Refine
Document Type
- Book (2)
- Part of a Book (2)
- Conference Proceeding (18)
- Contribution to a Periodical (8)
- Lecture (1)
- Internet Paper (3)
- Report (3)
- Working Paper (2)
Language
- German (17)
- English (18)
- Multiple languages (4)
Is part of the Bibliography
- no (39) (remove)
Keywords
- 01 (1)
- 02 (8)
- 03 (1)
- 04 (1)
- 5G (4)
- 5G use case (1)
- 5G-Technology (1)
- ADAM (2)
- AI (2)
- Agriculture (1)
Institute
- Informationsmanagement (39) (remove)
Eine Herausforderung für produzierende Unternehmen in der Entwicklung intelligenter Produkte besteht darin, dass die Zielstellung, die mit einem intelligenten Produkt verfolgt wird, nicht expliziert ist. Zudem ist oftmals nicht spezifiziert, in welchem Anwendungsfall ein intelligentes Produkt agieren soll. Produzierende Unternehmen benötigen Unterstützung, um eine zielorientierte und folglich wirtschaftliche Melioration existierender Produkte zu gewährleisten. Ebendiese Melioration wird im Kontext von intelligenten Produkten als Smartifizierung bezeichnet und stellt damit einen Entwicklungsprozess dar, der ein bestehendes Produkt als Ausgangssituation im Sinne einer Anpassungskonstruktion expliziert. Die originäre Produktfunktion wird folglich nicht verändert, sondern das Produkt um digitale Funktionen und Dienstleistungen erweitert. Der Artikel befasst sich daher erstens mit der Beschreibung generischer Ziele für den Einsatz intelligenter Produkte im Maschinenbau. Eine Zusammenstellung und Erläuterung solcher Ziele unterstützt Unternehmen, eine Präzisierung der Zielfestlegung in der Initiierungsphase eines Smartifizierungsprojekts durchzuführen. Zweitens wird unter Anwendung der Ziel-Mittel-Beziehung ein Anwendungsfall intelligenter Produkte beschrieben. Abschließend werden beide Aspekte in einer Methode zusammengefasst, wie mittels Ziel- und Anwendungsfallbetrachtung Anforderungen abgeleitet und wie diese Elemente in Vorgehensmodelle der Produktentwicklung eingebettet werden können. Exemplarisch wird anhand einer Stanzmaschine aufgezeigt wie die Methode und die sich daraus ableitenden Ergebnisse im Smartifizierungsprozess zur Entwicklung einer intelligenten Stanzmaschine eingesetzt werden.
Im Forschungsprojekt „Legitimise IT“ wurde ein einheitlicher Ansatz zur Nutzung von Schatten-IT für produzierende kleine und mittlere Unternehmen (KMU) entwickelt. Dadurch sollen KMU zur kontrollierten Legitimierung nutzenstiftender Schatten-IT unter Berücksichtigung vorhandener Risiken befähigt werden.
Schatten-IT ist in den meisten Unternehmen vorhanden. Durch den unkontrollierten Einsatz von Schatten-IT im Unternehmen entstehen zahlreiche Risiken, welche zu Ineffizienzen und Fehleranfälligkeiten bei den Betriebsabläufen führen können. Dabei wird die Entstehung von Schatten-IT nicht zuletzt durch die Schnelllebigkeit und Vielfalt der technologischen Entwicklungen weiter beschleunigt. Der Ansatz, durch eine strikte Vorgabe der Unternehmensführung lediglich auf genehmigte und zentral verwaltete IT-Anwendungen zurückzugreifen, um Schatten-IT zu unterbinden, hat sich in der unternehmerischen Praxis nicht bewährt. Bisherige Ansätze adressieren nicht die Gründe für die Notwendigkeit von Schatten-IT und bieten keinen organisatorischen und insbesondere technologischen Rahmen, um deren Vorteile unternehmerisch zu nutzen.
Daher wurde im Projekt ein Ansatz entwickelt, der einerseits die aufgezeigten Risiken minimiert und andererseits Mitarbeitenden die notwendigen Freiheiten für eigene, kreative Lösungen bietet. Damit Unternehmen ihre großen Herausforderungen bei der Abschätzung der Risiken- und Nutzenaspekte wie auch beim strikten Verzicht auf die eingesetzten Schatten-IT-Anwendungen bewältigen können, wird eine entsprechende Methodik gefordert.
5G offers the manufacturing industry a wireless, fast and secure transmission technology with high range, low latency and the ability to connect a large number of devices. Existing transmission technologies are reaching their limits due to the increasing number of networked devices and high demands on reliability, data volume, security and latency. 5G fulfills these requirements and also combines the potential and use cases of previous transmission technologies so that unwanted isolated solutions can be merged. Use cases of transmission technologies that previously required a multitude of solutions can now be realized with a single technology. However, the general literature often refers to 5G use cases that can also be realized over cables in particular. In this paper, a literature review presents the current state of research on the various 5G application scenarios in production . Furthermore, concrete characteristics of 5G use cases are identified and assigned to the identified application scenarios. The goal is to verify the identified 5G use cases and to work out their 5G relevance in order to be able to concretely differentiate them from already existing Industrie 4.0 applications.
Feeding the growing world population is a scientific and economic challenge. The target variables to be optimised are the yield that can be produced on a given area and the reduction of the resources used for this purpose. High-wage countries are faced with the problem that the use of personnel is a significant cost driver. Developing countries, on the other hand, usually operate on much smaller field sizes, so that the work in the field is still strongly characterised by manual labour. One solution to meet these challenges is the use of smaller autonomous harvesting robots. These can be networked into a swarm of machines to work even larger fields. The networking of autonomous agricultural machines is a key use case for rural 5G networks. 5G technology can offer many advantages over older mobile communications standards and therefore make use cases more efficient or enable new ones. Various use cases are also conceivable in the field of agriculture, yet it is unclear how 5G networks can and must be specified for this purpose. In this paper, using the example of 5G-connected harvesters powered by swarm robotics, we present the challenges that have arisen and the specification that has been developed.
In road haulage, transports are interrupted by truck drivers to comply with driving and rest times. On long-distance routes, these interruptions lead to a considerable increase in transport time. Transport interruption can be avoided by so-called relay traffic: a vehicle (e. g. semi-trailer) is handed over to a rested driver at the end of the driving time. This type of transport requires a certain company size. In Germany, however, transport companies have 11 employees on average. Intra-company relay traffic is therefore not economically viable for most transport companies. To organize an intermodal transport across forwarding companies, long-distance routes need to be split into partial routes to divide them between freight forwarders and carriers. This paper presents a data concept for an algorithm to find the best possible route sections along a previously defined start and endpoint. The developed data concept includes order-specific data, forwarder-specific data, real-time traffic data, geographical data as well as data from freight forwarding software and telematics to be the basis for the route sectioning algorithm. In this paper, different data sources, external services and logistic systems are analyzed and evaluated. It is shown which data is needed and what the best ways are to select and derive this data from the different data sources.
Digital technologies have gained significant importance in the course of the 4th Industrial Revolution and these technologies are widely implemented, nowadays. However, it is necessary to bear in mind that an ill-considered use can quickly have a negative impact on the environment in which the technology is used. For more responsible and sustainable use, the regulation of digital technologies is therefore necessary today. Since the government is taking a very slow response, as the example of the AI Act shows, companies need to take action themselves today. In this context, one of the central questions for companies is: "Which digital technologies are relevant for manufacturing companies in terms of regulation? This paper conducted a quantitative Delphi study to answer this question. The results of the Delphi study are presented and evaluated within the framework of a data analysis. In addition, it will be discussed how to proceed with the results so that manufacturing companies can benefit from them. Furthermore, the paper contributes to the development of an AI platform in the German research project PAIRS by investigating the compliance relevance of artificial intelligence applications.
Feasibility Analysis of Entity Recognition as a Means to Create an Autonomous Technology Radar
(2021)
Mit den neuesten Technologietrends auf dem Laufenden zu bleiben, ist für Fertigungsunternehmen eine entscheidende Aufgabe, um auf einem global wettbewerbsfähigen Markt erfolgreich zu bleiben. Die Erstellung eines Technologieradars ist ein etablierter, jedoch meist manueller Prozess zur Visualisierung der neuesten Technologietrends.
