• Zum Inhalt springen  (Accesskey: 1)
  • Zur Navigation springen  (Accesskey: 2)
  • Zur Suche springen  (Accesskey: 7)
Seitennavigation schließen
Seitennavigation öffnen
  • TU Wien
    • Übersicht
    • Aktuelles
    • fuTUre fit
    • Über die TUW
    • Organisation
    • TUW für alle
    • Arbeiten an der TUW
    • TUW Community
    • Campus
    • Kontakt
  • Studium
    • Übersicht
    • Studienangebot
    • Studieninteressierte
    • Studienanfänger_innen
    • Studierende
    • International Studieren
    • Lehrende , öffnet eine externe URL in einem neuen Fenster
    • Schüler_innen
    • Best Teaching Awards 2025
  • Forschung
    • Übersicht
    • Profil
    • News
    • Events
    • Facilities
    • Erfolge
    • Netzwerke
    • TUW Doctoral Center
    • FTI Support
    • TUW interne Fördermöglichkeiten
    • Datenbanken
  • Kooperationen
    • Übersicht
    • Erfindungen, Patente, Kommerzialisierung
    • Spenden und Unterstützen
    • Start-ups
    • Technology Offers
    • Wirtschaftskooperationen
    • Center for Technology and Society , öffnet eine externe URL in einem neuen Fenster
    • TU Austria , öffnet eine externe URL in einem neuen Fenster
    • EULIST
  • Services
    • Übersicht
    • Bibliothek
    • Campus IT-Services
    • Campus-Services
    • Eventmanagement
    • Medien
    • Meldesystem
    • Newsletter
  • Intern
    • Übersicht
    • Portal (TISS, SAP, TYPO3,...) , öffnet eine externe URL in einem neuen Fenster
E302-03-Forschungsbereich Industrielle Energiesysteme
  1. E302-03-Forschungsbereich Industrielle Energiesysteme /
  2. Detailseite Aktuelles /

Zurück zur Startseite

21. Dezember 2021

Industrie-Optimierung: Gut für Umwelt und Profit

Mit neuen Ansätzen der TU Wien lassen sich Industrieprozesse so verbessern, dass am Ende sowohl Energie gespart als auch der Profit optimiert wird.

Industrieanlage mit Bagger

© Fundermax

Der Erfolg einer Industrieanlage hängt nicht nur von der produzierten Produktmenge ab. Ebenso entscheidend ist: Welcher Energieaufwand ist dafür nötig? Lässt sich die Produktion so anpassen, dass die Energiekosten sinken? Wie kann man erreichen, dass die entstandene Wärme nicht ungenutzt verpufft? 

In den letzten Jahren wurden immer wieder Methoden entwickelt, die Energie- und Wärmeströme von Industrieanlagen zu optimieren. An der TU Wien ging man nun einen Schritt weiter: Der Produktionsoutput wurde gemeinsam mit der Energiebilanz in den Optimierungsprozess einbezogen. So lässt sich berechnen, wie man nicht nur Energie sparen, sondern dabei auch noch den maximalen Profit machen kann. In einem Forschungsprojekt in Kooperation mit dem Spanplattenhersteller Fundermax konnte das Potenzial dieses Ansatzes demonstriert werden.

Die ganze Fabrik am Computer

Bloße menschliche Erfahrung reicht längst nicht mehr aus, um Industrieanlagen optimal betreiben zu können. Um zu entscheiden, wie man die einzelnen Produktionsschritte so aufeinander abstimmt, dass der Output am größten und der Aufwand am geringsten ist, benötigt man möglichst detaillierte Computermodelle. Damit beschäftigte sich Verena Halmschlager in ihrer Dissertation am Institut für Energietechnik und Thermodynamik. Die Dissertation war Teil des Doktoratskollegs „Smart Industrial Concept!“, öffnet eine externe URL in einem neuen Fenster, geleitet von Prof. René Hofmann.

