Nachbericht: GREEN Factory Hackathon 2021

Im GREEN Factory Hackathon 2021, das die Alumni gemeinsam mit dem Cetrum für Entrepreneurship und Transfer (CET) der TU Dortmund veranstaltete, traten sechs Teams gegeneinander an, um den Energieverbrauch und CO2-Ausstoß in Werken der Industrie zu minimieren. Hierzu entwickelte jedes Team verschiedene Algorithmen des Machine Learnings zur Anomalieerkennung auf Energie- und Wetterdaten. Ausgezeichnet wurde mit dem Preisen der Alumni die Genauigkeit der Algorithmen und mit den Sparkassenpreisen die Präsentation der Ergebnisse.
Gewinner der Alumni-Preise waren

1. Jordi Walder (400 €)
2. Dominic Brown, Arne Almstedt und Jannis Fritz (200 €)

Die Sparkassenpreise sahen die beiden Teams in umgekehrter Reihenfolge. Allen Teams wurde die nachträgliche Möglichkeit gewährt, ihre Lösungen in der Praxis zu pilotieren.

Vielen Dank an unsere Unternehmensmitglieder Materna, Vanderlande, GEBIT und msg für die Unterstützung bei der Veranstaltung!

Nachfolgend wollen wir die Lösungsansätze der beiden Teams kurz in ihren eigenen Worten vorstellen:

Team Jordi Walder

Bei der Lösung war es, so denke ich, ganz wichtig ein Verständnis für die Situation und das Problem zu entwickeln. Ich hab mich den größten Teil der Zeit mit der Definition eines Outliers und der Verallgemeinerung dieser Definition für den vorliegenden Datensatz bzw. das vorliegende Problem beschäftigt.

So, dass ich mit Hilfe dieser Infos erste Annahmen für die Implementierung treffen konnte. Als Algorithmus für die Outlier Detection habe ich mich letztendlich für einen Isolation Forest entschieden, welcher aus meiner Sicht prädestiniert für eine Anomalie-Erkennung ist. Ich bin gespannt inwiefern dieser Ansatz für eine Implementierung in der Industrie geeignet wäre.

Team Dominic Brown, Arne Almstedt und Jannis Fritz

Bei dem Hackathon sollte eine Lösung entwickelt werden, um Anomalien in den Energiedaten einer Fabrik zu identifizieren. Die entwickelte Lösung zur Anomalieerkennung soll als Startpunkt zur Ursachensuche dienen, um die Energiekosten der Fabrik zu reduzieren und letztendlich auch die damit verbundenen Emissionen.

Die Mitglieder des Teams haben dabei auf einen Ansatz des Maschinellen Lernens gesetzt. Die Lösung basiert auf der Modellierung des witterungsabhängigen Energieverbrauchs mithilfe Neuronaler Netze. Dieses Modell nutzen Sie, um den zu erwartenden Energieverbrauch auf Grundlage der aktuellen und vergangenen Wetterdaten (Außentemperatur und Luftfeuchtigkeit), sowie des vorangegangenen Energieverbrauchs zu prognostizieren.

Durch einen Vergleich des tatsächlichen (blaue Linie) und des prognostizierten Energieverbrauchs (orange Linie) lassen sich Anomalien im Energieverbrauch (rot markiert) sehr deutlich erkennen.