Accessible Unlicensed Requires Authentication Published by De Gruyter November 20, 2021

Simulationsbasierte Steigerung der Energieeffizienz in der variantenreichen Backwarenproduktion

Konzeption und Anwendung ereignisorientierter Simulation am Beispiel einer Großbäckerei

Johannes Patsch, Tanja Zigart, David Kostolani, Patrick Rupprecht and Sebastian Schlund

Abstract

In Prozessen mit hoher Varianz, kurzen Lieferzeiten sowie veränderlichen Produkten ermöglicht eine simulationsbasierte Planung sowie eine adaptive Anpassung der Produktionspläne eine zielgerichtete Kapazitätsauslastung der Produktion. Die Simulation der Ofenbelegung, die Implementierung einer automatisierten Maschinenansteuerung und die dadurch resultierende Steigerung der Energieeffizienz werden am Beispiel einer variantenreichen Backwarenproduktion gezeigt.


Tel.: +43 (1) 58801-33001

Literatur

1 United Nations: The Sustainable Development Goals Report 2020. Online unter https://unstats.un.org/sdgs/report/2020/Search in Google Scholar

2 Kluy, L.; Becker, M.; Groche, P.: Frontloading-Ansatz für Energieeffizienz in der Umformtechnik. ZWF 116 (2021) 3, S. 133–138 DOI: 10.1515/zwf-2021-002610.1515/zwf-2021-0026Search in Google Scholar

3 Ghani, U.; Monfared, R.; Harrison, R.: Energy Optimisation in Manufacturing Systems Using Virtual Engineering-driven Discrete Event Simulation. Proc. Inst. Mech. Eng. Part B J. Eng. Manuf. 226 (2012), S. 1914–1929 DOI: 10.1177/095440541245862510.1177/0954405412458625Search in Google Scholar

4 Blesl, M.; Kessler, A.: Energieeffizienz in der Industrie. Springer-Vieweg-Verlag, Wiesbaden 2012, S. 16 DOI: 10.1007/978-3-642-36514-010.1007/978-3-642-36514-0Search in Google Scholar

5 Vorderwülbecke, A.; Korflür, I.; Löckener, R.: Branchenanalyse Brot und -backwaren. Hans Böckler Stiftung, Düsseldorf 2018Search in Google Scholar

6 Tao, F.; Cheng, Y.; Zhang, L.; Nee, A.: Advanced Manufacturing Systems: Socialization Characteristics and Trends. Journal of Intelligent Manufacturing 18 (2017) 5 doi: 10.1007/s10845–015–1042–810.1007/s10845–015–1042–8Search in Google Scholar

7 Hu, S. J.: Evolving Paradigms of Manufacturing: From Mass Production to Mass Customization and Personalization. Procedia CIRP 7 (2013), S. 3–8 DOI: 10.1016/j.procir.2013.05.00210.1016/j.procir.2013.05.002Search in Google Scholar

8 Arnold, C.; Kiel, D.; Voigt, K.-I.: Innovative Business Models for the Industrial Internet of Things. BHM Berg- und Hüttenmännische Monatshefte 162 (2017) 9, S. 371–381 DOI: 10.1007/s00501-017-0667-710.1007/s00501-017-0667-7Search in Google Scholar

9 Göcking, J.; Kleinhempel, J.; Satzer, A.; Steinberger, V.: Industrie 4.0 in der Nahrungsmittelindustrie. Hans Böckler Stiftung, Düsseldorf 2017, S. 1–53Search in Google Scholar

10 Heinzl, B.: Platform-independent Modeling for Simulation-based Energy Optimization in Industrial Production. Int. J. Simul. Syst. Sci. Technol. (2019), S. 1–10 DOI: 10.5013/IJSSST.a.20.06.1010.5013/IJSSST.a.20.06.10Search in Google Scholar

11 Dewa, M. T.; Mhlanga, S.; Masiyazi, L.; Museka, D.: Design of a Finite Capacity Scheduling System for Bakery Operations (Flow Shop Environment ). Int. J. Innov. Res. Sci. Eng. Technol. 2 (2013) 11, S. 6631–6640Search in Google Scholar

12 Hecker, F.T.; Stanke, M.; Becker, T.; Hitzmann, B.: Application of a Modified GA, ACO and a Random Search procedure to Solve the Production Scheduling of a Case Study Bakery. Expert Syst. Appl. 41 (2014) 13, S. 5882–5891 DOI: 10.1016/j.eswa.2014.03.04710.1016/j.eswa.2014.03.047Search in Google Scholar

13 Westkämper, E.; Bauernhansl, T.: Produktionssteuerung BT – Enterprise – Integration: Auf dem Weg zum kollaborativen Unternehmen. Springer-Verlag, Berlin, Heidelberg 2014, S. 13–22Search in Google Scholar

14 Eitner, J.; Strohmeier, K.: Industrie 4.0: Virtueller Zwilling steuert die Produktion. Fraunhofer Presseinformation, 09.02.2017Search in Google Scholar

15 Ashtari Talkhestani, B.: An Architecture of an Intelligent Digital Twin in a Cyber-Physical Production System. at – Automatisierungstechnik 67 (2019) 9, S. 762–782 DOI: 10.1515/auto-2019-003910.1515/auto-2019-0039Search in Google Scholar

16 Kuhn, T.: Digitaler Zwilling. InformatikSpektrum 40 (2017) 5, S. 440–444, 2017, DOI: 10.1007/s00287-017-1061-210.1007/s00287-017-1061-2Search in Google Scholar

17 Bürgin, J.: Robuste Auftragsplanung in Produktionsnetzwerken: Mittelfristige Planung der variantenreichen Serienproduktion unter Unsicherheit der Kundenauftragskonfigurationen. Dissertation, Karlsruher Institut für Technologie (KIT), Karlsruhe 2018Search in Google Scholar

18 Fang, Y.; Peng, C.; Lou,P.; Zhou, Z.; Hu, J.; Yan, J.: Digital-Twin-Based Job Shop Scheduling Toward Smart Manufacturing. IEEE Trans. Ind. Informatics 15 (2019) 12, S. 6425–6435 DOI: 10.1109/TII.2019.293857210.1109/TII.2019.2938572Search in Google Scholar

19 Kohl, J.: Automatisierte Datenerfassung für diskret ereignisorientierte Simulationen in der energieflexibelen Fabrik. Dissertation, Friedrich-Alexander-Universität, ErlangenNürnberg 2016, S. 27Search in Google Scholar

20 Hedstück, U.: Simulation diskreter Prozesse – Methoden und Anwendungen. SpringerVieweg-Verlag, Wiesbaden 2013, S. 22–25Search in Google Scholar

21 Gierth, A.; Schmidt, C.: Produktionsplanung und -steuerung – Grundlagen, Gestaltung und Konzepte. Springer-Verlag, Berlin, Heidelberg 2006, S. 646–681 DOI: 10.1007/3-540-33855-1_1610.1007/3-540-33855-1_16Search in Google Scholar

22 Echsler Minguillon, F.: Prädiktiv-reaktives Scheduling zur Steigerung der Robustheit in der Matrix-Produktion. Disseration, Karlsruher Institut für Technologie (KIT), Karlsruhe 2020Search in Google Scholar

Published Online: 2021-11-20

© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany