No abstract

No abstract

Zusammenfassung In der Wärmeübertragung werden neben Wasser auch Wasser-Glykol-Gemische verwendet. Die Verwendung von Wasser-Glykol-Gemischen führt gegenüber Wasser zu veränderten Wärmeübertragungsbedingungen. Dies führt zu veränderten Bedingungen bei der Temperaturmessung und somit beispielsweise auch bei der Bestimmung der verbrauchten Wärmemenge. Dieser Beitrag untersucht den Einfluss der durch die Verwendung von Wasser-Glykol-Gemischen geänderten Wärmeübertragungsbedingungen. Dazu werden das statische und das dynamische Verhalten in der Temperaturmessung näher untersucht und es wird insbesondere ein erhöhter Einfluss auf das Ansprechverhalten eines Thermometers sichtbar. Zudem wird ein kalorimetrisches Verfahren, zur Bestimmung des Wärmeübergangs in Abhängigkeit des verwendeten Mediums, untersucht. Dies ermöglicht die Bestimmung der Temperaturverteilung eines Bads und die Simulation von Wasser-Glykol-Gemischen in Wasser durch Anpassung der Strömungsgeschwindigkeit.

Zusammenfassung Zur Bestimmung des dynamischen Verhaltens von Berührungsthermometern existieren standardisierte Messvorrichtungen. Die auf diese Weise ermittelten Thermometerkennwerte ermöglichen den Vergleich unterschiedlicher Thermometer. Mit dem Ansprechverhalten unter realen Einbaubedingungen haben die so ermittelten Kennwerte jedoch oft wenig zu tun. Im vorliegenden Beitrag wird das dynamische Verhalten unterschiedlicher Berührungsthermometer in unterschiedlichen Einbausituationen miteinander verglichen. Dabei kommen ein Temperatursprung an der Thermometer-Außenseite, sowie ein sogenannter Loop-Current-Step-Response-Test (LCSR-Test) zum Einsatz. Der LCSR-Test kann hier gerade unter Einbaubedingungen eine Aussage über das Ansprechverhalten eines Thermometers liefern.

Intelligent manufacturing applications and agent-based implementations are scientifically investigated due to the enormous potential of industrial process optimization. The most widespread data-driven approach is the use of experimental history under test conditions for training, followed by execution of the trained model. Since factors, such as tool wear, affect the process, the experimental history has to be compiled extensively. In addition, individual machine noise implies that the models are not easily transferable to other (theoretically identical) machines. In contrast, a continual learning system should have the capacity to adapt (slightly) to a changing environment, e.g., another machine under different working conditions. Since this adaptation can potentially have a negative impact on process quality, especially in industry, safe optimization methods are required. In this article, we present a significant step towards self-optimizing machines in industry, by introducing a novel method for efficient safe contextual optimization and continuously trading-off between exploration and exploitation. Furthermore, an appropriate data discard strategy and local approximation techniques enable continual optimization. The approach is implemented as generic software module for an industrial edge control device. We apply this module to a steel straightening machine as an example, enabling it to adapt safely to changing environments.