Refine
Document Type
- Article (1)
- Book (6)
- Part of a Book (3)
- Conference Proceeding (3)
- Contribution to a Periodical (10)
- Report (2)
- Working Paper (3)
Is part of the Bibliography
- no (28)
Keywords
- 3PhasenKonzept (1)
- ADAM (2)
- Abschlussbericht (1)
- Anlernassistent (2)
- Ausbildung des Nähenden (1)
- BMWi (1)
- Big Data (3)
- BigPro (3)
- Cloud (2)
- Complex Event Processing (1)
- DQC (1)
- Datenanalyse (1)
- Datenintegration (1)
- Digitale Transformation (2)
- Digitaler Assistent (1)
- Digitalisierung (5)
- Digitalization (1)
- Echtzeit-Feedback (1)
- Energieeffizienz (1)
- Energiemanagement (2)
- Energiemanagementsysteme (1)
- Formitas (1)
- General Engineering (1)
- Geschäftsmodelle (1)
- Hubert Schmitz GmbH (1)
- Industrie 4.0 (10)
- Industrie 4.0 Maturity Index (1)
- Information Management (1)
- Informationsmanagement (1)
- Instandhaltung (1)
- Künstliche Intelligenz (1)
- Management Science and Operations Research (1)
- Maschinelles Lernen (1)
- Nähmaschine (1)
- Reifegrad (1)
- Reifegradermittlung (1)
- Reifegradmodell (2)
- Retrofit (1)
- Roadmap (1)
- S-Gard (2)
- SV7095 (1)
- SV7225 (1)
- SV7242 (1)
- SV7459 (1)
- Semantische Analyse (1)
- SewGuide (1)
- Stammdatenqualität (1)
- Strategie (1)
- Strategy and Management (1)
- Stressmonitoring (1)
- Studie (2)
- Störungsmanagement (2)
- Subscription Business Models (1)
- Tinkerforge (2)
- Trends (1)
- U1022 (1)
- Whitepaper (1)
- counter measures (1)
- digitale Technologien (1)
- digitaler Assistent (1)
- disturbance management (1)
- e.Go (1)
- machine learning (1)
- predictive maintenance (1)
- proaktives Reaktionsmanagement (1)
- proaktives Störungsmanagement (2)
- skalierbare Visualisierung (1)
Institute
Im Forschungsprojekt BigPro wird die Frage beantwortet, wie Big Data aus der Produktion genutzt werden können, um das Störungsmanagement zu unterstützen. Dazu wurde ein Vorgehen entwickelt, das sicherstellt, dass die erforderlichen Informationen in der richtigen Form zu Verfügung stehen und das System zielgerichtet auf- und eingesetzt werden kann. Das Projekt „BigPro“ wird
über das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Förderprogramms IKT 2020 – Forschung für Innovationen mit dem Förderkennzeichen 01IS14011 gefördert
Digitally connected industrial production promises faster and more efficient processes - in development and production, services, marketing & sales and for adapting entire business models. Agility and the ability to make changes in real time are strategic chracteristics of successful companies in Industrie 4.0. To acquire these features, it is necessary to create a continuously expanding data base. However, a company's organisational structure and culture also play an important part in determining whether this data's potential is leveraged effectively.
This acatech STUDY describes a new tool for helping manufacturing enterprises to forge their own individual path towards becoming a learning, agile company. The acatech Industrie 4.0 Maturity Index is a six-stage maturity model that analyses the capabilities in the area of resources, information systems, culture and organisational structure that are required by companies operating in a digitalised industrial environment. The attainment of each development stage promises concrete additional benefits for manufacturing companies. The model's practical application was validated in a medium-sized company.
Die digital vernetzte industrielle Produktion verspricht schnellere und effizientere Prozesse - in Entwicklung und Produktion wie auch in Service, Marketing und Vertrieb oder bei Anpassung ganzer Geschäftsmodelle. Agil zu handeln und in Echtzeit Veränderungen vorzunehmen, wird in der Industrie 4.0 zur strategischen Erfolgseigenschaft eines Unternehmens. Voraussetzung dafür ist der Aufbau einer immer breiteren Datenbasis. Ob deren Potenzial effektiv genutzt wird, hängt jedoch auch wesentlich von der Organisationsstruktur und Kultur eines Unternehmens ab.