Der Herausforderung, Technologien zu identifizieren und zu visualisieren, widmet sich das Projekt TechRad, das maschinelles Lernen einsetzt, um ein autonomes Technologie-Scouting-Radar zu realisieren. Eine der Kernfunktionen ist die Identifizierung von Technologien in Textdokumenten. Dies wird durch natürliche Sprachverarbeitung (NLP) realisiert.
Dieser Beitrag fasst die Herausforderungen und möglichen Lösungen für den Einsatz von Entity Recognition zur Identifikation relevanter Technologien in Textdokumenten zusammen. Die Autoren stellen eine frühe Phase der Implementierung des Entity Recognition Modells vor. Dies beinhaltet die Auswahl von Transfer Learning als geeignete Methode, die Erstellung eines Datensatzes, der aus verschiedenen Datenquellen besteht, sowie den angewandten Modell-Trainings-Prozess. Abschließend wird die Leistungsfähigkeit der gewählten Methode in einer Reihe von Tests überprüft und bewertet.
Heutzutage steigen die Technologievielzahl und -vielfalt täglich an. Unternehmen, die sich im Zuge der Digitalisierung für die Einführung eines cyber-physischen Systems interessieren, müssen sich zu Beginn einen schnellen Überblick über den verfügbaren Technologiemarkt verschaffen, der sich stündlich ändert. Darauf ausgerichtet hat das Projekt TechRad zum Ziel, dieses Technologiescouting in Form eines plattformbasierten Radars zu automatisieren, welches eine permanent aktuelle Übersicht über verfügbare Technologien liefert. Die Befüllung der Plattform wird durch ein gezieltes Webcrawling nach Technologien realisiert. Das Entwicklungsvorgehen des Radars soll als Referenzmodell dienen, um zukünftigen Scouting-Plattformen einen Leitfaden zur schnellen und effizienten Entwicklung zur Verfügung zu stellen, und beinhaltet neben den technischen Vorgaben auch einen rechtlichen Rahmen, der bei dem Crawling von Daten berücksichtigt werden muss. Das Vorhaben IT-2-1-025a / EFRE-0801386 der Forschungsvereinigung FIR e. V. an der RWTH Aachen wird über den PTJ durch den europäischen Fond für regionale Entwicklung in NRW (EFRE) mit Mitteln der europäischen Union (EU) gefördert.
Digitalisierung findet überall in Unternehmen statt, jede Abteilung beschäftigt sich damit, die eigenen Prozesse effizient zu digitalisieren oder neue Geschäftsmodelle zu entwickeln. Gleichzeitig hat das Jahr 2021 gezeigt: Geht man dabei nicht mit Bedacht vor, steigt die Gefahr von Cyber-Angriffen und Datenschutzverstößen deutlich. Bei dieser Gradwanderung soll ausgerechnet das seit Jahren totgesagte EAM ein Baustein sein, um Unternehmen zu unterstützen? Wir sagen: Ja!
Allerdings muss EAM dafür die Besenkammer der IT verlassen und komplett neu gedacht werden. Viele existierende Methoden und Ansätze sind dabei sinnvoll und wertstiftend aber ohne einen entsprechenden sinnstiftenden Überbau und einer Integration von EAM in die Fachbereiche und Unternehmensprozesse kann EAM in der Praxis nicht gelingen. Nur bei einer Neuausrichtung der IT-Organisation, einer Neudefinition der notwendigen Kompetenzen und Veränderungen des Mindsets in EAM-Funktionen von Unternehmen kann diese echte Mehrwerte für das Gesamtunternehmen schaffen.
In diesem Vortrag skizzieren wir die Sicht des FIR e. V. an der RWTH Aachen darauf, wie man ein pragmatisches EAM gestaltet und wie man dieses in Unternehmensprozesse & -strukturen integriert.
