Abstract

Abstract

Ein zentrales Element der Energiewende in Deutschland liegt in grünem Wasserstoff. Wasser-Elektrolyseure wandeln durch die Erzeugung von Wasserstoff elektrische Energie in chemische Energie um. Die aktuelle Produktion von Elektrolyseuren erfolgt meist manufakturähnlich. Im H2Giga-Projekt HyPLANT100 werden die Standardisierung der Montageprozesse sowie die Automatisierbarkeit der Anlagenmontage betrachtet. Durch eine digitale Planung und Vorbereitung einer Montage mit automatisierten, manuellen und kollaborativen Elementen, lässt sich die Herstellung von Wasser-Elektrolyseuren wirtschaftlich skalieren. In diesem Beitrag wird ein Referenzprozess aus der Elektrolyseur-Montage ausgewählt und für die vollständige Abbildung einer Datenstruktur analysiert. Die ermittelte Datenstruktur kann als Basis für einen digitalen Zwilling verwendet werden.

Keywords

Schlüsselwörter

Digitale Anlagenplanung, Produkt-Prozess-Ressourcen-Modell, Digitaler Produktzwilling, AutomationML

References

Referenzen

[1] Smolinka, T. et al.: Studie IndWEDe Industrialisierung der Wasserelektrolyse in Deutschland. Chancen und ­Herausforderungen für nachhaltigen Wasserstoff für Verkehr, Strom und Wärme, 2018. Verfügbar unter: https://www.now-gmbh.de/wp-content/uploads/2020/09/indwede-studie_v04.1.pdf, Abrufdatum 02.05.2022.

[2] Schmidt, N. et al.: AutomationML for user requirements fulfilment related to engineering process efficiency. In: IECON 2014 – 40^th Annual Conference of the IEEE Industrial Electronics Society, 2014.

[3] Ruschuck, M.: Darstellung von Aufgaben der Prozessleittechnik – Fließbilder und Datenaustausch zwischen EDV-Werkzeugen zur Fließbilderstellung und CAE-Systemen, 2017. Verfügbar unter: https://www.dke.de/de/arbeitsfelder/industry/news/aufgaben-prozessleittechnik-caex, Abrufdatum 24.03.2022.

[4] Grieves, M.: Digital Twin: Manufacturing Excellence through Virtual Factory Replication, 2015. Verfügbar unter: https://www.researchgate.net/publication/275211047_Digital_Twin_Manufacturing_Excellence_through_Virtual_Factory_Replication, Abrufdatum 29.03.2022.

[5] Jones, D. et al.: Characterising the Digital Twin: A systematic literature review, In: CIRP Journal of Manufacturing Science and Technology (29), S. 36–52, 2020. DOI: 10.1016/j.cirpj.2020.02.002

[6] Qi, Q.; Tao, F.: Digital Twin and Big Data Towards Smart Manufacturing and Industry 4.0: 360 Degree Comparison, In: IEEE Access (6), S. 3585–3593, 2018. DOI: 10.1109/ACCESS.2018.2793265

[7] Kuhlenkötter, B. et al.: Robot Workcell Simulation with AutomationML Support. An Element of the CAx-Tool Chain in Industrial Automation. In: 2010 ISR and ROBOTIK

[8] Schroeder, G. N. et al.: A Methodology for Digital Twin Modeling and Deployment for Industry 4.0, In: Proceedings of the IEEE (109), S. 556–567, 2021. DOI: 10.1109/JPROC.2020.3032444

[9] Schyja, A.; Bartelt, M.; Kuhlenkötter, B.: From Conception Phase up to Virtual Verification Using AutomationML, In: Procedia CIRP (23), S. 171–177, 2014. DOI: 10.1016/j.procir.2014.10.067

[10] Zhang, H.; Yan, Q.; Wen, Z.: Information modeling for cyber-physical production system based on digital twin and AutomationML, In: The International Journal of Advanced Manufacturing Technology (107), S. 1927–1945, 2020. DOI: 10.1007/s00170-020-05056-9

[11] Fechter, M.; Seeber, C.; Chen, S.: Integrated Process Planning and Resource Allocation for Collaborative Robot Workplace Design, In: Procedia CIRP (72), S. 39–44, 2018. DOI: 10.1016/j.procir.2018.03.179

[12] Cutting-Decelle, A. F. et al.: ISO 15531 MANDATE: A Product-process-resource based Approach for Managing Modularity in Production Management, In: Concurrent Engineering, S. 217–235, 2007.

[13] Pfrommer, J.; Schleipen, M.; Beyerer, J.: PPRS: Production skills and their relation to product, process, and resource. In: 2013 IEEE 18^th Conference on Emerging Technologies & Factory Automation (ETFA), 2013.

[14] Drath, R.: AutomationML. The industrial cookbook. Boston, 2021.