IoT-basiertes Energiemonitoring von Produktionsanlagen
-
Eckart Uhlmann
Prof. Dr. h. c. Dr.-Ing. Eckart Uhlmann ist Leiter des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik IPK und Universitätsprofessor für das Fachgebiet Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin.
Prof. Dr.-Ing. Julian Polte ist Leiter des Geschäftsfeldes Produktionssysteme am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK und Universitätsprofessor für das Fachgebiet Maschinen und Technologien für die additive Präzisionsfertigung metallischer Bauteile.
Dipl.-Ing. Claudio Geisert arbeitet als Wissenschaftlicher Mitarbeiter und stellvertretender Abteilungsleiter am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK in der Abteilung Produktionsmaschinen und Anlagenmanagement.
Abstract
Energieeffizienz in der Produktion gewinnt in Folge des Klimawandels und zunehmender Ressourcenknappheit an Bedeutung. Industrie 4.0 und das Internet of Things (IoT) ermöglichen die Überwachung und Optimierung des Energieverbrauchs, stoßen jedoch aufgrund der Komplexität vieler Produktionssysteme an Grenzen. Der Beitrag stellt einen Ansatz zur Auswahl geeigneter Produktionssysteme und das Prinzip einer geeigneten Messkette vor. Er erläutert relevante Energieindikatoren und deren Ableitung aus Edge-basierten Rohdaten. Eine IoT-Architektur wird beschrieben, die Energiedaten mit digitalen Maschinenzwillingen verknüpft und Methoden des maschinellen Lernens zur Identifikation von Ineffizienzen werden diskutiert. Ein Praxisbeispiel zeigt abschließend die Energieüberwachung einer zentralen Druckluftanlage.
Abstract
Energy efficiency in production is becoming increasingly important in the context of climate change and growing resource scarcity. Industry 4.0 and the Internet of Things (IoT) enable the monitoring and optimization of energy consumption, but are limited due to the complexity of many production systems. This article presents an approach for selecting the appropriate production systems and the principle of a suitable measurement chain. It explains relevant energy indicators and how they are derived from edge-based raw data. An IoT architecture that links energy data with digital machine twins is described, and machine learning methods for identifying inefficiencies are discussed. Finally, a practical example shows the energy monitoring of a central compressed air system.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Über die Autoren
Prof. Dr. h. c. Dr.-Ing. Eckart Uhlmann ist Leiter des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik IPK und Universitätsprofessor für das Fachgebiet Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin.
Prof. Dr.-Ing. Julian Polte ist Leiter des Geschäftsfeldes Produktionssysteme am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK und Universitätsprofessor für das Fachgebiet Maschinen und Technologien für die additive Präzisionsfertigung metallischer Bauteile.
Dipl.-Ing. Claudio Geisert arbeitet als Wissenschaftlicher Mitarbeiter und stellvertretender Abteilungsleiter am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK in der Abteilung Produktionsmaschinen und Anlagenmanagement.
Literatur
1 Wolff, F. et al.: Gemeinsame Umsetzung der 2030-Agenda/SDGs und des Pariser Abkommens. Reihe Climate Change 55/2022, Verlag Umweltbundesamt, 2022. Online unter https://www.umweltbundesamt.de/publikationen/gemeinsame-umsetzung-der-2030-agenda-sdgs-des [Abruf am 25.09.2025]Search in Google Scholar
2 N. N.: Klimaschutzplan 2050 – Klimaschutzpolitische Grundsätze und Ziele der Bundesregierung. Bundesministerium für Umwelt, Naturschutz, Bau und Reaktorsicherheit (Hrsg.), Druck- und Verlagshaus Zarbock, 2016. Online unter https://www.bmwk.de/Redaktion/DE/Publikationen/Industrie/klimaschutzplan-2050.pdf?__blob=publicationFile&v=1 [Abruf am 25.09.2025]Search in Google Scholar
