Eine Übersicht aller Sessions/Sitzungen dieser Veranstaltung. Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.
Im Rahmen des Projekts DIANEpro werden innovative Ansätze verfolgt, um die Herausforderungen der Energiewende, verstärkt durch die Klimakrise, zu bewältigen. Dazu gehören die Prognose der Verfügbarkeit erneuerbarer Energien, die Optimierung der Sektorkopplung sowie die Nutzung von Effizienzpotenzialen in der Produktion durch flexible und anpassbare Produktionssysteme. Das DIANEpro-Projekt setzt daher auf eine umfassendere und intelligentere Integration von Energie- und Produktionsdaten. Es verbindet die Energieerzeugung und -nutzung über eine cloudbasierte Demand-Response-Plattform, die es ermöglicht, Produktionsprozesse flexibel an die Verfügbarkeit erneuerbarer Energien anzupassen. Durch den Einsatz von Methoden des maschinellen Lernens soll die Komplexität der Produktionsplanung reduziert und kontinuierlich optimiert werden. Gleichzeitig wird die Vernetzung verschiedener Energiesektoren (wie Strom, Wärme und Industrie) angestrebt, um eine ganzheitliche und kosteneffiziente Energienutzung zu gewährleisten.
Unveiling Automation Potential Through a Better Understanding of Ideal Cycle Time
Simon Wilbers1, Bastian Prell2, Norman Günther1, Jörg Reiff-Stephan1
1Technische Hochschule Wildau, Deutschland; 2Causality GmbH, Schwartzkopffstraße 15745 Wildau, Deutschland
This publication demonstrates that determining the ideal speed or minimum cycle time of machinery is crucial for uncovering the limits of automation in manufacturing systems. This understanding enhances Overall Equipment Effectiveness (OEE) and identifies opportunities for further digitization, automation, and AI integration. Based on literature review and expert interviews, we identify methodologies for establishing ideal speed, including Empirical Measurement and Data Analysis, Time Studies, Statistical Process Control (SPC), Benchmarking, Simulation and Modeling, Expert Judgment, and Continuous Improvement Practices. We compare these with insights from structured interviews with experts from Brandenburg, Germany, in the crafts, process industries, and special machine construction sectors. Findings suggest that while companies recognize their ideal operational speeds, they often lack a structured method for determining them. They frequently use combinations of established methods inconsistently. We deduce that a formalized approach to defining ideal speed can better reveal system limitations and potential for expanding them through advanced automation and AI technologies. Building on Wilbers et al. (2024), we emphasize that defining ideal speed is essential for pushing the boundaries of automated systems, contributing to more effective and human-centric automation solutions.
