzmaßnahmen in Unternehmen des verarbeitenden Gewerbes sind ein wichtiger Beitrag zur Senkung von Treibhausgasemissionen und dem Verbrauch fossiler Energierohstoffe. Die digitale Erfassung und Analyse von Energieverbräuchen im Herstellungsprozess bietet hierbei die Möglichkeit, Energieeffizienzpotenziale und -maßnahmen effizient und automatisiert zu identifizieren und umzusetzen. Die resultierende Senkung des Energiebedarfs stärkt zudem die wirtschaftliche Situation des Unternehmens und die Wettbewerbsposition.
Abstract
Energy efficiency measures in manufacturing companies are an important contribution to reducing greenhouse gas emissions and the use of fossil energy. The digital detection and analysis of energy consumption in a manufacturing process offers the possibility to identify and implement energy efficiency potentials and measures, efficiently and automatically. The resulting reduction in energy consumption also strengthens the economic situation of the company and its competitive position.
About the authors
Tobias Frerichs ist Wirtschaftsingenieur mit den Schwerpunkten strategisches Management und Produktionstechnik und hat das Masterstudium an der technischen Universität Ilmenau absolviert. Dort war er auch als wissenschaftlicher Assistent im Fachgebiet Nachhaltige Produktionswirtschaft und Logistik beschäftigt. Zuvor war der gelernte Maschinenbautechniker im In- und Ausland für verschiedene Unternehmen des verarbeiteten Gewerbes im Bereich der Produktionsplanung und des Qualitätsmanagements tätig. Seit 2021 arbeitet Tobias Frerichs als Experte für industrielle Technologien und Prozesse bei der VDI Zentrum Ressourceneffizienz GmbH. Er berät kleine und mittlere Unternehmen (KMU) im Bereich der ressourceneffizienten Produktion.
Dr. Katja Saulich absolvierte das Studium des Umweltingenieurswesens und der Verfahrenstechnik mit den Schwerpunkten Prozess- und Anlagentechnik und Umweltverfahrenstechnik an der BTU Cottbus. Dort promovierte sie im Fachgebiet Chemische Reaktionstechnik. Im Anschluss folgten verschiedene Tätigkeiten an Forschungsinstituten und in der Industrie im In- und Ausland. Der Schwerpunkt der Tätigkeiten lag dabei in der Entwicklung ressourceneffizienter Technologien. Seit 2014 arbeitet sie als Expertin für chemische Prozesse und Verfahrenstechnik bei der VDI Zentrum Ressourceneffizienz GmbH. Sie unterstützt kleine und mittlere Unternehmen (KMU) bei der Identifikation von Ressourceneffizienzpotenzialen und der Entwicklung von Ressourceneffizienzmaßnahmen.
Literatur
1 Umweltweltbundesamt: Branchenabhängiger Energieverbrauch des verarbeitenden Gewerbes (2022). Online unter https://www.umweltbundesamt.de/daten/umweltwirtschaft/industrie/branchenabhaengigerenergieverbrauch-des#der-energiebedarfdeutschlands [Abruf am 23.05.2022]Search in Google Scholar
2 Pehnt, M.: Energieeffizienz. Ein Lehr- und Handbuch. Springer-Verlag, Berlin 2010 DOI: 10.1007/978-3-642-14251-210.1007/978-3-642-14251-2Search in Google Scholar
3 Hirzel, S.; Sontag, B.; Rohde, C.: Betriebliches Energiemanagement in der industriellen Produktion. Fraunhofer-Institut für Systemforschung- und Innovationsforschung ISI, Karlsruhe (2011). Online unter https://www.isi.fraunhofer.de/content/dam/isi/dokumente/cce/2011/Kurzstudie_Energiemanagement.pdf [Abruf am 18.05.2022]Search in Google Scholar
4 Wahren, S.: Energieeffizienz durch Energiemanagement. In: Neugebauer, R. (Hrsg.): Handbuch ressourcenorientierte Produktion. Carl Hanser Verlag, München 2014, S. 27–39 DOI: 10.3139/9783446436237.00210.3139/9783446436237.002Search in Google Scholar
5 Labbus, I.: Cyber-physische Produktionssysteme für die energieeffiziente Komponentenproduktion. Springer-Vieweg-Verlag, Wiesbaden 2021 DOI: 10.1007/978-3-658-32828-310.1007/978-3-658-32828-3Search in Google Scholar
6 Sarstedt, H.; Hondele, F.: Managen Sie Ihre Energie – Erfahrungen aus drei Jahren Energiemanagement. In: Neugebauer, R. (Hrsg.): Handbuch Ressourcenorientierte Produktion. Carl Hanser Verlag, München 2014, S. 781–793 DOI: 10.3139/9783446436237.02810.3139/9783446436237.028Search in Google Scholar
