Refine
Document Type
- Contribution to a Periodical (10)
- Book (6)
- Part of a Book (3)
- Conference Proceeding (3)
- Working Paper (3)
- Report (2)
- Article (1)
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
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.
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.
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.
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.
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.
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 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 ‚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.