Die vorliegende acatech STUDIE stellt ein neues Instrument vor, mit dem produzierende Unternehmen den Weg zum lernenden, agilen Unternehmen individuell gestalten können. Der acatech Industrie 4.0 Maturity Index ist als sechsstufiges Reifegradmodell aufgebaut und analysiert die in der digitalisierten Industrie benötigten unternehmerischen Fähigkeiten in den Gestaltungsfeldern Ressourcen, Informationssysteme, Kultur und Organisationsstruktur. Jede erreichte Entwicklungsstufe verspricht produzierenden Unternehmen einen konkreten Zuwachs an Nutzen. Das Modell wurde in der praktischen Anwendung in einem mittelständischen Betrieb validiert.
With big data-technologies on the rise, new fields of application appear in terms of analyzing data to find new relationships for improving process under-standing and stability. Manufacturing companies oftentimes cope with a high number of deviations but struggle to solve them with less effort. The research project BigPro aims to develop a methodology for implementing counter measures to disturbances and deviations derived from big data. This paper proposes a methodology for practitioners to assess predefined counter measures. It consists of a morphology with several criterions that can have a certain characteristic. Those are then combined with a weighting factor to assess the feasibility of the counter measure for prioritization.
Mit dem Industrie-4.0-Maturity-Index steht Unternehmen ein Werkzeug zur Verfügung, um die Chancen neuer Technologien strukturiert und investitionssicher zu erschließen. Dazu bricht er die digitale Transformation in die vier Gestaltungsfelder Ressourcen, Informationssysteme, Organisationsstruktur und Kultur herunter. Im dritten Teil unserer Serie zum Maturity-Index berichten wir, wie sich das Modell in der Praxis einsetzen lässt.
Der Industrie-4.0-Maturity-Index identifiziert für produzierende Unternehmen in den vier Gestaltungsfeldern diejenigen Fähigkeiten, die für eine erfolgreiche Transformation notwendig sind. Die umfangreiche Bewertung der Fähigkeiten im Rahmen der Anwendung des Industrie-4.0-Maturity-Index zeigt Unternehmen aktuelle Schwachstellen auf und ermöglicht eine individuelle Roadmap zur Erreichung des Zielzustands zu entwickeln.
Produzierende Unternehmen sehen sich jeher den weitreichenden Konsequenzen von Produktionsausfällen und störungsbedingten Stillständen ausgesetzt. Als Lösung hierauf gilt Industrie 4.0 mit dem systematischen Lernen aus Daten für schnellere sowie bessere Entscheidungs- und Anpassungsprozesse. Neben kulturellen und organisationalen Anforderungen zur Umsetzung von Industrie 4.0 stellt der richtige Umgang mit Daten und insbesondere Big Data im zunehmend digital vernetzten Produktionsumfeld Unternehmen derzeit vor große Herausforderungen.
Die Herausforderungen der Zukunft werden geprägt durch digital veredelte Produkte von höchster Qualität und hoher Variantenvielfalt bei gleichzeitig kleiner werdenden Losgrößen. Konventionelle Entwicklungsmethoden stoßen aufgrund zunehmender Komplexität und kürzer werdender Lebenszyklen auf Produktebene an ihre Grenzen. Dadurch werden bei kundenindividueller Produktion die Aufwände in der Arbeitsplanung und -vorbereitung überproportional größer. Eine mögliche Lösung stellt die generative Erstellung der Produktionsstückliste während der Montage dar. Durch das eventbasierte „Mitschreiben der Montage“ werden administrative und planungsintensive Prozesse in der Arbeitsvorbereitung überproportional reduziert und die Erstellung der Stückliste in die manuelle Montage transferiert.
Seit Jahren bestimmt Industrie 4.0 die Diskussionen um die Erhaltung der Wettbewerbsfähigkeit produzierender Unternehmen. Der Kern von Industrie 4.0 steht für die Transformation zu einem agilen Unternehmen, um die Produktivität signifikant zu erhöhen, flexibel auf Änderungen zu reagieren und Entscheidungen datenbasiert zu treffen. Das Potenzial ist erkannt, aber die Umsetzung der digitalen Transformation ist herausfordernd.
Der Acatech Industrie 4.0 Maturity Index unterstützt Unternehmen dabei.
