Direkt zum Inhalt springen
Breadcrumbs
Inhalt

Digitale Zwillinge für Prozessoptimierung und vorausschauende Instandhaltung

Allgemeine Informationen

Projektnummer 61005218
Projekttitel laut Förderbescheid Digitale Zwillinge für Prozessoptimierung und vorausschauende Instandhaltung
Akronym DIZPROVI
Projektlaufzeit 01.05.2021 - 30.04.2023
Forschungsschwerpunkt Energie und Umwelt
Projektkategorie Forschung
Grundeinheit Institut für Prozesstechnik, Prozessautomatisierung und Messtechnik

Inhaltliche Projektbeschreibung

Im Verbundvorhaben wird ein interdisziplinäres Team (Ingenieurwissenschaft, Informatik, Energiewirtschaft, Automatisierung) aus in der Region Lausitz tätigen Unternehmen (LEAG, ABB, EMIS, XRG, CombTec) und Forschungseinrichtungen (Fraunhofer IKTS - KogMatD, HSZG) gemeinsam innovative Technologien für die Region erforschen und entwickeln. Finales Ziel des Gesamtprojektes ist die Konzeption und Entwicklung eines gemeinsamen Prototyps des Digitalen Zwillings für Prozessoptimierung und vorausschauende Instandhaltung, der das Gesamtanlagenmodell und die Schadensmodelle vereint.

Die Wirtschaftlichkeit und die sich ändernde Bedingungen am Markt (z.B. Flexibilisierung der Energieerzeuger am Energiemarkt) erfordern eine ständige Prozessoptimierung in Industrieanlagen. Die Planung und das Testen an einem Anlagenmodell (= Digitaler Zwilling (DZ)) steigert die Qualität der Prozessoptimierungen und senkt dabei gleichzeitig die Kosten, z.B. durch Minimierung der Ausfallzeiten der Anlage. Voraussetzung für eine Prozessoptimierung auf Basis von Simulationen ist das Vorhandensein eines DZ mit der notwendigen Simulationsqualität. Der zeitliche Aufwand für eine Erstellung und die Pflege (Anpassungen des Anlagenmodells nach Änderungen in der Anlage) eines DZ sind ein entscheidender Kostenfaktor. Daher ist es notwendig, die Modellierung und die Anpassung der Modelle effektiv zu gestalten.

Im Projektteil „DZ“ werden Verfahren der Modellerstellung auf Basis von datenbasierten Modellkomponenten sowie Verfahren des Maschinellen Lernens zur Feineinstellung (Kalibrierung) der (physikalischen) Modellkomponenten entwickelt. Ein wesentliches Element sind dabei die Analyse und der Vergleich von KI-Methoden (neuronale Netze, genetische Algorithmen, statistische Methoden) für die Umsetzung datenbasierter Modelle. Zugleich wird eine Methodik für die Erstellung von Hybridmodellen (Modelle mit physikalischen und datenbasierten Elementen) erarbeitet. Die Bewertung der Güte von KI-Modellen ist ein weiterer Arbeitspunkt.


 

Weitere Daten

  • Ansprechpartner

    • Herr Prof. Wolfgang Kästner (Projektleitung)
    • Herr Tom Förster
    • Frau Jana Hänel
  • Fördermittelgeber

    • 03WIR0105D - BMBF/PTJ

      • BMBF

Zurück zur Übersicht23.05.2022 23:58:59

Footer