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
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.