„Stellen wir uns vor, wir haben unterschiedliche Maschinen, die Strom brauchen und Wärme erzeugen“, sagt Verena Halmschlager. „Bei der Herstellung von Spanplatten benötigt man Dampf, die Wärmeenergie kann man für eine gewisse Zeit in thermischen Energiespeichern aufbewahren, gleichzeitig kann man die Wärmeenergie aber auch an einen lokalen Fernwärmenetzbetreiber verkaufen.“ 

Hier hat man es mit einem schwierigen Optimierungsproblem zu tun: Wenn man Wärme nicht ins Fernwärmenetz einspeist, sondern ungenutzt verpuffen lässt, ist das Verschwendung. Andererseits kann man auch nicht einfach beliebige Mengen an Wärmeenergie ins Fernwärme-Netz einspeisen. Man muss dem Netzbetreiber bestimmte Zusagen machen, die dann auch einzuhalten sind. Daher muss man möglichst genau vorhersagen können, wie sich die gesamte Produktionsanlage in welcher Situation verhalten wird und welche Mengen an Wärmeenergie dauerhaft garantiert werden können.

Physikalische Formeln und künstliche Intelligenz

Halmschlager analysierte die Abläufe im Spanplatten-Werk der Firma Fundermax, bildete einzelne Maschinen sowie die Energie- und Produktflüsse zwischen ihnen am Computer ab und entwickelte so ein mathematisches Abbild der Fabrik. Sie nutzte dabei unterschiedliche Methoden: Einerseits lassen sich Komponenten wie etwa Turbinen oder Wärmespeicher physikalisch exakt mit Formeln beschreiben, andererseits kann man auch künstliche Intelligenz in Form von neuronalen Netzen einsetzen, um auf Basis bisher gemessener Daten das zukünftige Verhalten des Systems vorherzusagen.

„Nach der Erstellung der Komponentenmodelle folgt schließlich die eigentliche Optimierung“, sagt Verena Halmschlager. „Mit unserem Optimierungsframework ist es relativ einfach, die entwickelten Komponentenmodelle für die Optimierung aufzubereiten und zu kombinieren, den Prozess zu optimieren, und die Ergebnisse auszuwerten.“ Bisher wurde entweder die Energiebilanz einer Anlage optimiert oder die Produktion maximiert. Verena Halmschlager gelang es in ihrer Dissertation, beide Herangehensweisen zu verbinden. Außerdem kann mit dem entwickelten Ansatz auch berechnet werden, wie sich der Einbau zusätzlicher Komponenten auswirkt – etwa ob sich die Investition in zusätzliche Energiespeicher lohnen würde.

Dieser Ansatz wird in Zukunft an Bedeutung gewinnen, ist Halmschlager überzeugt: Alleine schon aus Gründen des Klimaschutzes müssen Prozesse als Ganzes betrachtet werden. Denn erst durch die Berücksichtigung aller relevanter Energieströme in einem Prozess (z. B. Strom, Dampf, Gas etc.), dem Produktionssystem, und Randbedingungen des Energiemarktes ist es möglich, das volle Potentiale von Prozessen auszuschöpfen, und daher Energieeinsatz und Kosten zu sparen. Digital gesteuerte Fabriken könnten durch kluge zeitliche Planung von Produktionsabläufen in Zukunft auch mithelfen, das Stromnetz zu stabilisieren, wenn etwa Photovoltaik oder Windenergie kurzfristig weniger Leistung liefern.  

Im Fall der Produktionsanlage von Fundermax konnte Verena Halmschlager durch ihre Berechnungen zeigen: Wenn man die Produktion und Energie optimal ausnutzt, könnte der Betrieb eine fast dreimal so große Menge an Fernwärme garantieren, wie bisher mit dem Fernwärmenetzbetreiber vereinbart wurde. Das ermöglicht beträchtliche zusätzliche Profite – und spart letztlich Energie und CO2-Emissionen.