Künstliche Intelligenz (KI) hat als Technologie in den vergangenen Jahren Marktreife erlangt. Es existiert eine Vielzahl benutzerfreundlicher Produkte und Services, welche die Anwendung von KI im Alltag und im Unternehmen vereinfachen. Die Herausforderung, vor denen Anwendende, gerade im betriebswirtschaftlichen Kontext, stehen, ist nicht die technische Machbarkeit einer KI-Applikation, sondern deren organisatorisch und rechtlich zulässige Gestaltung. Zu einer zunehmenden Dynamik in der Gesetzgebung kommt ein gesellschaftliches Interesse an der Kontrolle und Transparenz über die für KI-Modelle erhobenen Daten. Die Diskussion über Datensouveränität im geschäftlichen und privaten Alltag rückt mehr und mehr in das Zentrum der öffentlichen Aufmerksamkeit.
Datenbasierte KI-Anwendungen stehen damit in einem Spannungsfeld zwischen den Potenzialen, die das Erheben und Teilen von Daten über Unternehmensgrenzen hinweg bietet, und der Herausforderung, die Datensouveränität der involvierten Personen zu wahren. Die vorliegende Studie soll erstens über die Auswirkungen der Datensouveränität und die damit verbundenen aktuellen und kommenden Regularien auf KI-Anwendungsfälle aufklären. Dafür wurden Expertinnen und Experten aus den Bereichen Recht, KI- und Organisationsforschung befragt. Zweitens zeigt die Studie Potenziale und Best Practices von KI-Anwendungsfällen mit überbetrieblichem Datenaustausch auf. Dafür wurden Fallstudien in Unternehmen durchgeführt, die bereits erfolgreich Datenaustausch in ihre Geschäftsmodelle integriert haben, um ihre KI-Applikationen zu betreiben und zu verbessern.
Methods of machine learning (ML) are notoriously difficult for enterprises to employ productively. Data science is not a core skill of most companies, and acquiring external talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratising machine learning by introducing elements such as low-code / no-code functionalities into its model creation process. Multiple applications are possible for Auto-ML, such as Natural Language Processing (NLP), predictive modelling and optimization. However, employing Auto-ML still proves difficult for companies due to the dynamic vendor market: The solutions vary in scope and functionality while providers do little to delineate their offerings from related solutions like industrial IoT-Platforms. Additionally, the current research on Auto-ML focuses on mathematical optimization of the underlying algorithms, with diminishing returns for end users. The aim of this paper is to provide an overview over available, user-friendly ML technology through a descriptive model of the functions of current Auto-ML solutions. The model was created based on case studies of available solutions and an analysis of relevant literature. This method yielded a comprehensive function tree for Auto-ML solutions along with a methodology to update the descriptive model in case the dynamic provider market changes. Thus, the paper catalyses the use of ML in companies by providing companies and stakeholders with a framework to assess the functional scope of Auto-ML solutions.
Vor sich finden Sie den Leitfaden zur Anwendung der „MarryIT“-Methodik zur Vernetzung der Systeme auf ihrem Shopfloor mit den Systemen auf Ihrem Office-Floor. Bei den Shopfloor-Systemen wird oft von OT-Systemen (Operational Technology) und bei den Office-Floor-Systemen von IT-Systemen gesprochen. Das Ziel ist es, die Anwendungsfälle (auch als Nutzenpotenziale bezeichnet) auszuwählen, die sich für eine Vernetzung eignen und mit der bestehenden Systemlandschaft ermöglicht werden können. Darüber hinaus können Sie mit der vorliegenden Methode gezielt entscheiden, wie Sie Ihre Systemlandschaft zur Realisierung der Anwendungsfälle weiterentwickeln können. Die Methode soll Ihnen helfen, diesen Prozess durch den Einsatz eines strukturierten Vorgehens anzugehen und dabei unterstützen, die für Sie besten Entscheidungen zu treffen. Sie können statt der analogen Variante ebenfalls die mobile Webanwendung zur Durchführung der Methode verwenden: marryit-tool.fir.de
Digitalization and Industry 4.0 continue to shape our industrial environment and collaboration. For many enterprises, a key challenge in moving forward in this matter is the integration of their shop-floor systems (hard- and software) with their office-floor systems to harvest the full potential of industry 4.0.
A multitude of different technologies and respective use-cases available on the market leave many companies startled. This paper presents a set of use-cases for IT-OT-Integration to bring transparency into a company’s digital transformation.