Im "Data Quality Center" widmen sich Experten und Forscher der Hochschule Heilbronn, des FIR und des Trovarit Competence Centers Datenmanagement gemeinsam der Frage, mit welchen Werkzeugen und Methoden Unternehmen effizient die Qualität ihrer Stammdaten messen und verbessern können. Erstes Ziel ist die Entwicklung einer Methodik und Toolchain für das betriebliche Stammdatenmanagement zur Evaluierung und Sicherung der Stammdatenqualität. Der Beitrag liefert erste Ergebnisse sowie eine Marktübersicht zu MDM-Lösungen. Außerdem wird die DQC-Methodik zur Bewertung der Stammdatenqualität im Unternehmen beschrieben.
Im "Data Quality Center" widmen sich Experten und Forscher der Hochschule Heilbronn, des FIR und des Trovarit Competence Centers Datenmanagement gemeinsam der Frage, mit welchen Werkzeugen und Methoden Unternehmen effizient die Qualität ihrer Stammdaten messen und verbessern können. Erstes Ziel ist die Entwicklung einer Methodik und Toolchain für das betriebliche Stammdatenmanagement zur Evaluierung und Sicherung der Stammdatenqualität. Der Beitrag liefert erste Ergebnisse sowie eine Marktübersicht zu MDM-Lösungen. Außerdem wird die DQC-Methodik zur Bewertung der Stammdatenqualität im Unternehmen beschrieben.
„Daten sind das Öl des 21. Jahrhunderts.“ Dieser Satz impliziert die große Bedeutung, die Daten heutzutage zugerechnet wird. Während die technischen Systeme immer ausgereifter werden und die Erzeugungsrate von Daten unaufhaltsam steigt, stehen viele Unternehmen, gerade im Produktionsumfeld, vor der Herausforderung, diese Daten zu nutzenbringenden Informationen zu verarbeiten.
In BigPro haben Experten aus dem Informations- und Kommunikationstechnik-Umfeld mit Anwendungspartnern aus der Fertigungsbranche zusammengearbeitet, um dieses Problem zu adressieren. Ziel des gemeinsamen Vorhabens war es, das Reaktionsmanagement von Störungen in fertigenden Unternehmen mittels Big-Data-Technologien zu verbessern und so die durch Produktionsausfälle entstehenden hohen Kosten zu reduzieren. Hierzu wurde eine Big-Data-Plattform entwickelt, die in der Lage ist, heterogene Daten aus unterschiedlichsten Quellen des Produktionsumfelds aufzunehmen, zu verarbeiten und in einen Kontext miteinander zu setzen. Neben den klassischen Datenquellen im Produktionsumfeld wurde die Datenbasis in BigPro um den „Sensor“ Mensch erweitert, um das digitale Abbild der Produktionsumgebung durch die Wahrnehmung, Stimmung und Sprache der Mitarbeiter noch transparenter darzustellen.
Durch den Einsatz der im Projektverlauf entwickelten Mustererkennung ist die BigPro-Plattform in der Lage, die generierten und gesammelten Daten expliziten Störungsmustern zuzuordnen. Diese bilden die Grundlage, aufgezeichnete Datenkonstellationen in Echtzeit mit bekannten Störungsmustern im Produktionsumfeld abzugleichen und bei sich anbahnender Übereinstimmung geeignete Maßnahmen einzuleiten, um den Störungen proaktiv entgegenzuwirken. Hierzu wurde ein Katalog mit störungsbehebenden Maßnahmen methodisch aufgebaut, aus welchem, je nach Anwendungsfall, manuell oder automatisch geeignete Maßnahmen initiiert werden. Eine Methodik, welche die Effektivität der Maßnahmen analysiert und bewertet, stellt sicher, dass etwa fehlgeschlagene Maßnahmen erkannt und überprüft werden können. Sollte für eine Störung keine geeignete Maßnahme hinterlegt sein, wird der Maßnahmenkatalog dynamisch durch situationsabhängig neu generierte Maßnahmen erweitert. Die Informationsbereitstellung sowie -rückführung des Reaktionsmanagements erfolgt in Form einer skalierbaren Visualisierung bedarfsgerecht für die unterschiedlichen Nutzergruppen. Durch ein hinterlegtes Eskalationsmodell werden den Mitarbeitern alle nötigen Informationen entsprechend der Maßnahme direkt und vor allem nutzerspezifisch (z. B. aggregiert für die Produktionsleitung, detailliert für den Analysten, etc.) zur Verfügung gestellt.