Nach Aktivierung werden u. U. Daten an Dritte übermittelt. Datenschutzerklärung., öffnet in einem neuen Fenster

"Smart Industrial Concept (SIC!)" by Verena Halmschlager

Im Zuge der Teilnahme des SIC! Doktoratskollegs im Annex XVIII, bzw. der Initiative “Today in the Lab – Tomorrow in Energy” der IEA (International Energy Agency) präsentierte Verena Halmschlager ihre Dissertation.

Im Zuge der Teilnahme des SIC! Doktoratskollegs im Annex XVIII, bzw. der Initiative “Today in the Lab – Tomorrow in Energy” der IEA (International Energy Agency) präsentierte Verena Halmschlager ihre Dissertation.

Kontakt

Dr. Verena Halmschlager
Institut für Energietechnik und Thermodynamik
Technische Universität Wien
verena.halmschlager@gmail.com

Prof. René Hofmann
Institut für Energietechnik und Thermodynamik
Technische Universität Wien
+43-1-58801-302327
rene.hofmann@tuwien.ac.at

Aussender:
Dr. Florian Aigner
Technische Universität Wien
PR und Marketing
Resselgasse 3, 1040 Wien
+43-1-58801-41027
florian.aigner@tuwien.ac.at

Zur Fußzeile springen

TU Wien

  • Aktuelles
  • fuTUre fit
  • Über die TUW
  • Organisation
  • Corona
  • TUW für alle
  • Arbeiten an der TUW
  • TUW Community
  • Campus
  • Kontakt

Studium

  • News
  • Studienangebot
  • Zulassung
  • Studieren an der TUW
  • Student Support
  • Lehren an der TUW
  • International
  • Schüler_innen
  • Academy for Continuing Education
  • ÖH-Wahl 2025
  • Best Teaching Awards 2025

Forschung

  • Noctua Science Ventures
  • Profil
  • News
  • Events
  • Facilities
  • Science Days
  • Erfolge
  • Netzwerke
  • TUW Doctoral Center
  • FTI Support
  • TUW interne Fördermöglichkeiten
  • Datenbanken

Kooperationen

  • Erfindungen, Patente, Kommerzialisierung
  • Spenden und Unterstützen
  • Start-ups
  • Technology Offers
  • Wirtschaftskooperationen
  • Center for Technology and Society, öffnet eine externe URL in einem neuen Fenster
  • TU Austria, öffnet eine externe URL in einem neuen Fenster
  • EULIST

Services

  • Bibliothek
  • Campus IT-Services
  • Campus-Services
  • Eventmanagement
  • Karriere, öffnet eine externe URL in einem neuen Fenster
  • Medien
  • Meldesystem
  • Newsletter

Intern

  • Portal (TISS, SAP, TYPO3,...), öffnet eine externe URL in einem neuen Fenster

© TU Wien  # 66306

  • Impressum
  • Barrierefreiheitserklärung
  • Datenschutzerklärung (PDF)
  • Cookieeinstellungen
  • Zur 1. Menü Ebene E302-03-Forschungsbereich Industrielle Energiesysteme
  • Zurück zur letzten Ebene: E302-03-Forschungsbereich Industrielle Energiesysteme
  • Detailseite Aktuelles
  • Facebook
  • LinkedIn
  • YouTube
  • Instagram
  • Bluesky

Hinweis zu Cookies und anderen Techniken

Unsere Website verwendet Cookies und bindet Inhalte von Drittanbietern ein, um die grundlegende Funktionalität unserer Website zu gewährleisten sowie die Zugriffe auf unserer Website zu analysieren und um Funktionen für soziale Medien und zielgerichtete Werbung anbieten zu können. Hierzu ist es nötig Informationen an die jeweiligen Dienstanbieter weiterzugeben. Weitere Informationen zu Cookies und Inhalten von Drittanbietern auf der Website finden Sie in unserer Datenschutzerklärung.

