Refine
Year of publication
Document Type
- Article (9)
- Book (4)
- Part of a Book (25)
- Conference Proceeding (86)
- Contribution to a Periodical (17)
- doctorallecture (1)
- Doctoral Thesis (1)
- Lecture (4)
- Internet Paper (4)
- Preprint (1)
- Report (2)
- Working Paper (7)
Language
- German (64)
- English (95)
- Multiple languages (2)
Is part of the Bibliography
- no (161)
Keywords
- 02 (19)
- 03 (3)
- 3GPP (1)
- 5G (5)
- 5G mobile communication (2)
- 5G use case (1)
- 5G-Mobilfunk (1)
- 5G-Technology (1)
- AI (2)
- Aachener PPS-Modell (1)
Institute
- FIR e. V. an der RWTH Aachen (161) (remove)
Changing customer demands lead to increasing product varieties and decreasing delivery times, which in turn pose great challenges for production companies. Combined with high market volatility, they lead to increasingly complex and diverse production processes. Thus, the susceptibility to disruptions in manufacturing rises, turning the task of Production Planning and Control (PPC) into a complex, dynamic and multidimensional problem. Addressing PPC challenges such as disruption management in an efficient and timely manner requires a high level of manual human intervention. In times of digitization and Industry 4.0, companies strive to find ways to guide their workers in this process of disruption management or automate it to eliminate human intervention altogether. This paper presents one possible application of Machine Learning (ML) in disruption management on a real-life use case in mixed model continuous production, specifically in the final assembly. The aim is to ensure high-quality online decision support for PPC tasks. This paper will therefore discuss the use of ML to anticipate production disruptions, solutions to efficiently highlight and convey the relevant information, as well as the generation of possible reaction strategies. Additionally, the necessary preparatory work and fundamentals are covered in the discussion, providing guidelines for production companies towards consistent and efficient disruption management.
Machine Learning
(2019)
Die Vernetzung von Mitarbeiter*innen und Maschinen sowie die zunehmende Automatisierung, auch von Wissensarbeit, wird die Rolle der Beschäftigten im industriellen Wertschöpfungsprozess fundamental verändern. Aus diesem Grund ist arbeitsbezogene Kompetenzentwicklung aus wirtschaftlicher, gesellschaftlicher sowie sozialer Perspektive ein zentraler Schlüsselaspekt für die mittelfristige Sicherung der Wettbewerbsfähigkeit. Personalabteilungen haben bislang jedoch meist nur bedingt Kenntnisse über die bevorstehenden Veränderungen und die sich daraus ergebenden Kompetenzanforderungen an die Mitarbeiter*innen. Ziel des Forschungsvorhabens LidA war es, die sich aufgrund der fortschreitenden Digitalisierung verändernden Kompetenzanforderungen entlang definierter Industrie-4.0-Reifegradmodelle zu spezifizieren. Hierzu wurden Beschäftigte befähigt, indem zum einen ihre Selbstlernkompetenz gefördert wurde und zum anderen individuelle Lernpfade abgeleitet worden sind. Anschließend wurden diese mit passender Didaktik in Lehr- und Lernmodule überführt und auf einer bewährten Open-Source-Plattform für eine breite Nutzergruppe verfügbar gemacht. Diese soll einem breiten Nutzerkreis, speziell KMU, eine bedarfsgerechte Schulung der Mitarbeiter*innen im Zeitalter des digitalen Wandels gewährleisten.
Das Gegenteil von Theorie ist die Praxis. So sagt man landläufig und unterstellt damit oft, dass wissenschaftiche Erkenntnisse nicht immer für den Alltag taugen. Dass Theorie aber nicht gleich Theorie ist und Wissenschaft und Praxis trotz aller Unterschiedlichkeit aufeinander angewiesen sind, darauf weist das
FIR an der RWTH Aachen schon mit der Auflösung seines Akronyms hin: „Forschung. Innovation. Realisierung."
Prinzipien zur erfolgreichen Umsetzung von KI-Geschäftsmodellinnovationen
In Zeiten des zunehmenden globalen Wettbewerbs und hoch vernetzter Wertschöpfungsketten entwickelt sich Künstliche Intelligenz zu einem immer wichtiger werdenden Wettbewerbsfaktor für Unternehmen am Wirtschaftsstandort Deutschland. Durch den Einsatz von KI-Verfahren können nicht nur interne Geschäftsprozesse kostensenkend optimiert, sondern auch neue, digitale Geschäftsfelder und -modelle erschlossen werden. Es lassen sich zum einen Trends identifizieren, denen der Einsatz von KI in deutschen Unternehmen folgt. Zum anderen zeigt sich, dass sich KI unterschiedlich stark auf verschiedene Dimensionen innovativer Geschäftsmodelle auswirkt. Insgesamt lassen sich so Prinzipien ableiten, die die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen beschreiben.
