Refine
Document Type
- Article (1)
- Book (3)
- Part of a Book (1)
- Conference Proceeding (3)
- Contribution to a Periodical (13)
- Lecture (1)
- Report (1)
- Working Paper (2)
Language
- German (17)
- English (4)
- Multiple languages (4)
Is part of the Bibliography
- no (25)
Keywords
- ADAM (3)
- Artificial Intelligence (1)
- Autonome Elektromobilität (1)
- Autonomes Fahren (1)
- Blockchain (1)
- Business Ecosystem (1)
- Cloud-Transformation (1)
- Cultural Change (1)
- DLT (1)
- Digitale Plattformen (1)
- Digitale Transformation (1)
- Digitalisierung (3)
- Digitalization (1)
- Disruption (2)
- Disruptive Geschäftsmodelle (1)
- Distributed-Ledger-Technology (1)
- Ecosystem (1)
- Energie- und Mobilitätswende (1)
- Energiewende (1)
- Energiewirtschaft (1)
- Forschungsprojekt (1)
- Geschäftsmodell (3)
- IT-Dienstleister (1)
- IT-Komplexität (2)
- IT-Strategie (1)
- Industrie 4.0 (4)
- Industrie 4.0 Maturity Index (1)
- Information Logistics (1)
- Information Management (1)
- Informationsmanagement (2)
- Intelligente Sensorik (1)
- KI (1)
- Künstliche Intelligenz (2)
- Literaturanalyse (1)
- Marktstudie (1)
- Microservices (1)
- Mitarbeiterkompetenz (1)
- Mitarbeiterschulung (1)
- Mobilität (1)
- Mobilitätswende (1)
- People-Mover (1)
- Platforms (1)
- Plattform (2)
- Predictive Maintenance (2)
- Public transportation (1)
- SV7224 (1)
- SV7251 (1)
- SV7283 (1)
- SV7429 (1)
- Sensorik (1)
- Smart Contracts (1)
- Strategie (1)
- Stromnetz (1)
- Stromversorgung (1)
- U1031 (1)
- Unternehmenskultur (1)
- UrbanMove (1)
- Vernetzung (1)
- Vorgehensmodell (1)
- business model (1)
- business models (1)
- condition monitoring (1)
- e-Mobilität (1)
- e.Go (1)
- energy revolution (1)
- infrared sensor (1)
- machine learning (1)
- produzierende Unternehmen (1)
- switchgear (1)
- thermal monitoring (1)
Institute
- Informationsmanagement (25) (remove)
Die Umsetzung von Industrie 4.0, also der umfassenden Digitalisierung und Vernetzung der Produktion, stellt Unternehmen noch immer vor Herausforderungen. In dieser Marktstudie wurde eine bei produzierenden Unternehmen identifizierte Hürde, die IT-Komplexität und deren Management, stärker beleuchtet. Unternehmen, die sich besser aufgestellt sehen, legen in der Regel einen stärkeren Fokus auf verschiedene Aktivitäten.
The development of renewable energies and smart mobility has profoundly impacted the future of the distribution grid. An increasing bidirectional energy flow stresses the assets of the distribution grid, especially medium voltage switchgear. This calls for improved maintenance strategies to prevent critical failures. Predictive maintenance, a maintenance strategy relying on current condition data of assets, serves as a guideline. Novel sensors covering thermal, mechanical, and partial discharge aspects of switchgear, enable continuous condition monitoring of some of the most critical assets of the distribution grid. Combined with machine learning algorithms, the demands put on the distribution grid by the energy and mobility revolutions can be handled. In this paper, we review the current state-of-the-art of all aspects of condition monitoring for medium voltage switchgear. Furthermore, we present an approach to develop a predictive maintenance system based on novel sensors and machine learning. We show how the existing medium voltage grid infrastructure can adapt these new needs on an economic scale.
