![\"Darstellung](\"https:\/\/industry-science.com\/wp-content\/uploads\/2024\/03\/Blinn_IM-5-23_Bild-1.jpg\")
Dieses digitale Abbild wertet f\u00fcr den digitalen Prozesspass die Rohdaten bzw. die CO\u2082-Emissionen entlang der Wertsch\u00f6pfungskette aus und speist diesen damit. Dadurch sollen dem Kunden mehr Informationen \u00fcber den \u00f6kologischen Einfluss des Produkts zu Verf\u00fcgung gestellt werden. Zus\u00e4tzlich hilft der digitale Prozesspass Unternehmen durch Aufzeigen der Emissionen dabei, die eigenen CO\u2082-Emissionen zu minimieren und langfristig eine klimaneutrale Produktion zu etablieren.<\/p>\n<\/div>\n<\/div>\n\n
Digitale Abbildungen und Modellierungsarten<\/h2>\n\n
Unter den Begriff des digitalen Abbilds fallen in der Regel die drei Modelle digitaler Zwilling (DZ), digitaler Schatten (DS) und digitales Modell (DM) [3]. Diese Begriffe, insbesondere der des DZ werden h\u00e4ufiger als Synonym f\u00fcreinander verwendet [3], da eine einheitliche Definition bzw. Standardisierung der Begriffe fehlt [3, 4]. Zur\u00fcckzuf\u00fchren ist dies auf die Gro\u00dfzahl der Einsatzgebiete [5], sodass die Definitionen auf den individuellen Fall angepasst werden [6]. Van der Walk u. a. [6] beschreibt diesen als Spiegelbild des physikalischen Objekts mit mehreren Dateninputs, Datenver- und -bearbeitung sowie einem bidirektionalen Austausch zwischen physischem und digitalem Objekt. Nach Kritzinger u. a. [3] werden drei Komponenten f\u00fcr ein digitales Abbild ben\u00f6tigt, das physische Objekt, digitale Objekt und die Verbindung f\u00fcr den Datenaustausch.<\/p>\n\n
Zur Unterscheidung der Begrifflichkeiten wird die Automation des Datenaustausches herangezogen. Liegt ohne Automation des Datenflusses ein digitales Modell vor und existiert ein einseitiger Datenfluss zum digitalen Objekt, handelt es sich um einen DS und bei vollst\u00e4ndiger Automation um einen DZ, wie in Bild 1 dargestellt.<\/p>\n\n
Die verschiedenen digitalen Abbilder bauen somit aufeinander auf. Dies erm\u00f6glicht ein sp\u00e4teres Up- oder Downgrade, abh\u00e4ngig davon, inwieweit Produktionsprozesse automatisiert und die Digitalisierung integriert werden sollen. Der bidirektionale Datenaustausch des DZ stellt eine direkte Einflussnahme auf Teilbereiche der Prozesse dar. Die nachtr\u00e4gliche vollst\u00e4ndige Integration kann bei bereits etablierten und sensiblen Fertigungsprozessen zu Problemen f\u00fchren. Im Projekt OekoProOf wird die Integration eines DS angestrebt, ohne direkte Einflussnahme der Prozesse.<\/p>\n\n
Weiterhin kann das direkte Entscheidungskriterium, wie der momentane hohe PV-Ertrag, zwar zu einer hohen Optimierung der Emissionen f\u00fchren, jedoch auch zu einer deutlichen Erh\u00f6hung der Komplexit\u00e4t im Prozessmanagement. Andere Anlagen lassen sich aufgrund der fehlenden Automatisierung nicht ohne hohen finanziellen Aufwand digitalisieren. Die Vorteile des DS liegen hier in der prozesssicheren Digitalisierung, die neben dem Prozesspass oder einer Lastvorhersage auch Handlungsempfehlungen f\u00fcr die Bedienenden oder das Prozessmanagement zur Verf\u00fcgung stellen kann. Bei vollautomatisiert oder von Hand bedienten Anlagen ist eine Empfehlung des DS einfacher und risiko\u00e4rmer zu implementieren. Nachteilig ist, dass die Einflussnahme manuell durch die Mitarbeitenden erfolgen muss.<\/p>\n\n
