[vc_row css=”.vc_custom_1698071051796{padding-top: 0px !important;padding-bottom: 0px !important;background-image: url(http:\/\/wordpress.p651947.webspaceconfig.de\/wp-content\/uploads\/2023\/10\/smartfactory_live_erleben.jpg?id=3385) !important;}” el_class=”image-custom-header image-style-1″][vc_column]\t\t
Die Strukturoptimierung beinhaltet die Komponentenauswahl und die Gestaltung der Systemarchitektur, als h\u00f6chste Ebene eines Optimierungsproblems. Ohne eine entsprechende Optimierung der Struktur k\u00f6nnen unterlagerte Optimierungen, wie die Parameteroptimierung, nur ein suboptimales Ergebnis innerhalb einer gegebenen Struktur erzielen. Bei Optimierungsverfahren f\u00fcr die Systemarchitektur wird zwischen “Superstruktur-freien”- und “Superstruktur-basierten”-Ans\u00e4tzen unterschieden. Letztere erm\u00f6glichen die effiziente Entwicklung ma\u00dfgeschneiderter L\u00f6sungen durch die Einbringung bereits bew\u00e4hrter Strukturen.[\/vc_column_text][\/vc_column][\/vc_row][vc_row css=”.vc_custom_1698132024626{padding-top: 0px !important;padding-bottom: 0px !important;}”][vc_column][vc_column_text]Parameteroptimierung<\/strong><\/p>\n Die Parameteroptimierung hat prim\u00e4r die Dimensionierung der Komponenten zum Ziel, insbesondere in Energiesystemen. Es geht darum, die entscheidenden Eigenschaften, wie Leistung und Kapazit\u00e4t der einzelnen Bauteile so zu bestimmen, dass sie ideal in das Gesamtsystem passen. Die richtige Dimensionierung stellt sicher, dass das System auch unter spezifischen Betriebsbedingungen optimal arbeitet und h\u00f6chste Effizienz erreicht. Die Parameteroptimierung ist der Strukturoptimierung untergeordnet, d. h. sie muss f\u00fcr jede Strukturvariante separat erfolgen.[\/vc_column_text][\/vc_column][\/vc_row][vc_row css=”.vc_custom_1698134697569{padding-top: 0px !important;padding-bottom: 50px !important;}”][vc_column][vc_column_text]Betriebsoptimierung<\/strong><\/p>\n Die Betriebsoptimierung bezieht auf die gezielte Steuerung zeitlicher Abl\u00e4ufe, wie z. B. die Nutzung von Energiespeichern, mit dem Ziel innerhalb einer gegebenen Anlagenauslegung (Struktur und Parametrierung) eine optimale Ausnutzung hinsichtlich der Kosten oder des CO2-Fussabdrucks zu erreichen. Sie kann \u201eonline\u201c im Sinne eines Energiemanagements erfolgen oder \u201eoffline\u201c als unterlagerte Optimierung zur Bewertung von Strukturen und Parametrierungen. Im letzten Fall werden relevante \u201ehistorische\u201c Daten bzgl. der Randbedingungen (Wetter und betriebliche Bedarfe) genutzt.[\/vc_column_text][\/vc_column][\/vc_row][vc_row css=”.vc_custom_1698134697569{padding-top: 0px !important;padding-bottom: 50px !important;}”][vc_column][vc_single_image image=”3655″ img_size=”full”][\/vc_column][\/vc_row][vc_row full_width=”stretch_row” css=”.vc_custom_1697536731564{padding-top: 100px !important;padding-bottom: 80px !important;background-color: #f2f2f2 !important;}”][vc_column el_class=”sigma-accordion-style-1″][vc_row_inner][vc_column_inner width=”1\/2″]\t\t Struktur-, Parameter- und Betriebsoptimierung<\/p>\n","protected":false},"author":3,"featured_media":0,"template":"","class_list":["post-232","service","type-service","status-publish","hentry","without-image"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.smart-e-factory.de\/index.php?rest_route=\/wp\/v2\/service\/232","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.smart-e-factory.de\/index.php?rest_route=\/wp\/v2\/service"}],"about":[{"href":"https:\/\/www.smart-e-factory.de\/index.php?rest_route=\/wp\/v2\/types\/service"}],"author":[{"embeddable":true,"href":"https:\/\/www.smart-e-factory.de\/index.php?rest_route=\/wp\/v2\/users\/3"}],"wp:attachment":[{"href":"https:\/\/www.smart-e-factory.de\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=232"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\r\n\t\t\t\tMehr Informationen\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t\t\t
