OekEffDatA

Der effiziente Umgang mit Ressourcen und Energie in der Industrie ist eine zentrale Größe zum Erreichen der global gesetzten Klimaschutzziele. Da wesentliche Einbußen der Energieeffizienz aufgrund von Verschleißeffekten, Nutzungsänderungen oder Fehlerzuständen wie Druckluftleckagen erst während des Betriebs auftreten, kommen große Abweichungen zwischen zu erwartendem und tatsächlichem Energieverbrauch zustande. Deswegen ist die Nutzung von aktuellen Anlagendaten essenziell, um mit Maßnahmen wie Umbauten oder Adaptionsstrategien frühzeitig zu agieren. Nur so können die während der Planungsphase vorhergesagten Einsparmaßnahmen auch langfristig gesichert werden. Die System- bzw. Anlagenüberwachung ist somit eine Maßnahme zur Sicherung der Effizienz in Bezug auf Ressourcen und Emissionen. Darüber hinaus spielen im Bereich der Vakuumtechnik die Detektion auftretender Störungen und Anomalien während des Betriebs sowie daraus abgeleitete Adaptionen eine essenzielle Rolle, um ein energieeffizientes und prozesssicheres Handhaben ohne Bauteilverlust zu gewährleisten. 

Um die große Anzahl an Sensordaten und die Komplexität von automatisierten Produktionslinien zu bewältigen, soll auf datenbasierte Lernverfahren der künstlichen Intelligenz zurückgegriffen werden. Die Verbrauchsüberwachung sowie die Detektion und Diagnose von fehlerhaften Zuständen im Rahmen des Konzepts Predictive Maintenance sind dabei wichtige Maßnahmen. Eine bedarfsgerechte Auslegung von Vakuum- und Antriebssystemen hat erheblichen Einfluss auf die Energieeffizienz. Aus diesem Grund steht auch die Optimierung von Antriebssystemen, Vakuumerzeugern und deren Architektur wie auch deren Betriebsstrategien im Fokus. 

Das Projekt wird in enger Zusammenarbeit mit den Partnern

• J. Schmalz GmbH
• XENON Automatisierungstechnik GmbH
• TRUMPF Sachsen GmbH
• Professur für Fluid-Mechatronische Systemtechnik (Fluidtronik), TU Dresden

durchgeführt.

Dieses Projekt wird durch das Bundesministerium für Wirtschaft und Klimaschutz gefördert.