Neben der Definition des zu w\u00e4hlenden Abbilds kann sich dem gleichen Problem von unterschiedlicher Seite gen\u00e4hert werden. Auch hier unterscheiden sich die in Betracht gezogenen Modelle abh\u00e4ngig vom individuellen Fall. Vereinfacht lassen sich die Modelle nach Segovia u. a. [7] oder auch Rasheed u. a. [8] in vier Obergruppen einteilen. Neben der Gruppe \u201esonstige Modelle\u201c fassen sie darunter:<\/p>\n\n
Physikalische Modelle:<\/strong> Geometrische, physische und Regelungs- bzw. Verhaltensmodelle lassen sich in den physikalischen Modellen zusammenfassen, da hier die Modellierung \u00fcberwiegend durch physikalische Eigenschaften und Verhaltensweisen gepr\u00e4gt ist. Allerdings ist hier mit einer hohen Komplexit\u00e4t zu rechnen [7, 8], da alle physikalischen Reaktionen aufeinander abgebildet werden m\u00fcssen. Dies f\u00fchrt auch dazu, dass das Fehlerrisiko steigt.<\/p>\n\n Datenabh\u00e4ngige Modelle:<\/strong> Im Gegensatz dazu stellen die datenabh\u00e4ngigen Modelle, zu denen auch die Big-Data-Modelle z\u00e4hlen, eine M\u00f6glichkeit dar, mit einer reduzierten Komplexit\u00e4t das physische Objekt zu modellieren [7, 8]. Die Modelle basieren auf Datenbanken und Algorithmen, die beispielsweise \u00fcber Machine Learning die gemessenen Daten auswerten [7, 8].<\/p>\n\n Hybride Modelle:<\/strong> Hybride Ans\u00e4tze versuchen die besten Eigenschaften des datenbasierten Modells mit dem physikalischen Modell zu verkn\u00fcpfen [7, 8]. So kann beispielsweise die hohe Geschwindigkeit, welche aus der geringen Komplexit\u00e4t des datenbasierten Modells resultiert, mit der Datentiefe des physikalischen Objekts verkn\u00fcpft werden [7, 8].<\/p>\n\n F\u00fcr energieintensive Unternehmen, wie die im Projekt betrachtete H\u00e4rterei, hat die zu bereitstellende Prozessw\u00e4rme mit 66,7 Prozent (465,28 Terawattstunden) [9] den gr\u00f6\u00dften Energieanteil. Um W\u00e4rmestr\u00f6me physikalisch korrekt zu modellieren, werden anlagenspezifische Berechnungen, dreidimensionale Modelle und zus\u00e4tzliche Sensoren f\u00fcr Temperatur, Druck oder Flie\u00dfgeschwindigkeit ben\u00f6tigt. Auch wenn eine erh\u00f6hte Informationstiefe bei der Optimierung von Energieineffizienzen von Vorteil ist, so \u00fcberwiegen die Nachteile des physikalischen Modells.<\/p>\n\n Daher wird im Fall von OekoProOf ein datenbasierter Ansatz verfolgt, in dem anhand der reellen Verbrauchsdaten ein digitales Abbild geschaffen wird, das die Simulation zuk\u00fcnftiger Chargen und Produkte erm\u00f6glicht. Die f\u00fcr die Entwicklung eines datenbasierten DS ben\u00f6tigten Daten werden gr\u00f6\u00dftenteils in den Systemen f\u00fcr Warenwirtschaft (WWS) und dem Energiedatenmanagementsystem erfasst. Weitere Datenquellen sind Anlagensteuerungen und vereinzelte Z\u00e4hler, Sensoren oder auch Messdaten der Versorgungsbetriebe.