Neue Technologie- und Anwendungstrends kennzeichnen KI-Nutzung
Die tatsächliche KI-Landschaft in den Wertschöpfungsketten von KI-nutzenden Unternehmen ist durch Trends gekennzeichnet. Diese lassen sich in Technologie- und Anwendungstrends unterteilen. Experteninterviews zeigen beispielsweise, dass KI-Anwendungen bevorzugt auf Cloud-Infrastrukturen entwickelt und bereitgestellt werden. Das wiederum rückt die Frage nach der Wahrung der Datensouveränität in den Vordergrund. Anwendung findet KI tendenziell zur Prognose und Überwachung.
Sechs Prinzipien beeinflussen die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen
Fallstudien über ein breites Spektrum der deutschen Wirtschaft beleuchten, welche Aspekte eines KI-basierten Geschäftsmodells den größten Effekt auf das Unternehmen haben. Hier lässt sich ein besonders hoher Einfluss von KI auf das Nutzenversprechen neuartiger, digitaler Leistungen der Unternehmen an die Kundinnen und Kunden feststellen. So lassen sich sechs Erfolgsprinzipien zur erfolgreichen Implementierung von KI-Technologien identifizieren, um die wirtschaftliche Nutzung von KI für Unternehmen in Deutschland im globalen Wettbewerb weiter zu steigern. So empfiehlt es sich zum Beispiel – neben der Auswahl des richtigen KI-Anwendungsfalles – ebenfalls darauf zu achten, dass die KI-Anwendung sowohl den Anbietenden wie auch den Anwendenden nützt. Diese und weitere Erfolgsprinzipien werden detailliert in der Studie Künstliche Intelligenz – Geschäftsmodellinnovationen und Entwicklungstrends beschrieben.
Aufgrund kürzer werdender Produktzyklen und steigender Produktvielfalt werden produzierende Unternehmen mit einer zunehmenden Anzahl von Produktanläufen konfrontiert. Ziel aktueller Forschungsaktivitäten ist es daher, anlaufintensive Unternehmen zu befähigen, verlässliche Produktionsprogramme in kurzer Zeit zu erstellen. Lerneffekte sollen genutzt werden können ohne Diversifikationseffekte zu vernachlässigen. Zur Erreichung dieser Zielsetzung wird ein Modell für eine kybernetische PPP bei Produktanläufen entwickelt.
Klar Schiff
(2009)
Im Rahmen dieser Studie untersuchten das Forschungsinstitut für Rationalisierung e. V. an der RWTH Aachen und die Universität St. Gallen
(Lehrstuhl Produktionsmanagement) 24 Veröffentlichungen von 11 Beratungsunternehmen. Dabei wurden über 200 Aussagen zur Bewältigung der Krise bewertungsneutral identifiziert und analysiert.
Manufacturing companies (MFRs) are increasingly extending their
portfolios with services and data-driven services (DDS) to differentiate themselves from competitors, tap new revenue potential, and gain competitive advantages through digitization and the subsequently generated data. Nonetheless, DDS fail more often than traditional industrial services and products within the first year on the market. Particularly, companies are failing to sell DDS successfully and efficiently with their existing (multi-level) distribution structures. Surprisingly, there is a lack of scientific research addressing this issue. Since there are currently no holistic models for an end-to-end description of distribution-tasks for DDS in the manufacturing industry, this paper contributes to a task-oriented reference model for mapping interactions in the multi-level distribution management. Therefore, a case study research approach is used, to identify and describe the interactions in the multi-level distribution management of DDS, as well as to develop a regulatory framework for MFRs and their multi-level distribution management. This research uses the established theoretical framework of Service-Dominant-Logic to address the co-creation in multi-level distribution management of DDS. As a result, this paper identifies different interaction variants as well as the need for a new management function with 4 main and 14 basic tasks.
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.
Industrie 4.0 ist in Politik, Medien, Wissenschaft und Wirtschaft derzeit omnipräsent. Intelligenter, individueller, effizienter, schneller, vernetzter – so lauten nur einige Versprechen dieses neuen industriellen Zeitalters. Tatsächlich sind die Potenziale gerade für den deutschen Maschinen- und Anlagenbau gewaltig: Sowohl für Anbieter als auch für Anwender von Technologien rund um das Thema Industrie 4.0. Aber noch existieren viele ungelöste Fragen, Unsicherheiten und Aufgaben. Hier wollen wir mit unserer Readiness-Studie ansetzen und Hilfestellung leisten. Denn ein Selbstläufer wird Industrie 4.0 nicht. Mit der vorliegenden Studie soll die große Vision näher an die betriebliche Realität gebracht werden. Auch zeigen wir die anspruchsvollen Wegmarken auf, die für viele Unternehmen hinsichtlich ihrer Industrie 4.0-Fähigkeit noch zu passieren sind. Die Studie untersucht, an welcher Stelle der Maschinen- und Anlagenbau aktuell bei der Umsetzung steht. Motivation und Hemmnisse der Unternehmen werden ebenso in den Blick genommen wie die Unterschiede, die sich zwischen Mittelstand und großen Unternehmen ergeben. Im Ergebnis ist es erstmals möglich, die „Industrie 4.0-Readiness“ der Maschinenbau-Industrie detailliert und systematisch abzubilden.