DatAmount - Modellierung des Energie- und Ressourcenverbrauchs von Werkzeugmaschinen mittels intelligenter und dateneffizienter Verfahren

Im Rahmen des Forschungsprojekts DatAmount werden Methoden entwickelt, die es ermöglichen, energietechnische Modelle von Werkzeugmaschinen zu erstellen. Diese Modelle sind geeignet, das energetische Verhalten von Maschinen für neue Produkte auf der Basis kleiner Datenmengen vorherzusagen. Da vor allem im KMU-Kontext häufig Kleinserien gefertigt werden, sind in vielen Fällen nicht genügend Daten vorhanden, um KI-Modelle zu trainieren. Die physikalische Modellierung hingegen ist oft sehr kostspielig. Aufgrund der geforderten CO2-Nachweise und der gesetzten Klimaziele
befinden sich die Unternehmen somit in einem Spannungsfeld. Auf der einen Seite sind genaue Modelle zur Vorhersage des Energieverbrauchs von Maschinen notwendig, um wettbewerbsfähig zu bleiben. Auf der anderen Seite ist die Erstellung solcher Modelle derzeit entweder sehr teuer oder nicht möglich. Die derzeit meist manuell durchgeführte Vorhersage des Energieverbrauchs ist ebenfalls aufwändig und zudem personengebunden. Der hier vorgestellte Ansatz kombiniert physikalische Modelle des Energieverhaltens von Maschinen mit datenbasierten Machine-Learning-Modellen, wobei besonders dateneffiziente Machine-Learning-Modelle untersucht werden. Dies ermöglicht eine automatisierte,
genaue Vorhersage des Energieverbrauchs von Werkzeugmaschinen. Der Nutzen für KMU liegt in der effizienten Erstellung von Modellen, die den Energieverbrauch und die CO2-Emissionen von neuen Produkten vorhersagen können. Diese Vorhersagen sind oft notwendig, um bei einer Ausschreibung
berücksichtigt zu werden, da der Nachweis der Energie- und Ressourceneffizienz in Ausschreibungen größerer Unternehmen mit CO2-Reduktionszielen oft obligatorisch ist.

DatAmount - Modelling the Energy and Resource Consumption of Machine Tools Using Intelligent and Data-Efficient Methods

As part of the DatAmount research project, methods are being developed that make it possible to create energy models of machine tools. These models are suitable for predicting the energetic behavior of machines for new products on the basis of small amounts of data. Since small series are often produced, especially in the SME context, in many cases, there is not enough data to train AI models. Physical modeling, on the other hand, is often very costly. Due to the required CO2 proofs and the climate targets set, companies thus find themselves in a field of tension. On the one hand, accurate models to predict the energy consumption of machines are necessary to remain competitive. On the other hand, the creation of such models is currently either very expensive or not possible. The current mostly manual prediction of energy consumption is also time-consuming and also person-bound. The approach presented here combines physical models of the energy behavior of machines with data-based machine learning models, with particularly data-efficient machine learning models being investigated. This enables an automated, accurate prediction of the energy consumption of machine tools. The benefit for SMEs is the efficient creation of models that can predict the energy consumption and CO2 emissions of new products. These predictions are often necessary to be considered in a tender as proof of energy and resource efficiency is often mandatory in bids from larger companies with CO2 reduction targets.