@phdthesis{Schoenle2019, type = {Master Thesis}, author = {Daniel Sch{\"o}nle}, title = {Digital twin as a service : Ressourcenmanagement mit Energiedaten aus cyber-physischen Systemen}, url = {https://nbn-resolving.org/urn:nbn:de:bsz:fn1-opus4-60948}, pages = {145}, year = {2019}, abstract = {Die Energiewende f{\"u}hrt zu einer Paradigmen{\"a}nderung. Der Zeitpunkt der Energieabnahme wird sich zunehmend an dem der Energieerzeugung orientierten. Die Steuerung des Energiebedarfs kann durch energieorientierte Produktionsplanung gesteigert werden. Dies erfordert eine Vorhersage des Energiebedarfs. Hierf{\"u}r wird ein System entwickelt, das eine Modellierung mittels maschinellen Lernens nutzt. Die Datenbasis wird durch eine Vorgehensweise zur Abstrahierung von Fertigungsmaschinen erzeugt. Das System besteht aus gruppierten Microservices, es ber{\"u}cksichtigt die unterschiedlichen Anforderungen der Modelle an die Infrastruktur. Die Modelle sind in digitalen Zwillingen integriert, die als Dienst genutzt werden. Hierdurch ist eine effiziente Adaption von ˜{\"A}derungen an Fertigungsmaschine oder Modell-Methodik m{\"o}glich. Eine exemplarische Anwendung der Abstraktionsmethode und der Modellierung mittels neuronalen Netzes demonstrieren die Umsetzbarkeit.}, language = {de} }