7 Waltersmann, L. et al.: Potenziale der schwachen künstlichen Intelligenz für die betriebliche Ressourceneffizienz. VDI Zentrum Ressourceneffizienz GmbH (VDI ZRE), Berlin (2021). Online unter https://www. ressource-deutschland.de/service/publikationen/detailseite/studie-kuenstliche-intel ligenz/ [Abruf am 23.05.2022]Search in Google Scholar
8 Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine 17 (1996) 3, S. 37–54 DOI: 10.1609/aimag.v17i3.123010.1609/aimag.v17i3.1230Search in Google Scholar
9 Chapman, P. et al.: CRISP-DM 1.0: Step-by-Step Data Mining Guide. SPSS, 2000. Online unter https://www.kde.cs.uni-kassel.de/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf [Abruf am 23.05.2022]Search in Google Scholar
10 Shafique, U.; Qaiser, H.: A Comparative Study of Data Mining Process Models (KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research 12 (2014) 1, S. 217–222Search in Google Scholar
11 Haakman, M. et al. : AI Lifecycle Models Need to Be Revised. Empirical Software Engineering 26 (2021) Art-Nr. 95, S. 1–29 DOI: 10.1007/s10664-021-09993-110.1007/s10664-021-09993-1Search in Google Scholar
12 Hesselbach, J. et al.: Praxisleitfaden Energieeffizienz in der Produktion. In: HA Hessen Agentur GmbH (Hrsg.): Schriftenreihe der Aktionslinie Hessen-Umwelttech (Bd. 8). Werbedruck Schreckhase, Spangenberg 2009Search in Google Scholar
13 VDI Zentrum Ressourceneffizienz GmbH: Die CO2-neutrale Fabrik – Green Factory (2019). Online unter https://www.youtube.com/watch?v=2EVEi3w9o9w [Abruf am 19.05.2022]Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Inhalt
- Editorial
- Mensch und Maschine vereint
- Produktionsnetzwerke
- Entscheidungsfindung in der Gestaltung und Koordination von globalen Produktionsnetzwerken
- Nachhaltigkeit
- Effiziente Druckluftnutzung in der automatisierten Produktion
- Nachhaltigkeitsgetriebene Transformation von globalen Produktionsnetzwerken
- Reifegradmodelle der ökologischen Nachhaltigkeit
- Wirtschaftlichkeit
- Ökonomische Bewertung nachhaltiger Wärmeerzeuger
- Produktivitätssteigerung bei der Inline-Erwärmung
- Krisenmanagement
- Bioinspirierte Erkennung von Abweichungen
- Kennzahlen
- Systematik für Kennzahlen in der Produktion
- Traceability
- Automatische Identifikation mittels RFID
- Batterieproduktion
- Automatisierter Stapelprozess zur Herstellung von Festkörperbatterien
- Ablaufplanung
- Ablaufoptimierung in einer Halbleiterfertigung
- Prozesssteuerung
- Adaptive Steuerungssoftware für die frei verkettete Montage
- Kommissionierung
- Vorgehensmodell zur Einführung von Pick-by-Scan
- Energieeffizienz
- Optimierung einer Materialflusssteuerung zur Energieeffizienzerhöhung in der Produktion
- Künstliche Intelligenz
- Industrielles Transferlernen
- Digitalisierung
- Leitfaden zur Einführung digitaler Produkte im Maschinenbau
- Digitale Erfassung von Energieverbräuchen in der Produktion
- Maschinelles Lernen
- Transfer und Reinforcement Learning in der Produktionssteuerung
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Mensch und Maschine vereint
- Produktionsnetzwerke
- Entscheidungsfindung in der Gestaltung und Koordination von globalen Produktionsnetzwerken
- Nachhaltigkeit
- Effiziente Druckluftnutzung in der automatisierten Produktion
- Nachhaltigkeitsgetriebene Transformation von globalen Produktionsnetzwerken
- Reifegradmodelle der ökologischen Nachhaltigkeit
- Wirtschaftlichkeit
- Ökonomische Bewertung nachhaltiger Wärmeerzeuger
- Produktivitätssteigerung bei der Inline-Erwärmung
- Krisenmanagement
- Bioinspirierte Erkennung von Abweichungen
- Kennzahlen
- Systematik für Kennzahlen in der Produktion
- Traceability
- Automatische Identifikation mittels RFID
- Batterieproduktion
- Automatisierter Stapelprozess zur Herstellung von Festkörperbatterien
- Ablaufplanung
- Ablaufoptimierung in einer Halbleiterfertigung
- Prozesssteuerung
- Adaptive Steuerungssoftware für die frei verkettete Montage
- Kommissionierung
- Vorgehensmodell zur Einführung von Pick-by-Scan
- Energieeffizienz
- Optimierung einer Materialflusssteuerung zur Energieeffizienzerhöhung in der Produktion
- Künstliche Intelligenz
- Industrielles Transferlernen
- Digitalisierung
- Leitfaden zur Einführung digitaler Produkte im Maschinenbau
- Digitale Erfassung von Energieverbräuchen in der Produktion
- Maschinelles Lernen
- Transfer und Reinforcement Learning in der Produktionssteuerung
- Vorschau
- Vorschau
