ZDIN-Zahlen im Detail

Die Mehrzwecknutzung von Batteriespeichersystemen (BESS) erhöht die Ausnutzung ihres Flexibilitätspotenzials. Dies kann noch verbessert werden, wenn zahlreiche kleine BESS zu einem Schwarm zusammengefasst und von einem Aggregator gemeinsam vermarktet werden. Zu diesem Zweck wird eine einheitliche Darstellung der verbleibenden Flexibilität für jedes BESS benötigt, die sowohl die Anforderungen einer Mehrzwecknutzung als auch eines verteilten Schwarmdesigns erfüllt. In dieser Arbeit stellen wir ein kompaktes Modell namens Amplify (für abstrakte Mehrzweck-begrenzte Flexibilität) vor. Es kann von BESSs verwendet werden, um festzustellen, wie viel Flexibilität nach der Erfüllung einer primären Anwendung und der Annahme zusätzlicher Verpflichtungen verbleibt. Es beinhaltet eine integrierte Erkennung von Konflikten im geplanten Zeitplan eines BESS. Die Gültigkeit des vorgestellten Flexibilitätsmodells wird auf der Grundlage einer gründlichen Evaluierung diskutiert. Es wurde gezeigt, dass das Modell schnell berechenbar ist und bei der Übermittlung an den Aggregator nicht viel Datenvolumen benötigt. Amplify wird bereits im realen Betrieb bei einem Industriepartner eingesetzt.

This paper investigates the state of the data exchange in supply chains. It describes the concerns that prevent supply chain members from sharing their data and shows the incentives that intercompany data exchange yields. After describing the benefits of cross-company data exchange, the paper discusses a suggested architecture for information exchange in supply chains, without sharing the data themselves. Finally, the paper describes how such an architecture should be secured according to the state of security in manufacturing systems.

Die effiziente Interaktion verschiedener Entwicklungsdisziplinen und die Vermeidung von Modellinkonsistenzen stellen zentrale Herausforderungen innerhalb heutiger Systementwicklungen dar. Um bei dieser Herausforderung zu unterstützen, erläutert dieser Beitrag die Anwendung heterogener Modelle im Model-based Systems Engineering. Hierzu wird ein technisches Konzept zur Erzeugung digitaler, heterogener Modelle vorgestellt. Kernelement dieses Beitrags ist die Einführung eines beabsichtigten Bewertungsvorgehens, um den Nutzen heterogener Modelle initial zu evaluieren.

This research paper examines the topic of secure data exchange in a supply chain within the manufacturing sector. The objective is the development of a data platform that optimizes operational efficiency and promotes cross-company collaboration. To achieve this, helpful tools are utilized and suitable standards are followed to create a secure system. Security measures are determined by conducting a risk analysis to identify, evaluate, and compensate for potential threats. Furthermore, the utilization of non-transparent federated learning models in combination with a method of security design of components contributes to the information sovereignty of data owners. In conclusion, secure data sharing practices play a pivotal role in supporting collaboration and operational effectiveness in the manufacturing industry.

Active Learning (AL) befasst sich mit der Ermittlung der informativsten Stichproben für die Beschriftung, um die Kosten für die Datenannotation bei überwachten Lernaufgaben zu senken. Die AL-Forschung leidet unter der Tatsache, dass Aufzüge aus der Literatur schlecht verallgemeinert werden können und dass nur eine kleine Anzahl von Wiederholungen von Experimenten durchgeführt wird. Um diese Hindernisse zu überwinden, schlagen wir CDALBench vor, den ersten Benchmark für aktives Lernen, der Aufgaben aus den Bereichen Computer Vision, Verarbeitung natürlicher Sprache und tabellarisches Lernen umfasst. Durch die Bereitstellung eines effizienten, gierigen Orakels kann CDALBench mit 50 Durchläufen für jedes Experiment ausgewertet werden. Wir zeigen, dass sowohl der domänenübergreifende Charakter als auch eine große Anzahl von Wiederholungen für eine anspruchsvolle Bewertung der AL-Forschung entscheidend sind. Konkret zeigen wir, dass die Überlegenheit bestimmter Methoden in den verschiedenen Domänen variiert, was es wichtig macht, Active Learning mit einem domänenübergreifenden Benchmark zu evaluieren. Außerdem zeigen wir, dass eine große Anzahl von Durchläufen entscheidend ist. Wenn nur drei Durchläufe durchgeführt werden, wie es in der Literatur häufig der Fall ist, kann die Überlegenheit bestimmter Methoden stark von den einzelnen Durchläufen abhängen. Dieser Effekt ist so stark, dass, abhängig vom Seed, sogar die Leistung einer gut etablierten Methode für denselben Datensatz signifikant besser und signifikant schlechter als zufällig sein kann.