\r\n\t\t\t\tWeitergehende Forschungsbereiche\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t[\/vc_column_inner][vc_column_inner width=”1\/2″][\/vc_column_inner][\/vc_row_inner][vc_tta_accordion shape=”square” color=”white” c_position=”right” active_section=”1″ css=”.vc_custom_1697539566691{padding-top: 0px !important;padding-right: 0px !important;padding-left: 0px !important;}” el_id=”custom-accordion”][vc_tta_section title=”Effiziente Reihenfolgeplanung” tab_id=”1585768153475-cb5f3c27-f8e2″][vc_column_text]In der Ver\u00f6ffentlichung betrachten wir eingehend das Problem der Planung von Produktionsauftr\u00e4gen auf einer einzigen Maschine mit sequenzabh\u00e4ngigen R\u00fcstzeiten und individuellen Auftragsfristen. Bei einer Menge von Auftr\u00e4gen besteht das Ziel darin, die Gesamtzeit f\u00fcr die Bearbeitung aller Auftr\u00e4ge zu minimieren, wobei jeder Auftrag seinen Termin einh\u00e4lt. Wir untersuchen Algorithmen, die eine exakte L\u00f6sung des Problems berechnen. Motiviert durch ein Anwendungsbeispiel machen wir uns eine nat\u00fcrliche strukturelle Beobachtung zunutze, die in vielen Produktionsumgebungen auftritt: Die Anzahl der Produktkonfigurationen kann deutlich kleiner sein als die Gesamtzahl der Auftr\u00e4ge. Wir identifizieren einen Algorithmus, der in dieser Umgebung hinsichtlich der Leistung effizient ist. Wir evaluieren experimentell seine Laufzeit und vergleichen ihn mit zwei anderen nat\u00fcrlichen Ans\u00e4tzen der exakten Auftragsplanung.[\/vc_column_text][vc_btn title=”Zur Ver\u00f6ffentlichung” style=”classic” shape=”square” color=”primary” align=”left” link=”url:https%3A%2F%2Fieeexplore.ieee.org%2Fdocument%2F10218249||target:%20_blank|” el_class=”btn-daten btn-on-dark-bg”][\/vc_tta_section][vc_tta_section title=”Optimierung von Lagersystemen” tab_id=”1585768253236-3404ad31-9228″][vc_column_text]In diesem Paper geht es darum, wie automatisierte Lager- und Abrufsysteme (ASRS) in Verteilungszentren und Lagern optimiert werden k\u00f6nnen, um Kosten oder CO2-Emissionen zu reduzieren. Wir stellen ein zweiphasiges Optimierungskonzept vor, das sich auf zwei wichtige Aufgaben in ASRS konzentriert. Zuerst ordnen wir mehrere Umsortierungsaufgaben so an, dass die Gesamtfahrstrecke der Kr\u00e4ne minimiert wird. Anschlie\u00dfend verbessern wir die Energieeffizienz unserer Kranbewegungen, indem wir optimale Trajektorien berechnen. Wir beschreiben unsere Algorithmen f\u00fcr eine komplexe ASRS-Architektur mit zwei Kr\u00e4nen auf parallel verlaufenden Schienen.[\/vc_column_text][vc_btn title=”Zur Ver\u00f6ffentlichung” style=”classic” shape=”square” color=”primary” align=”left” link=”url:https%3A%2F%2Fieeexplore.ieee.org%2Fdocument%2F10218152%2F||target:%20_blank|” el_class=”btn-daten btn-on-dark-bg” css=”.vc_custom_1698137685237{margin-bottom: 20px !important;}”][\/vc_tta_section][\/vc_tta_accordion][\/vc_column][\/vc_row][vc_row css=”.vc_custom_1697537604913{padding-top: 0px !important;padding-bottom: 0px !important;}” row_css_sm=”.vc_custom_1697537604914{background-color: #ffffff !important;}”][vc_column][vc_row_inner equal_height=”yes” content_placement=”middle” bg_color_scheme=”primary” css=”.vc_custom_1698133385572{margin-right: 0px !important;margin-left: 0px !important;padding-top: 100px !important;padding-right: 15px !important;padding-bottom: 0px !important;padding-left: 15px !important;background-color: #ffffff !important;}”][vc_column_inner width=”1\/3″ inner_column_css_xs=”.vc_custom_1593175294358{margin-bottom: 40px !important;}”][vc_single_image image=”3609″ img_size=”full” onclick=”custom_link” css=”.vc_custom_1698390855516{margin-bottom: 0px !important;}” el_class=”image-style-2″ link=”\/?team=prof-dr-ing-thomas-schulte”][\/vc_column_inner][vc_column_inner width=”2\/3″]\t\t
\r\n\t\t\t\tForschungs\u00adlinien\u00adkoordinator\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t\t\t