Erforderlich

Diese Cookies werden für eine reibungslose Funktion unserer Website benötigt.

Name Zweck Ablauf Typ Anbieter
CookieConsent Speichert Ihre Einstellungen zur Verwendung von Cookies auf dieser Website. 1 Jahr HTML Homepage TU Wien
SimpleSAML Wird benötigt, um die Sessions der eingeloggten Benutzer_innen voneinander unterscheiden zu können. Session HTTP Login TU Wien
SimpleSAMLAuthToken Wird benötigt, um die Sessions der eingeloggten Benutzer_innen voneinander unterscheiden zu können. Session HTTP Login TU Wien
fe_typo_user Wird benötigt, damit im Falle eines Typo3-Frontend-Logins die Session-ID wiedererkannt wird um Zugang zu geschützten Bereichen zu gewähren. Session HTTP Homepage TU Wien
staticfilecache Wird benötigt, um die Auslieferungszeit der Website zu optimieren. Session HTTP Homepage TU Wien
JESSIONSID Wird benötigt, damit im Falle eines LectureTube-Logins die Session-ID wiedererkannt wird um Zugang zu geschützten Bereichen zu gewähren. Session HTTP LectureTube TU Wien
_shibsession_lecturetube Wird benötigt, um die Sessions der eingeloggten Benutzer_innen voneinander unterscheiden zu können. Session HTTP LectureTube TU Wien
Webstatistiken

Mit Hilfe dieser Cookies können wir unser Angebot laufend verbessern und unsere Website an Ihre Bedürfnisse anpassen. Dabei werden pseudonymisierte Daten über die Websitenutzung gesammelt und statistisch ausgewertet.

Name Zweck Ablauf Typ Anbieter
_pk_id Wird verwendet, um ein paar Details über den Benutzer wie die eindeutige Besucher-ID zu speichern. 13 Monate HTML Matomo TU Wien
_pk_ref Wird benutzt, um die Informationen der Herkunftswebsite des Benutzers zu speichern. 6 Monate HTML Matomo TU Wien
_pk_ses Wird benötigt, um vorübergehende Daten des Besuchs zu speichern. 30 Minuten HTML Matomo TU Wien
Marketing

Mithilfe dieser Cookies und Drittanbieterinhalte sind wir bemüht, unser Angebot für Sie zu verbessern. Mittels pseudonymisierter Daten von Websitenutzern kann der Nutzerfluss analysiert und beurteilt werden. Dies gibt uns die Möglichkeit, Werbe- und Websiteinhalte zu optimieren.