3 N. N.: Energiesparen in Industrie und Gewerbe (26.10.2023). Online unter https://www.umweltbundesamt.de/themen/klima-energie/energiesparen/energiesparen-in-industrie-gewerbe [Abruf am 25.09.2025]Search in Google Scholar
4 Siebel, T.: Senkt Industrie 4.0 den Energieverbrauch? (04.12.2023). Online unter https://www.springerprofessional.de/industrie-4-0/energienutzung/senktindustrie-4-0-den-energieverbrauch-/26487822 [Abruf am 25.09.2025]Search in Google Scholar
5 Burchardt, J. et al.: Energiewende auf Kurs bringen – Impulse für eine wettbewerbsfähigere Energiepolitik. Studie der Boston Consulting Group Im Auftrag des Bundesverbands der deutschen Industrie (März 2025). Online unter https://bdi.eu/artikel/news/transformationspfade-studieenergiewende-auf-kurs-bringen [Abruf am 25.09.2025]Search in Google Scholar
6 Meyer, J.; Madsen, M.; Saars, L.: Kurzstudie Energieeffizienzmaßnahmen in der Industrie – Marktnahe und wirtschaftliche Energieeinsparpotentiale in der Industrie. Kurzstudie der Hochschule Niederrhein (März 2023). Online unter https://deneff.org/wp-content/uploads/2023/04/HSNR-Kurzstudie-EnEffPotentiale-Industrie-2023-03-31.pdf [Abruf am 25.09.2025]Search in Google Scholar
7 Eurostat (statistisches Amt der Europäischen Union): Strompreise nach Art des Benutzers. Online unter https://ec.europa.eu/eurostat/databrowser/view/ten00117/default/table?lang=de [Abruf am 25.09.2025]Search in Google Scholar
8 Forschungsbeirat der Plattform Industrie 4.0 & acatech (Hrsg.): Industrie 4.0 – Forschung für die Gestaltung der Zukunft (2021). Online unter https://www.acatech.de/publikation/industrie-4-0-forschung-fuerdie-gestaltung-der-zukunft [Abruf am 25.09.2025]Search in Google Scholar
9 Riedelsheimer, T.; Seegrün, A.; Lindow, K.: Digital Twins for Real-Time Life Cycle Assessment of Products. In: Fukushige, S.; Nonaka, T.; Kobayashi, H.; Tokoro, C.; Yamasue, E. (Hrsg.): EcoDesign for Circular Value Creation: Vol. I. Springer International Publishing, Singapore 2025, S. 447–464 DOI:10.1007/978-981-97-9068-5_2810.1007/978-981-97-9068-5_28Search in Google Scholar
10 DIN – Deutsches Institut für Normung e. V.: DIN EN ISO 50001:2018 Energiemanagementsysteme – Anforderungen mit Anleitung zur Anwendung. Beuth Verlag, Berlin 2018Search in Google Scholar
11 DIN – Deutsches Institut für Normung e. V.: DIN ISO 50006:2017-04 Energiemanagementsysteme – Messung der energiebezogenen Leistung unter Nutzung von energetischen Ausgangsbasen (EnB) und Energieleistungskennzahlen (EnPI) – Allgemeine Grundsätze und Leitlinien. Beuth Verlag, Berlin 2017Search in Google Scholar
12 Dierolf, C.: Identifikation und Klassifikation von Druckluft-Leckagen mit Methoden des maschinellen Lernens in Maschinen. In: Stuttgarter Beiträge zur Produktionsforschung 134, Dissertation, Universität Stuttgart, Stuttgart 2022Search in Google Scholar
13 Saidur, R.; Rahim, N. A.; Hasanuzzaman, M.: A Review on Compressed-Air Energy Use and Energy Savings, Renew. Sustain. Energy Rev. 14 (2010) 4, S. 1135–1153 DOI:10.1016/j.rser.2009.11.01310.1016/j.rser.2009.11.013Search in Google Scholar
14 N N.: Leckagen im Druckluftsystem. ALMiG Kompressoren GmbH. Online unter https://www.almig.de/de/ratgeber/leckagereduzierung [Abruf am 25.09.2025]Search in Google Scholar
15 Mousavi, S.; Kara, S.; Kornfeld, B.: Energy Efficiency of Compressed Air Systems. In: 21st CIRP Conference on Life Cycle Engineering. Procedia CIRP 15 (2014), S. 313–318 DOI:10.1016/j.procir.2014.06.02610.1016/j.procir.2014.06.026Search in Google Scholar
16 Zanoli, S. M.; Pepe, C.; Hancha, M. S.: Predictive Maintenance in Twin Screw Air Compressors: A Case Study. In: 24th International Carpathian Control Conference (ICCC), Miskolc-Szilvásvárad, Hungary 2023, S. 483–488 DOI:10.1109/ICCC57093.2023.1017896110.1109/ICCC57093.2023.10178961Search in Google Scholar
17 Pushya, K. P.; Supriya, P.; Sreedharan, S.: Compressor Fault Diagnosis Employing Machine Learning Techniques. In: Innovations in Power and Advanced Computing Technologies (I-PACT), Kuala Lumpur, Malaysia 2023, S. 1–8 DOI:10.1109/i-PACT58649.2023.1043429010.1109/i-PACT58649.2023.10434290Search in Google Scholar
18 Thabet, M.; Sanders, D.; Becerra, V.; Tewkesbury, G.; Haddad, M.; Barker, T.: Intelligent Energy Management of Compressed air systems. In: IEEE 10th International Conference on Intelligent Systems (IS), Varna, Bulgaria, 2020, S. 153–158 DOI:10.1109/IS48319.2020.919997710.1109/IS48319.2020.9199977Search in Google Scholar
19 Kychkin, A.; Deryabin, A.; Vikentyeva, O.; Shestakova, L.: Architecture of Compressor Equipment Monitoring and Control Cyber-Physical System Based on Influxdata Platform. In: International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), Sochi, Russia 2019, S. 1–5 DOI:10.1109/ICIEAM.2019.874296310.1109/ICIEAM.2019.8742963Search in Google Scholar
20 Bock, H.-H.: Clustering Methods: A History of k-Means Algorithms. In: Brito, P., Cucumel, G.; Bertrand, P.; de Carvalho, F. (Hrsg.): Selected Contributions in Data Analysis and Classification. Studies in Classification, Data Analysis, and Knowledge Organization, Springer-Verlag, Berlin, Heidelberg 2007, S. 161–172 DOI:10.1007/978-3-540-73560-1_1510.1007/978-3-540-73560-1_15Search in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Produktionsnetzwerke der Zukunft – intelligent, flexibel und wirtschaftlich
- WGP-Standpunkt
- Forschung für die energieeffiziente, energieflexible und dekarbonisierte Industrie
- Produktionsnetzwerke
- Produktionsnetzwerke im Automobilbau
- Fabrikkonzepte
- Kopplung von MBSE und Verhaltenssimulation für die Auswertung von Fabrikkonzepten
- Kollaboration
- Kollaboration durch Datenräume und die Analyse bestehender Initiativen
- Kollaboratives Emissionsmanagement im Produktionsnetzwerk
- Supply-Chain-Strategien
- Glokalisierte Produktionsverlagerung
- Produktionsnahe Supply-Chain-Partnerschaften
- ERP-Migration
- Entscheidungsunterstützung für die Durchführung von ERP-Migrationsprojekten
- Anforderungserhebung
- Modellbasiertes Tool zur partizipativen Anforderungserhebung
- Nachhaltigkeit
- Datengetriebene Nachhaltigkeitsfunktionen
- Nachhaltiger Einkauf im deutschen Mittelstand
- Ergonomie
- Exoskelette im industriellen Praxistest
- Künstliche Intelligenz
- Methodische Identifikation von KI-Potenzial am Beispiel der Energiewirtschaft
- Von Papier zu Prozess: Integration KI-basierter Dokumentenanalyse in logistische Abläufe
- Digitalisierung
- Low-Code für die Geschäftsprozess-Digitalisierung?
- Datenökosysteme
- Komponenten-Service-Systeme im Praxistest
- Energieeffizienz
- IoT-basiertes Energiemonitoring von Produktionsanlagen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Produktionsnetzwerke der Zukunft – intelligent, flexibel und wirtschaftlich
- WGP-Standpunkt
- Forschung für die energieeffiziente, energieflexible und dekarbonisierte Industrie
- Produktionsnetzwerke
- Produktionsnetzwerke im Automobilbau
- Fabrikkonzepte
- Kopplung von MBSE und Verhaltenssimulation für die Auswertung von Fabrikkonzepten
- Kollaboration
- Kollaboration durch Datenräume und die Analyse bestehender Initiativen
- Kollaboratives Emissionsmanagement im Produktionsnetzwerk
- Supply-Chain-Strategien
- Glokalisierte Produktionsverlagerung
- Produktionsnahe Supply-Chain-Partnerschaften
- ERP-Migration
- Entscheidungsunterstützung für die Durchführung von ERP-Migrationsprojekten
- Anforderungserhebung
- Modellbasiertes Tool zur partizipativen Anforderungserhebung
- Nachhaltigkeit
- Datengetriebene Nachhaltigkeitsfunktionen
- Nachhaltiger Einkauf im deutschen Mittelstand
- Ergonomie
- Exoskelette im industriellen Praxistest
- Künstliche Intelligenz
- Methodische Identifikation von KI-Potenzial am Beispiel der Energiewirtschaft
- Von Papier zu Prozess: Integration KI-basierter Dokumentenanalyse in logistische Abläufe
- Digitalisierung
- Low-Code für die Geschäftsprozess-Digitalisierung?
- Datenökosysteme
- Komponenten-Service-Systeme im Praxistest
- Energieeffizienz
- IoT-basiertes Energiemonitoring von Produktionsanlagen
- Vorschau
- Vorschau