<\/p>\n\n Die Daten m\u00fcssen zun\u00e4chst manuell gesichtet und auf ihre Qualit\u00e4t (Dateng\u00fcte, Fehlstellen sowie weitere Auff\u00e4lligkeiten) untersucht werden. Daraus werden im Baukastenprinzip die Fehlererkennungsalgorithmen entwickelt und die Grenzen grob festgelegt. Aufgrund der unterschiedlichen Datenquellen und Formatierungen ist die Implementierung in eine eigene Datenbank trotz der zu vermeidenden Doppelstruktur notwendig. Die Datenbank wird f\u00fcr den DS und den Prozesspass gemeinsam genutzt, wodurch eine Kommunikation der beiden Systeme einfach gestaltet werden kann. Mittels einer API werden die notwendigen Daten aus dem EDMS und dem WWS abgerufen und verarbeitet. Dies wird im Grundflie\u00dfschema in Bild 2 veranschaulicht. Die gestrichelten Linien zeigen die Erweiterung um den DS und Prozesspass.<\/p>\n\n Mit dem Eingang und der anschlie\u00dfenden Planung werden f\u00fcr jeden Auftrag, je nach Gr\u00f6\u00dfe, Chargennummern vergeben. Mit diesen werden im WWS notwendige Prozesse sowie Start- bzw. Endzeit der Prozesse verkn\u00fcpft. Die Energiedaten werden mit Zeitstempel im EDMS erfasst. Das Lastmanagement \u00fcberpr\u00fcft, ob Spitzenlasten \u00fcberschritten werden und greift gegebenenfalls ein. Den Chargen werden \u00fcber ihre Zeit- und Anlagenstempel im DS Verbr\u00e4uche zugeordnet, welche auf Plausibilit\u00e4t \u00fcberpr\u00fcft werden. Anschlie\u00dfend erfolgt eine Berechnung der CO\u2082-Emissionswerte sowie die Weiterleitung der Daten an den Prozesspass, aus dem eine Produktionsempfehlung nach Kundenwunsch (Priorisierung, niedrige Emissionen etc.) an die Prozessplanung gehen soll.<\/p>\n\n Weitere Datenquellen, wie die Stromproduktion aus Photovoltaikanlagen und deren Vorhersage, Lastmanagement, Stromb\u00f6rsenvorhersagen und W\u00e4rme\u00fcbersch\u00fcsse, k\u00f6nnen live in den Schatten eingebunden werden, um sowohl ein Entscheidungskriterium der priorisierten Fertigung zu bieten, als auch tagesaktuelle Emissionswerte f\u00fcr den digitalen Prozesspass bereitzustellen. Die Darstellung der CO\u2082-Emissionswerte im digitalen Prozesspass ist somit dynamisch und kann vom Unternehmen, aber auch vom Kundenwunsch abh\u00e4ngig sein.<\/p>\n\n Der Aufbau und die Aufgaben des OekoProOf DS umfassen die folgenden Arbeitsschritte:<\/p>\n\n In der im Forschungsprojekt OekoProOf angestrebten Effizienzsteigerung wird das digitale Abbild als digitaler Schatten eingesetzt. Neben den Prozessparametern k\u00f6nnen der Hochleistungsw\u00e4rmespeicher f\u00fcr die Bereitstellung von Prozessw\u00e4rme und eine Photovoltaikanlage zur Eigenversorgung als Hebel in der Effizienzsteigerung eingesetzt werden. Die Kopplung mit dem Energiedatenmanagement f\u00fchrt zu Steigerungspotenzialen auf mehreren Ebenen:<\/p>\n<\/div>\n<\/div>\n\n Die Verarbeitung der Energiedaten im Energiedatenmanagementsystem f\u00fchrt zu einer chargenscharfen Darstellung der Energie- und Ressourcenverbr\u00e4uche, die im digitalen Prozesspass ausgewiesen werden. Diese Informationen werden dem Kunden auf Wunsch bereitgestellt. Bei Optimierungsw\u00fcnschen wird die n\u00e4chste Ebene relevant.