\r\n\t\t\t\tProf. Dr.-Ing. Thomas Schulte\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t[vc_column_text css=”.vc_custom_1698137764318{margin-bottom: 0px !important;}”]Professor Thomas Schulte, forscht mit seiner Arbeitsgruppe auf den Gebieten Echtzeit- und Hardware-in-the-Loop-Simulation, mechatronische System und Energiesysteme sowie technische Mobilit\u00e4tsl\u00f6sungen. Seit 2010 leitet er das Fachgebiet Regelungstechnik und Simulation an der TH OWL, wo er sich mit innovativen Regelungssystemen und deren praktischer Anwendung befasst. Er ist seit 2017 Leiter des Instituts f\u00fcr Energieforschung, das interdisziplin\u00e4r in unterschiedlichen Bereichen an der zukunftsf\u00e4higen Energieversorgung und -nutzung arbeitet. Ein Schwerpunkt bildet dabei die energieeffiziente Produktion.[\/vc_column_text][\/vc_column_inner][\/vc_row_inner][vc_row_inner equal_height=”yes” content_placement=”middle” bg_color_scheme=”primary” css=”.vc_custom_1698137950366{margin-right: 0px !important;margin-left: 0px !important;padding-top: 50px !important;padding-right: 15px !important;padding-bottom: 0px !important;padding-left: 15px !important;background-color: #ffffff !important;}”][vc_column_inner width=”2\/3″ inner_column_css_xs=”.vc_custom_1593175294358{margin-bottom: 40px !important;}”]\t\t
\r\n\t\t\t\tForschungs\u00adlinien\u00adkoordinator\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t\t\t
\r\n\t\t\t\tDr. Andreas Bunte\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t[vc_column_text css=”.vc_custom_1698137891274{margin-bottom: 0px !important;}”]Dr. Andreas Bunte ist Forschungsgruppenleiter der Gruppe Symbolische Verfahren und Optimierung beim Fraunhofer IOSB-INA. Die Forschungsgruppe besch\u00e4ftigt sich mit datenbasierter Planung und Optimierung sowie Wissensrepr\u00e4sentation im industriellen Kontext. Er hat an der Bauhaus Universit\u00e4t Weimar im Bereich der Wissensmodellierung promoviert, einem Teilbereich der Informatik. Zuvor absolvierte er ein Studium der Elektrotechnik mit der Vertiefung Automatisierungstechnik an der Hochschule D\u00fcsseldorf.[\/vc_column_text][\/vc_column_inner][vc_column_inner width=”1\/3″][vc_single_image image=”3685″ img_size=”full” onclick=”custom_link” css=”.vc_custom_1698414112544{margin-bottom: 0px !important;}” el_class=”image-style-2″ link=”\/?team=dr-andreas-bunte”][\/vc_column_inner][\/vc_row_inner][vc_row_inner equal_height=”yes” content_placement=”middle” bg_color_scheme=”primary” css=”.vc_custom_1698137960105{margin-right: 0px !important;margin-bottom: 60px !important;margin-left: 0px !important;padding-top: 50px !important;padding-right: 15px !important;padding-bottom: 0px !important;padding-left: 15px !important;background-color: #ffffff !important;}”][vc_column_inner width=”1\/3″ inner_column_css_xs=”.vc_custom_1593175294358{margin-bottom: 40px !important;}”][vc_single_image image=”3614″ img_size=”full” onclick=”custom_link” css=”.vc_custom_1698390808818{margin-bottom: 0px !important;}” el_class=”image-style-2″ link=”\/?team=dr-niels-gruettemeier”][\/vc_column_inner][vc_column_inner width=”2\/3″]\t\t
\r\n\t\t\t\tForschungs\u00adlinien\u00adkoordinator\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t\t\t
\r\n\t\t\t\tDr. Niels Gr\u00fcttemeier\t\t\t<\/h3>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t<\/div>\r\n\t\t[vc_column_text css=”.vc_custom_1698137871714{margin-bottom: 0px !important;}”]Dr. Niels Gr\u00fcttemeier ist wissenschaftlicher Mitarbeiter in der Gruppe “Symbolische Verfahren und Optimierung” am Fraunhofer IOSB-INA. Zu seinen Forschungsinteressen geh\u00f6ren Algorithmen f\u00fcr schwere Probleme aus dem Bereich der kombinatorischen Optimierung. Diese finden direkte Anwendung im Bereich der Produktionsplanung und der Lagerlogistik von Industrieunternehmen. In dem Projekt Smart-E-Factory bearbeitet er die Energieoptimierung sowie die Reihenfolgeplanung bei der CUNA-Produktion. Dr. Niels Gr\u00fcttemeier studierte Mathematik an der Uni Jena und promovierte an der Uni Marburg auf dem Gebiet der Algorithmik.[\/vc_column_text][\/vc_column_inner][\/vc_row_inner][\/vc_column][\/vc_row]<\/p>\n","protected":false},"excerpt":{"rendered":"