Die entwickelte BigPro-Plattform trägt durch die technologische Integration einer Störungsfrüherkennung, einem dynamischen Maßnahmenkatalog sowie einer bedarfsgerechten Informationsbereitstellung essentiell dazu bei, die von zunehmender Dynamik geprägte Produktion durch ein proaktives Reaktionsmanagement robuster gegenüber Abweichungen zu machen, um kostspielige Produktionsausfälle zu vermeiden.
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.
Ziel des Projekts 'eCloud' ist es, mittels der Forschungsergebnisse kleine und mittlere Unternehmen (KMU) zu befähigen, ohne vertieftes Energiewissen und bei geringer Ablenkung vom Tagesgeschäft ein flexibles Energiemanagement zu implementieren, welches für momentane und zukünftige Herausforderungen im Bereich der Energieverwendung gewappnet ist. Die Konzeption eines flexiblen Energiemanagements fußt dabei auf unterschiedlichen Anwendungsfällen und dafür notwendigen Ausbaustufen. So wird es ermöglicht, abhängig von der Ausgangssituation der KMU unternehmensspezifische Implementierungsstufen abzuleiten, die ein Optimum aus Aufwand und Nutzen widerspiegeln. Das diesem Bericht zugrundeliegende Vorhaben wird mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 01LY1608A gefördert.
Unternehmen, die ihre Prozesse durch maschinelles Lernen unterstützen wollen und hierfür auf externe Dienstleister und Produkte zurückgreifen müssen, fehlen die qualifizierten Anhaltspunkte für die Auswahl eines Machine-Learning-Anbieters.
Aus dieser Motivation heraus ist die vorliegende Marktstudie Industrial Machine Learning entstanden. Sie bietet Unternehmen die Grundlage, eine fundierte Entscheidung für oder gegen den Einsatz von Machine Learning im Unternehmen zu
treffen.
Die Darstellung von realen Usecases in der vorliegenden Marktstudie veranschaulicht die konkrete Anwendbarkeit. Insbesondere damit leistet die Studie ihren Beitrag, das Thema Maschine Learning verständlich und anschaulich darzustellen.
Die Marktstudie bietet einen umfassenden Überblick über unterschiedliche Arten von Anbietern und Lösungsmöglichkeiten.
Ein Anspruch auf Vollständigkeit wird dabei nicht erhoben und wäre für die Zielsetzung nicht angebracht.
Ziel des ‚SewGuide‘-Projekts ist es, den Ausbildungsprozess von Näharbeiten künftig mithilfe eines digitalen Anlernassistenten zu unterstützen, zu individualisieren und zu beschleunigen. Dazu werden mit der Hubert Schmitz GmbH, einem der führenden Unternehmen für moderne Schutzbekleidungen (bekannt etwa für die S-GARD® Schutzkleidungen), ausbildungsrelevante Inhalte generiert und in ein digitales Format transformiert. Der digitale Assistent ‚SewGuide‘ wird dem Auszubildenden an der Nähmaschine diese Inhalte interaktiv zur Verfügung stellen. Weiterhin wird mittels Nachrüstung geeigneter Hardware der individuelle Nähprozess analysiert und als Feedback in die Lerninhalte integriert werden. Das Projekt soll eine Grundlage für das Wissensmanagement und die Wissensorganisation in handwerklichen Produktionen hinsichtlich eines digitalen Assistenzsystems an Maschinen schaffen. Dieses Vorhaben wird mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 02K19K013 gefördert.
Die Schwerpunktstudie untersucht, inwieweit die Potenziale von digitalen Technologien zur Steigerung der Energieeffizienz in der deutschen Wirtschaft bereits ausgeschöpft und die möglichen negativen Effekte schon heute durch gezielte Maßnahmen eingedämmt werden.
Die Teilstudien der vorliegenden Schwerpunktstudie geben aufschlussreiche Einsichten zum aktuellen Stand der Forschung und zum Einsatz digitaler Maßnahmen zur Steigerung der Energieeffizienz der Unternehmen in der Informationswirtschaft und im Verarbeitenden Gewerbe.