<\/p>\n\n Mittels der Energiedaten und der Prozesssimulation k\u00f6nnen Emissionsszenarien erstellt und dem Kunden angeboten werden. Der optionale Einsatz von selbsterzeugter erneuerbarer Energie aus der Photovoltaikanlage und der r\u00fcckgewonnenen W\u00e4rmeenergie im Prozessw\u00e4rmespeicher bietet dem Kunden ein Potenzial zur Verringerung der Emissionswerte – jedoch bei gleichzeitiger Ver\u00e4nderung der Fertigungszeit bzw. Verf\u00fcgbarkeit. Das Abbild kann eine Priorisierungsempfehlung erstellen, um die Ressourceneffizienz f\u00fcr Prozesse zu verbessern.<\/p>\n\n\n\n Die Simulation von Prozessschritten im digitalen Abbild bietet die M\u00f6glichkeit einer Energieeffizienzoptimierung hinsichtlich Chargengr\u00f6\u00dfe, Reihenfolge und Produktionsanlage. Das Unternehmen kann den Einsatz der Energie- und Stoffstr\u00f6me durch die Darstellung im Energiedatenmanagementsystem und der digitalen Simulation aktiv beeinflussen.<\/p>\n<\/div>\n<\/div>\n\n Zur Veranschaulichung werden in Bild 3 die Energiebedarfe eines Prozesses f\u00fcr den Betrieb dreier Behandlungskammern verglichen. Die Analyse dient der Feststellung von Ausrei\u00dfern. Die Streuung innerhalb der Boxplots ist auf den gro\u00dfen Betrachtungszeitrahmen und effizienzsteigernde Ma\u00dfnahmen zur\u00fcckzuf\u00fchren. In der finalen Form des DS werden kleinere Zeitr\u00e4ume betrachtet. Ausrei\u00dfer werden gemeldet, um Probleme zu identifizieren und gleichzeitig die Prozessg\u00fcte zu erhalten. Ebenfalls k\u00f6nnen die Auswertungen des DS Analysen ansto\u00dfen, z. B. warum die Kammern 1 und 3 ineffizienter sind als Kammer 2.<\/p>\n\n Eine Einf\u00fchrung von effizienzsteigernden Ma\u00dfnahmen ist f\u00fcr alle Unternehmen \u00f6kologisch und \u00f6konomisch sinnvoll. Der Einsatz eines digitalen Abbilds kann eine gro\u00dfe Unterst\u00fctzung sein, um bestimmte Kriterien in den Prozessen zu optimieren, obgleich ein DZ in bereits etablierten Prozessen ein Risiko der Prozessstabilit\u00e4t darstellen kann. Der datenbasierte DS l\u00e4sst sich im Vergleich relativ einfach und gefahrlos, insbesondere f\u00fcr sensible Fertigungssysteme integrieren und bietet bei geringerer Komplexit\u00e4t vergleichbare Resultate bezogen auf das Projekt OekoProOf. Die Digitalisierung betrifft klassische Fertigungsunternehmen wie KMU und ist eine Herausforderung, die im Hinblick auf die Zukunft von produzierenden Unternehmen lohnend ist. Sowohl der digitale Produktpass als auch der digitale Prozesspass sind attraktive einfache M\u00f6glichkeiten, eine Digitalisierung in der Fertigung aufzubauen.<\/p>\n\n Dieser Beitrag entstand im Rahmen des Projekts \u201eOekoProOf – Intelligente oekonomische & oekologische Ressourceneffizienzsteuerung mittels Digitalem Prozesspass im Kontext sektor\u00fcbergreifender Anforderungen am Beispiel der abw\u00e4rmeintensiven Oberfl\u00e4chentechnik\u201c, das vom Bundesministerium f\u00fcr Wirtschaft und Klimaschutz gef\u00f6rdert wird. Schl\u00fcsselw\u00f6rter: Ressourceneffizienz, energieeffiziente Produktion, digitaler Zwilling, digitaler Produktpass, digitaler Prozesspass, Energiedatenmanagement<\/em><\/p>\nDer digitale Schatten im \u00adEnergiedatenmanagement<\/h2>\n\n
