16. Grafischer Ansatz zur Energieoptimierung durch künstliche Intelligenz

Technologien für die Prozesseffizienz in verschiedenen Industrien werden aufgrund des starken globalen Kostendrucks und Qualitätswettbewerbs in den nächsten Jahrzehnten zwingend erforderlich sein. Die Effizienz umfasst dabei die Minimierung der Energiekosten, die Maximierung der Produktion bzw. des Outputs oder die Reduzierung von Qualitätsausschüssen sowie von Maschinenausfällen. Durch maschinelles Lernen und neuronale Netze können diese Prozesse nun effizienter und qualitätsbewusster gesteuert werden, um insbesondere Energieeinsparungen von bis zu 20 % pro Maschine zu erzielen. Integrierte Sensoren an den Maschinen überwachen den Fertigungsprozess in Echtzeit, sodass durch maschinelles Lernen die Prozessparameter entsprechend optimiert werden, um einen niedrigen Energieverbrauch bei hoher Qualität zu erzielen. Die bereitgestellten Informationen werden dem Maschinenbediener und dem Produktionsmanagement-Team in Echtzeit zur Verfügung gestellt. In diesem Kapitel wird die Umsetzung und damit einhergehende digitale Transformation von bestehenden Maschinen beschrieben sowie die Potenziale hinsichtlich Qualitätsoptimierung und Energieeinsparungen durch künstliche Intelligenz.