Additionally, a technical requirements profile for integrating IT- and OT-Systems based on the use cases is presented. Both, use-cases and their requirements, guide companies in selecting the digitalization measures that fit their current situation and help in identifying technical challenges that need to be addressed in the transformation process.
Industry 4.0 is driven by Cyber-Physical Systems and Smart Products. Smart Products provide a value to both its users and its manufacturers in terms of a closer connection to the customer and his data as well as the provided smart services. However, many companies, especially SMEs, struggle with the transformation of their existing product portfolio into smart products. In order to facilitate this process, this paper presents a set of smart product use-cases from a manufacturer’s perspective. These use-cases can guide the definition of a smart product and be used during its architecture development and realization. Initially the paper gives an introduction in the field of smart products. After that the research results, based on case-study research, are presented. This includes the methodological approach, the case-study data collection and analysis. Finally, a set of use-cases, their definitions and components are presented and highlighted from the perspective of a smart product manufacturer.
Seit Beginn des Jahres ist Max-Ferdinand Stroh Leiter des Bereichs Informationsmanagement am FIR. Was ihn antreibt und welche Ziele er und seine Mitarbeiter:innen sich für die kommenden Jahre gesetzt haben, erörtert Max-Ferdinand Stroh im Interview mit der UdZ-Redaktion.
Digital technologies such as 5G, augmented reality, and artificial intelligence (AI) are currently being used in various ways by manufacturing companies. As the fourth industrial revolution progresses, it has become apparent that reckless use and inadequate regulation of these technologies have a detrimental effect on the environment in which they are utilized. Therefore, regulation of digital technologies is imperative today to ensure more responsible and sustainable use. While governments usually establish regulations, progress is not keeping pace with the demands and hazards of employing digital technologies. The European AI law serves as an example of the considerable distance yet to be covered before binding guidelines are established. Consequently, companies must take proactive measures today to ensure that they use digital technologies responsibly in their environments. In this context, identifying which digital technologies are pertinent to manufacturing companies in terms of regulation is crucial. Furthermore, a comprehensive approach is required to design compliance holistically for digital technologies and to systematically derive the corresponding guidelines. This paper introduces a set of models that not only determine the importance of
compliance in the application of different technologies but also present a framework for methodically designing compliance. Furthermore, the paper contributes to the development of an AI platform in the German research project PAIRS by investigating the compliance relevance of applications such as artificial intelligence.
Companies are transforming from transactional sales to providing solutions for their customers. Mostly, smart products, enabling companies to enhance their products by providing smart services to their customers, are a key building block in this transformation. However, the development of a smart product requires many digital skills and knowledge, which regular companies do not have. To facilitate the design and conceptualization of smart products, this paper presents a use-case-based information systems architecture prototype for smart products. Furthermore, the paper features the application and evaluation of the architecture on two different smart product projects. The use of such an architecture as a reference in smart product development serves as a huge advantage and accelerator for inexperienced companies, allowing faster entry into this new field of business. [https://link.springer.com/chapter/10.1007/978-3-031-14844-6_16]
Dieses Forschungs- und Entwicklungsprojekt wurde durch das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Programms „KMU-innovativ: Produktionsforschung“ (Förderkennzeichen 02K19K010) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
Methods of machine learning (ML) are difficult for manufacturing companies to employ productively. Data science is not their core skill, and acquiring talent is expensive. Automated machine learning (Auto-ML) aims to alleviate this, democratizing machine learning by introducing elements such as low-code or no-code functionalities into its model creation process. Due to the dynamic vendor market of Auto-ML, it is difficult for manufacturing companies to successfully implement this technology. Different solutions as well as constantly changing requirements and functional scopes make a correct software selection difficult. This paper aims to alleviate said challenge by providing a longlist of requirements that companies should pay attention to when selecting a solution for their use case. The paper is part of a larger research effort, in which a structured selection process for Auto-ML solutions in manufacturing companies is designed. The longlist itself is the result of six case studies of different manufacturing companies, following the method of case study research by Eisenhardt. A total of 75 distinct requirements were identified, spanning the entire machine learning and modeling pipeline.