Tobias Lademann M.Sc.

Linkedin
Linkedin | PTW

Forschungsgruppe ETA | Energietechnologien und Anwendungen in der Produktion

Forschungsschwerpunkt Klimaneutrale Produktionsinfrastruktur

• Simulation vernetzter Energiesysteme
• Deep Reinforcement Learning zur Betriebsoptimierung industrieller Versorgungssysteme
• Analyse und Befähigung industrieller Versorgungssysteme zum energieeffizienten und energieflexiblen Betrieb

EISKIG | Energy Intelligence System für smarte Kältesysteme in Industriegebäuden

Seit dem Wintersemester 2023/2024 betreut Herr Lademann das Tutorium Simulation von Versorgungssystemen in der Prouktion .

Dieses gibt eine Einführung in die dynamische Simulation und mögliche Einsatzbereiche im industriellen Kontext mit Energiebezug. Dafür wird eine Übersicht geeigneter Simulationsumgebungen und Modellierungsansätze sowie relevanter Grundlagen zu industriellen Versorgungssystemen geboten. Der Fokus liegt auf der Sprache Modelica und der Simulationsumgebung Dymola von Dassault Systèmes. Hierbei können die Studierenden die Entwicklung von objektorientieren Modell-/Simulationsbibliotheken und weiterführende Techniken der Simulation (FMI-Modellexport, Co-Simulation, Kopplung mit mathematischer Optimierung) kennen lernen. Schließlich werden die Simulationswerkzeuge auf konkrete Fallbeispiele aus der Produktion angewendet.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

sowie den Themenbereich „Operational Control“ in der Vorlesung Machine Learning Anwendungen von Prof. Weigold im Masterstudium.

Diese findet in Zusammenarbeit mit Prof. Metternich, Prof. Klingauf (FSR) und Prof. Kersting (Department of Computer Science) statt. Die Vorlesung verbindet ingenieurswissenschaftliche Fragestellungen mit modernen Methoden des Maschinellen Lernens im Kontext der Künstlichen Intelligenz. Dabei werden, ausgehend von der mathematischen Theorie der Verfahren, anhand von einschlägigen Praxisbeispielen aus der fertigenden Industrie die Methoden erläutert und kritisch aus der Perspektive der Ingenieurswissenschaft hinterfragt. Beispielhaft sind der Einsatz des Maschinellen Lernens für Betriebsoptimierung, Instandhaltung, im Energiemanagement oder in der Qualitätssicherung zu nennen. Im Rahmen eines Praxisprojekts können die Studierenden ihr neu erlerntes Wissen direkt an realen Daten aus der Industrie erproben.