Die Vorlesung gibt eine Einführung in dasKonzept Logistische Systeme mit einem besonderen Schwerpunkt zum Thema Industrie4.0. Hierbei wird der Systemgedanke in der Logistik von einem technischenStandpunkt eingeführt. Ein logistisches System wird in dieser Veranstaltung alseine Kombination von Transport-, Lager- und Veränderungsprozessen zwischenQuellen und Senken von Gütern verstanden. Bei Betrachtung dieser Prozesse stehtder technische Aspekt im Vordergrund.
Das ThemaIndustrie 4.0 wird vorgestellt und diskutiert. Unter Industrie 4.0 wird eineweitgehende Digitalisierung und Vernetzung logistischer Systeme und eine damiteinhergehende Verknüpfung von Logistikobjekten, -prozessen und -systemen verstanden.Die Logistik verspricht sich durch Industrie 4.0 eine tiefgreifende Veränderungbisher nicht realisierter Verbesserungspotentiale. Die Vorlesung bietet eine vertiefte Einführung inAnwendungs- und Geschäftsmodelle von Industrie 4.0 in der Logistik,insbesondere von einem technischen Standpunkt aus. Dabei wird ein möglicherBezugsrahmen für Industrie 4.0 abgeleitet und die verschiedenen technologischenHandlungsfelder dargestellt. Für die Handlungsfelder werden Anwendungsbeispielevorgestellt.
In Übungen lernen die Studierenden exemplarisch den Einsatzverschiedener technischer Lösungen kennen und wie diese zur Verbesserung vonlogistischen Systemen eingesetzt werden können.
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.