Die ersten Fahrzeuge sind übergeben, viele weitere sollen es demnächst werden. Besucher, die das Werk 1 der e.GO Mobile AG (kurz e.Go) auf dem ehemaligen Philips-Gelände in Aachen-Rothe Erde betreten, sehen zunächst eines: e.GO-Life-Fahrzeuge, die nur darauf warten, das Werk zu verlassen und das Straßenbild um ein weiteres Fahrzeugmodell zu ergänzen. Danach fällt der Blick auf die Montagelinie. Besuchern, die bereits Montagen anderer Automobilhersteller kennengelernt haben, fällt sofort auf, dass in dieser Fabrik etwas anders ist: Anstelle von Förderbändern und Hängebahnen bewegen sich die Fahrzeuge in der Montagelinie auf sogenannten „Fahrerlosen Transportsyste- men“ (kurz „FTS“) durch die verschiedenen Stationen.1 Vernetzt werden die FTS, wie auch andere Geräte, deren Daten erfasst werden sollen, über 5G. Im Juni 2019 stellte e.GO zusammen mit seinen Partnern Vodafone und Ericsson die erste auf Basis von 5G vernetzte Automobilproduktion in Deutschland vor.2 Mitarbeiter des FIR an der RWTH Aachen waren dabei intensiv an den Vorbereitungen, Planungen und der Umsetzung beteiligt. Durch 5G sollen eine komplette Vernetzung und die Industrie-4.0- Referenzfabrik entlang des Internet of Pro- duction (im Folgenden „IoP“ genannt, s. Bild 1, S. 15) realisiert werden. Damit soll es möglich sein, ein Produkt wie den e.GO Life in einem Hochlohn- land wie Deutschland zu fertigen und zu einem konkurrenzlosen Preis in dieser Fahrzeugklasse anbieten zu können. Als Partner der ersten Stunde war und ist das FIR in den vielfältigsten Aufgaben- bereichen bei e.GO involviert. Als Experten für Digitalisierung und Industrie 4.0 haben die Mitarbeiter des FIR entlang der drei Zyklen des IoP und an dem Infrastrukturaufbau sowie an der Umsetzung der Industrie-4.0-Referenzfabrik maßgeblich mitgewirkt.
Kern des Forschungsprojekts UrbanMove ist die Hypothese, dass sich in naher Zukunft Großstädte für eine emissionsärmere Zukunft mit innovativen Mobilitätsdienstleistungen neu aufstellen müssen. Bisherige Ansätze reichen nicht aus, um den Ansprüchen an Emissionsreduktion und Mobilitätserfordernissen gleichzeitig und zu vertretbaren Kosten zu entsprechen. Die Erreichung dieser Kombination ist eine bislang ungelöste Herausforderung und damit gegenwärtig ein
Missstand, dem mit neuen Ansätzen begegnet werden muss. Ziel dieses Projekts ist folgerichtig die Konzeptionierung und Pilotierung einer neuartigen, intelligenten innerstädtischen Mobilitätslösung. Ein Zusammenschluss aus innovativen KMU der strukturschwachen Städteregion Aachen soll dies umsetzen. Das angestrebte Entwicklungsergebnis ist eine integrative kundenzentrierte Dienstleistungsplattform für autonom fahrende Elektro-Shuttle, sogenannte „Peoplemover“. Die Durchführung des Projekts geschieht gemeinsam mit den lokalen KMU e.GO, fleetbutler und Dialego sowie in Zusammenarbeit mit der Stadt Aachen. Das diesem Bericht zugrundeliegende Vorhaben wird mit Mitteln des Bundesministeriums für Wirtschaft und Energie unter dem Förderkennzeichen 01ME17003C gefördert.