Sowohl in der Forschung als auch in der Praxis zeigt sich, dass die Datenverfügbarkeit und -verarbeitung eine zentrale Hürde darstellt, um die Potenziale digitaler Technologien im Energiebereich realisieren zu können. Somit ist die Verbesserung der Erfassung, Integration, Verarbeitung und des Schutzes von Energiedaten ein zentrales Handlungsfeld und elementare Voraussetzung für die erfolgreiche Planung potenzieller Maßnahmen und deren Evaluierung im Laufe der Umsetzung, sowohl für die Politik als auch Unternehmen.
Wie gesetzliche Zielvorgaben zudem Anreize für Unternehmen setzen, neue Lösungsansätze zu finden und künftig vermehrt in energieeffizienzsteigernde Maßnahmen zu investieren, lesen Sie in der Studie.
Die vernetzte Digitalisierung als Befähiger für Intelligente Produkte und datenbasierte Geschäftsmodelle stellt Unternehmen vor zahlreiche und vielfältige Herausforderungen auf dem Weg durch die digitale Transformation. Zur Unterstützung dieser Unternehmen wurden in den vergangenen Jahren diverse Referenzarchitekturmodelle entwickelt. Eine detaillierte Analyse derselben und insbesondere ihrer Nutzung durch Unternehmen zeigte schnell, dass aktuell bestehende Referenzmodelle große Schwächen in der Praxistauglichkeit aufweisen. Mit dem Aachener Digital-Architecture-Management (ADAM) wurde ein Framework entwickelt, das gezielt die Schwächen bestehender Referenzarchitekturen adressiert und ihre Stärken gezielt aufnimmt. Als holistisches Modell, speziell für die Anwendung durch Unternehmen entwickelt, strukturiert ADAM die digitale Transformation von Unternehmen in den Bereichen der digitalen Infrastruktur und der Geschäftsentwicklung ausgehend von den Kundenanforderungen. Systematisch werden Unternehmen dazu befähigt, die Gestaltung der Digitalarchitektur unter Berücksichtigung von Gestaltungsfeldern voranzutreiben. Die Beschreibung der Gestaltungsfelder bietet einen detaillierten Einblick in die wesentlichen Aufgaben auf dem Weg zu einem digital vernetzten Unternehmen. Dabei stellt das Modell nicht nur eine Strukturierungshilfe dar, sondern beinhaltet mit den Gestaltungsfeldern einen Baukasten, um das Vorgehen in der digitalen Transformation zu konfigurieren. Das Vorgehen differenziert zwischen der Entwicklung der Digitalisierungsstrategie und der Umsetzung der Digitalarchitektur. Drei unterschiedliche Case-Studys zeigen zudem auf, wie ADAM in der Industrie konkret genutzt, welche Strukturierungshilfe es leisten und wie die digitale Transformation konfiguriert werden kann. Durch die Breite und Tiefe von ADAM werden Unternehmen befähigt, den Weg der digitalen Transformation systematisch und strukturiert zu bestreiten, ohne die wertschöpfenden Bestandteile der Digitalisierung außer Acht zu lassen. Dies qualifiziert ADAM zu einem nachhaltigkeitsorientierten Framework, da es die wirtschaftliche Skalierung, die bedarfsgerechte Anpassung und die zukunftsgerichtete Robustheit von Lösungsbausteinen in den Fokus der digitalen Transformation rückt.
The aim of the related research project eCloud is to enable small and medium sized enterprises (SMEs) to implement flexible energy management without in-depth energy knowledge and with little distraction from day-to-day business, which is prepared for current and future challenges in the field of energy use. The overall result is a validated prototype for a plug and automate capable (i.e. without implementation effort) operational energy management, which can be successively set up in SMEs based on a cloud platform. Through its gradual and modular implementation, energy management meets the individual needs of each company and contributes to energy system transformation and climate protection by reducing energy costs and greenhouse gas emissions by up to 25%. In total, three expansion stages are available with the levels of monitoring, load management and grid usage, which consist of various Software as a Service (SaaS) modules from the cloud that can be retrieved as required. Thus, the user only needs a minimal hardware intervention in his production and saves a complex IT infrastructure. The methodology developed has been successfully applied by two user companies so far. This proves the effectiveness of the method.