Name Zweck Ablauf Typ Anbieter
facebook Wird verwendet, um Anzeigen auszuliefern oder Retargeting zu ermöglichen 90 Tage HTTP Meta
__fb_chat_plugin Wird zum Speichern und Verfolgen von Interaktionen (Marketing/Tracking) benötigt. Persistent HTTP Meta
_js_datr Wird benötigt, um Benutzer_inneneinstellungen zu speichern. 2 Jahre HTTP Meta
_fbc Wird benötigt, um den letzten Besuch zu speichern (Marketing/Tracking). 2 Jahre HTTP Meta
fbm Wird benötigt, um Kontodaten zu speichern (Marketing/Tracking). 1 Jahr HTTP Meta
xs Wird zum Speichern einer eindeutigen Sitzungs-ID benötigt (Marketing/Tracking). 1 Jahr HTTP Meta
wd Wird benötigt, um die Bildschirmauflösung zu loggen. 1 Woche HTTP Meta
fr Wird benötigt, um Anzeigen zu schalten und deren Relevanz zu messen und zu verbessern. 3 Monate HTTP Meta
act Wird benötigt, um angemeldete Benutzer_innen zu speichern (Marketing/Tracking). 90 Tage HTTP Meta
_fbp Wird zum Speichern und Verfolgen von Besuchen auf verschiedenen Websites benötigt (Marketing/Tracking). 3 Monate HTTP Meta
datr Wird benötigt, um den Browser für Sicherheits- und Website-Integritätszwecke, einschließlich der Wiederherstellung von Konten und der Identifizierung von potenziell gefährdeten Konten zu identifizieren. 2 Jahre HTTP Meta
dpr Wird für Analysezwecke verwendet. Technische Parameter werden protokolliert (z. B. Seitenverhältnis und Abmessungen des Bildschirms), damit Facebook-Apps korrekt angezeigt werden können. 1 Woche HTTP Meta
sb Wird benötigt, um Browserdetails und Sicherheitsinformationen des Facebook-Kontos zu speichern. 2 Jahre HTTP Meta
dbln Wird benötigt, um Browserdetails und Sicherheitsinformationen des Facebook-Kontos zu speichern. 2 Jahre HTTP Meta
spin Wird für Werbezwecke und Berichterstattung über soziale Kampagnen benötigt. Session HTTP Meta
presence Enthält den "Chat"-Status eingeloggter Benutzer_innen. 1 Monat HTTP Meta
cppo Wird für statistische Zwecke benötigt. 90 Tage HTTP Meta
locale Wird benötigt, um die Spracheinstellungen zu speichern. Session HTTP Meta
pl Wird für Facebook Pixel benötigt. 2 Jahre HTTP Meta
lu Wird für Facebook Pixel benötigt. 2 Jahre HTTP Meta
c_user Wird für Facebook Pixel benötigt. 3 Monate HTTP Meta
bcookie Wird zur Speicherung von Browserdaten benötigt (Marketing/Tracking). 2 Jahre HTTP LinkedIn
li_oatml Wird verwendet, um LinkedIn-Mitglieder außerhalb von LinkedIn zu Werbe- und Analysezwecken zu identifizieren. 1 Monat HTTP LinkedIn
BizographicsOptOut Wird zum Speichern von Datenschutzeinstellungen benötigt. 10 Jahre HTTP LinkedIn
li_sugr Wird zur Speicherung von Browserdaten benötigt (Marketing/Tracking). 3 Monate HTTP LinkedIn
UserMatchHistory Wird zur Bereitstellung von Werbeeinblendungen oder Retargeting benötigt (Marketing/Tracking). 30 Tage HTTP LinkedIn
linkedin_oauth_ Wird benötigt, um seitenübergreifende Funktionen bereitzustellen. Session HTTP LinkedIn
lidc Wird benötigt, um durchgeführte Aktionen auf der Website zu speichern (Marketing/Tracking). 1 Tag HTTP LinkedIn
bscookie Wird benötigt, um durchgeführte Aktionen auf der Website zu speichern (Marketing/Tracking). 2 Jahre HTTP LinkedIn
X-LI-IDC Wird benötigt, um seitenübergreifende Funktionen bereitzustellen (Marketing/Tracking). Session HTTP LinkedIn
AnalyticsSyncHistory Speichert den Zeitpunkt, zu dem der/die Benutzer_in mit dem "lms_analytics"-Cookie synchronisiert wurde. 30 Tage HTTP LinkedIn
lms_ads Wird benötigt, um LinkedIn-Mitglieder außerhalb von LinkedIn zu identifizieren. 30 Tage HTTP LinkedIn
lms_analytics Wird benötigt, um LinkedIn-Mitglieder zu Analysezwecken zu identifizieren. 30 Tage HTTP LinkedIn
li_fat_id Wird für eine indirekte Mitgliederidentifikation benötigt, die für Conversion Tracking, Retargeting und Analysen verwendet wird. 30 Tage HTTP LinkedIn
U Wird benötigt, um den Browser zu identifizieren. 3 Monate HTTP LinkedIn
_guid Wird benötigt, um ein LinkedIn-Mitglied für Werbung über Google Ads zu identifizieren. 90 Tage HTTP LinkedIn