For most industries, Artificial Intelligence (AI) holds substantial potentials. In the last decades, the extent of data created worldwide is exponentially increasing, and this trend is likely to continue. However, despite the prospects, many companies are not yet using AI at all or not generating added value. Often, an AI project does not exceed its pilot phase and is not scaled up. The problems to create value from AI applications in companies are manifold, especially since AI itself is diverse and there is no ‘one size fits all’ approach. One often stated obstacle, why many AI projects fail, is a missing AI strategy. This leads to isolated solutions, which do not consider synergies, scalability and seldom result in added value for the company. To create a company-specific AI strategy with a top-down approach, a generic but holistic framework is needed. This paper proposes a strategic AI procedure model that enables companies to define a specific AI strategy for successfully implementing AI solutions. In addition, we demonstrate in this paper how we apply the introduced strategic AI procedure model on an AI-based flexible monitoring and regulation system for power distribution grid operators in the context of an ongoing research project.
Kern des Forschungsprojekts 'UrbanMove' ist die Hypothese, dass sich in naher Zukunft Großstädte für eine emissionsärmere Zukunft mit innovativen Mobilitätsdienstleistungen neu aufstellen müssen. Bisherige Ansätze reichen nicht aus, um den allgemeinen Ansprüchen an Emissionsfreiheit und den Kundenansprüchen an Mobilität zu vertretbaren Kosten zu entsprechen. Die Erreichung dieser Kombination ist eine bislang ungelöste Herausforderung und damit gegenwärtig ein Missstand, dem mit neuen Ansätzen begegnet werden muss. Ziel dieses Forschungsprojekts ist daher die Konzeptionierung und Pilotierung einer neuartigen, intelligenten, innerstädtischen Mobilitätslösung auf Basis einer integrativen kundenzentrierten Dienstleistungsplattform für autonom fahrende Elektro-Shuttle – sogenannte „PeopleMover“. Mit einer Kollaboration des FIR mit den innovativen KMU e.GO, MOQO und Dialego sowie der Stadt Aachen soll dies umgesetzt werden. Das diesem Bericht zugrundeliegende Vorhaben wird mit Mitteln des Bundesministeriums für Wirtschaft und Energie unter dem Förderkennzeichen 01ME17003C gefördert.
Erneuerbare Energien und Elektromobilität haben schon heute einen erheblichen Einfluss auf die Stabilität des Stromverteilnetzes in Deutschland. Mit dem kontinuierlichen Ausbau der erneuerbaren Energien und der steigenden Anzahl batteriebetriebener Elektrofahrzeuge wird sich dieser Trend noch verstärken. Dies führt zu einer höheren Beanspruchung der Komponenten, insbesondere im Verteilnetz.
Um die Netzstabilität zu gewährleisten, müssen Verteilnetzbetreiber in der Lage sein, den Zustand der Komponenten zu überwachen und drohende Störungen durch Prognosen schon im Vorfeld zu beheben. Ein im Rahmen des Projekts ‚FLEMING‘ entwickeltes Informationslogistik-Konzept legt den Grundstein für die Realisierung von Predictive Maintenance für diese Komponenten, das sich zusätzlich gut in die bestehenden Systeme der Verteilnetzbetreiber integrieren lässt.
Cloud-Computing bietet für Unternehmen große Potenziale hinsichtlich Arbeitseffizienz, Flexibilität und der Realisierung neuer Produkte und Geschäftsmodelle gegenüber einer klassischen On-Premises-IT Infrastruktur. Verschiedene technische und nicht-technische Herausforderungen hindern Unternehmen heute noch oft an den notwendigen Schritten zur Cloud-Transformation.
Das FIR an der RWTH Aachen unterstützt bei der systematischen und unternehmensgerechten Realisierung der Cloud-Potenziale mit einem dreiphasigen Konzept, angefangen bei der Zieldefinition, bis hin zur Implementierung. In den einzelnen Phasen wird eine Vielzahl bewährter Einzelmethoden in einer Gesamtmethodik zusammengeführt und so ein anwendungsfallspezifisches, auf die individuelle Unternehmenssituation zugeschnittenes Vorgehen verfolgt.