\n
![\"Grundfließschema](\"https:\/\/industry-science.com\/wp-content\/uploads\/2024\/03\/Blinn_IM-5-23_Bild-2.jpg\")
Use Cases im Projekt OekoProOf<\/h2>\n\n\n\n
Der digitale Prozesspass<\/h2>\n\n
![\"Energiebedarfe](\"https:\/\/industry-science.com\/wp-content\/uploads\/2024\/03\/Blinn_IM-5-23_Bild-3-1.jpg\")
Handlungsspielraum und Entscheidungsunterst\u00fctzung<\/h2>\n\n\n\n
Effizienzsteigerung in der Produktion<\/h2>\n\n\n\n
Produktpass und Prozesspass f\u00fcr die Digitalisierung<\/h2>\n\n
Bibliography <\/h2>[1] Europ\u00e4ische Kommission: Proposal for a Directive on common rules promoting the repair of goods. URL: https:\/\/commission.europa.eu\/document\/afb20917-5a6c-4d87-9d89-666b2b775aa1_en, Abrufdatum 27.04.2023.\r
[2] Alt, S.; August-Wilhelm Scheer Institut: Der digitale Produktpass. Ein prozessbezogener CO2-Ausweis f\u00fcr eine nachhaltige Kreislaufwirtschaft. In: IM+io Best & Next Practices aus Digitalisierung | Management | Wissenschaft 37 (2022) 1, S. 50-53.\r
[3] Kritzinger, W.; Karner, M.; Traar, G.; Henjes, J.; Sihn, W.: Digital Twin in manufacturing: A categorical literature review and classification. In: IFAC-PapersOnLine 51 (2018) 11, S. 1016-1022.\r
[4] Mihai, S.; Yaqoob, M.; Hung, D. V.; Davis, W.; Towakel, P.; Raza, M.; Ka- ramanoglu, M.; Barn, B.; Shetve, D.; Prasad, R. V.; Venkataraman, H.; Trestian, R.; Nguyen, H. X.: Digital Twins: A Survey on Enabling Technologies, Challenges, Trends and Future Prospects. In: IEEE Commu- nications Surveys & Tutorials 24 (2022) 4, S. 2255-2291.\r
[5] Wagner, R.; Schleich, B.; Haefner, B.; Kuhnle, A.; Wartzack, S.; Lanza, G.: Challenges and Potentials of Digital Twins and Industry 4.0 in Product Design and Production for High Performance Products. In: Procedia CIRP 84 (2019), S. 88-93.\r
[6] van der Valk, H.; Ha\u00dfe, H.; M\u00f6ller, F.; Otto, B.: Archetypes of Digital Twins. In: Business & Information Systems Engineering 64 (2022) 3, S. 375-391.\r
[7] Segovia, M.; Garcia-Alfaro, J.: Design, Modeling and Implementation of Digital Twins. In: Sensors (Basel, Switzerland) 22 (2022) 14.\r
[8] Rasheed, A.; San, O.; Kvamsdal, T.: Digital Twin: Values, Challenges and Enablers From a Modeling Perspective. In: IEEE Access 8 (2020), S. 21980-22012.\r
[9] Bundesministerium f\u00fcr Wirtschaft und Klimaschutz: Energieeffizienz in Zahlen. Entwicklungen und Trends in Deutschland 2021. URL: www.bmwk.de\/Redaktion\/DE\/ Publikationen\/Energie\/energieeffizienz-in-zahlen-entwicklungen-und-trends-in-deutschland-2021.pdf?__blob=publicationFile&v=6, Abrufdatum 12.04.2023.<\/div>Your downloads<\/h2>