In modernen Produktionsprozessen spielt die Simulation des Energieverbrauchs eine immer wichtigere Rolle. Besonders im Hinblick auf Nachhaltigkeit und Kosteneffizienz suchen Unternehmen nach Methoden, um ihren Energiebedarf zu optimieren. Eine innovative Lösung für dieses Problem entwickelte Fabian Fichtl, Mechatronikstudent an der Hochschule Kempten, im Rahmen seiner Bachelorarbeit zum Thema „Parameteroptimierung dynamischer Wirkungsgrade mittels Machine Learning zur Energieverbrauchsmodellierung von Produktionssystemen“ am Institut für Produktion und Informatik (IPI).

Eine innovative Idee für die Industrie

Die Idee entstand während Fabians praktischer Arbeit im Bereich der Inbetriebnahme und Anlagensimulation. Er erkannte, dass zur präzisen Simulation des Energieverbrauchs häufig zusätzliche Hardware benötigt wird. „Um diese Einschränkung zu umgehen, entwickelte ich ein softwarebasiertes Modell, das den Bewegungsablauf eines Produktionsaktors, wie Linearachsen, mit dessen Energieverbrauch verknüpft“, erläutert Fichtl. Im Anlagenbau sind die Produktionsstückzahlen neben der Erfüllung der Qualitätsanforderungen die entscheidende Metrik zur Bewertung der Effizienz. Eine methodische Optimierung dieser Kennzahlen kann maßgeblich zur Reduzierung des Energieverbrauchs beitragen.

Durch die von Fabian entwickelte Methodik lassen sich vorhandene Pufferzeiten gezielt nutzen, um den Energieeinsatz zu senken. Ein zentrales Instrument dabei ist der dynamische Wirkungsgrad, der umfassende Informationen über verschiedene physikalische Effekte liefert.

Besonders im laufenden Betrieb können steigende Verbräuche auf problematische Veränderungen hinweisen. So kann beispielsweise eine Zunahme des Energiebedarfs auf erhöhte Reibungsverluste durch Lagerschäden oder andere mechanische Beeinträchtigungen hindeuten. Die kontinuierliche Analyse dieser Parameter ermöglicht eine frühzeitige Fehlererkennung und trägt zur nachhaltigen Effizienzsteigerung der Anlagen bei.

Die Lösung basiert auf einer mathematischen Modellierung dynamischer Wirkungsgrade und basiert auf Regression oder neuronalen Netzen zur Berechnung des Energieverbrauchs. Die gewonnenen Daten wurden systematisch analysiert und kontinuierlich zur Optimierung des Modells eingesetzt, um eine möglichst hohe Genauigkeit zu erzielen.

Traditionell erfordern solche Modelle umfangreiche Modellierung und damit Expertenwissen. Fabian entwickelte jedoch eine innovative Methode mithilfe Künstlicher Intelligenz (KI), bei der er dem System beibrachte, selbstständig aus Beispielen zu lernen, wie die Trajektorie und Maschinenleistung in Zusammenhang stehen. Zu diesem Zweck hat er verschiedene Lernmethoden miteinander verglichen.
Zunächst wurden klassische mathematische Methoden wie polynomielle oder nichtlineare Regression angewendet, welche tieferes Wissen über mechatronische Ketten und deren Verluste voraussetzen. Im Gegensatz dazu wurden neuronale Netze eingesetzt, bei der das System durch maschinelles Lernen in der Lage ist, anhand von Versuch und Fehler zu erkennen, wie der Energieverbrauch je Zeitabschnitt also Leistung über dynamische Einflüsse in Maschinen zustande kommt. Der Fehler wird dabei kontinuierlich optimiert, indem das Modell aus seinen Erfahrungen lernt und sich anpasst.
Schließlich wurde auch der Ansatz der Physik-Informed Neural Networks (PINNs) verfolgt: Diese Methode kombiniert die Flexibilität der neuronalen Netze mit den Prinzipien der klassischen Physik, wobei das KI-Modell mit festen physikalischen Restriktionen versehen wird, um sicherzustellen, dass die Ergebnisse realistisch und physikalisch möglich bleiben – etwa, dass das Modell sich an die geltenden, physikalischen Gesetze halten muss.

„Die Besonderheit dieser Herangehensweise liegt darin, dass Ingenieurinnen und Ingenieure die erarbeitete Modellarchitektur auf ihre Daten anwenden und Maschinen im nächsten Schritt die Betriebsbereiche so wählen können, damit der Energieverbrauch auf das Minimum reduziert wird“, fasst der Absolvent zusammen. Und dies ohne aufwendige Tests und Simulationen. Darüber hinaus bietet Fabians Methode eine hohe Flexibilität, sodass sie auf eine Vielzahl von Maschinen und Anwendungsbereichen angewendet werden kann.

Zukunftsaussichten und Weiterentwicklung

"Es ist großartig, wie viele verschiedene Methoden man hier im Technologietransferzentrum kennenlernen darf", berichtet Fabian über seine Erfahrungen am IPI. Das große Potential seiner Ergebnisse möchte er im Rahmen des Masterstudiums weiterentwickeln und sucht aktuell nach geeigneten Industriepartnern für eine praxisnahe Umsetzung. Als mögliche Weiterentwicklung ist die Ankoppelung an VIBN Systeme und der Versuch mit mehrachsigen Systemen geplant, hierfür existiert am IPI ein Laboraufbau mit Industriekomponenten.

Denn obwohl Unternehmen bereits Interesse an Fabians Methodik zeigen, stehen wirtschaftliche Prioritäten einer großflächigen Umsetzung derzeit noch im Weg. Die Bedeutung von Energiesimulationen in der Produktion wird jedoch zunehmen. Bereits jetzt wird auf höheren Ebenen optimiert, das Potenzial günstige Betriebsbereiche der Hardware bleibt damit jedoch noch ungenutzt. Mit seiner Forschung leistet Fabian Fichtl bereits jetzt einen wertvollen Beitrag zum Klimaschutz, dem Ziel 13 der Sustainable Development Goals der Vereinten Nationen. Durch die mit Aktordaten erstellten Energieverlustmodelle können Produktionsprozesse nachhaltiger gestaltet und Ressourcen effizienter genutzt und Kosten eingespart werden.