Volker Stich
Refine
Year of publication
- 2019 (22) (remove)
Document Type
- Conference Proceeding (6)
- Contribution to a Periodical (5)
- Working Paper (4)
- Article (2)
- Book (2)
- Lecture (2)
- Part of a Book (1)
Is part of the Bibliography
- no (22)
Keywords
- 5G (3)
- 5G mobile communication (1)
- 5G-Mobilfunk (1)
- Agile Entwicklung (1)
- Anwendungen (1)
- Automobilindustrie (1)
- Blockchain (1)
- CPS (1)
- DLT (1)
- Datenbasierte Dienstleistungen (1)
Institute
Die beschriebenen unterschiedlichen Ausprägungen der sechs Gestaltungsfelder im Rahmen der Smart-Maintenance-Roadmap stellen Meilensteine dar, die Unternehmen bei der eigenen Transformationen ihrer Instandhaltungsorganisation unterstützen. Smart Maintenance sollte jedoch nicht als eine endgültige Entwicklungsstufe betrachtet werden. Vielmehr beschreibt Smart Maintenance das Verständnis um den dazugehörigen Transformationsprozess selbst: erfolgreiche Smart-Maintenance-Unternehmen kennen also die Zusammenhänge, die zwischen den jeweiligen Entwicklungsphasen bestehen und können diese für die Umsetzung der folgenden Transformationsschritte ihrer Instandhaltung aber auch angrenzender Organisationseinheiten nutzen. Dabei hilft eine zyklische Betrachtung der nachfolgenden vier Schritte, um den Weg zur Smart Maintenance aktiv und zielgerichtet zu gestalten:
1. Entwicklung eines gemeinsamen Zielverständnisses
2. Regelmäßige Bestimmung der eigenen Position im Smart-Maintenance-Transformationsprozess
3. Ableitung und Sortierung der Entwicklungsschritte in einer individuellen Roadmap
4. Umsetzung der nächsten Entwicklungsschritte auf Basis der zuvor erledigten "Hausaufgaben"
It is crucial today that economies harness renewable energies and integrate them into the existing grid. Conventionally, energy has been generated based on forecasts of peak and low demands. Renewable energy can neither be produced on demand nor stored efficiently. Thus, the aim of this paper is to evaluate Deep Learning-based forecasts of energy consumption to align energy consumption with renewable energy production. Using a dataset from a use-case related to landfill leachate management, multiple prediction models were used to forecast energy demand.The results were validated based on the same dataset from the recycling industry. Shallow models showed the lowest Mean Absolute Percentage Error (MAPE), significantly outperforming a persistence baseline for both, long-term (30 days), mid-term (7 days) and short-term (1 day) forecasts. A potential decrease of up to 23% in peak energy demand was found that could lead to a reduction of 3,091 kg in CO2-emissions per year. Our approach requires low finanacial investments for energy-management hardware, making it suitable for usage in Small and Medium sized Enterprises (SMEs).
In diesem Paper wird eine Architektur für Kommunikationsnetze für industrielle Anwendungen vorgestellt, die neue 5G-Technologien mit vorhandener Kommunikationstechnik auf der Feldbusebene kombiniert. Diese Architektur verbindet private und öffentliche Mobilfunknetze mit lokalen Funktechnologien, um einen flexiblen Aufbau zu ermöglichen, der in der Lage ist, viele industrielle Anwendungsfälle zu unterstützen. Es wird gezeigt, wie die Errungenschaften, die mit der neuen 5G-Technologie eingeführt werden, einen großen Bereich der industriellen Anforderungen erfüllen können. Weiterhin werden relevante Anwendungsfälle beschrieben und eine Gesamtsystemarchitektur vorgeschlagen, welche nicht nur die technischen, sondern auch die funktionalen Anforderungen, welche von den spezifischen Anwendungen heutiger und zukünftiger Herstellungsprozesse gestellt werden, erfüllen kann.
5G, das Kürzel hinter dem sich die kommende fünfte und damit neueste Mobilfunkgeneration verbirgt, ist aktuell nicht zuletzt wegen der diesjährigen Versteigerung der ersten Frequenzen durch die Bundesnetzagentur ein Thema, über das in den Medien ausführlich berichtet wird. Verglichen mit der Einführung früherer Mobilfunkgenerationen ist der Hype jedoch diesmal besonders groß, denn zum ersten Mal liegt das Hauptinteresse an den Potenzialen der neuen Technologie nicht mehr nur beim privaten Endnutzer.
KVD-Service-Studie 2020
(2019)
Im Rahmen der Digitalisierung haben viele Serviceanbieter das Leistungsportfolio um innovative Services und Smart Services ergänzt. Für die Anbieter stellen gerade die Markt- einführung und der Vertrieb dieser Leistungen zwei der zentralen Herausforderungen bei der Etablierung dieser Leistungen dar. Neben bestehenden vertrieblichen Herausforderungen beim Servicevertrieb, wie der Aufklärung und Überzeugung von Kunden und der individuellen Anpassung und Erbringung der Leistung für den Kunden, erfordert der Vertrieb von Smart Services zusätzlich die interdisziplinäre Zusammenarbeit von mehreren Bereichen, den Zugang und die Verarbeitung von Daten sowie die permanente Betreuung der Leistung beim Kunden über den Lebenszyklus. Damit Serviceunternehmen auf dem Markt wettbewerbsfähig bleiben, müssen sich Vertriebsorganisationen erfolgreich weiterentwickeln bzw. völlig neu aufstellen. Für die dargestellten Herausforderungen gilt es, Erfolgsfaktoren für den Vertrieb von Services und Smart Services abzuleiten. Der diesjährige Schwerpunkt der Service-Studie 2020, die vom KVD zusammen mit dem FIR durchgeführt wurde, liegt daher auf dem Themenkomplex `Vertrieb von Services und Smart Services`.
Due to Digital Transformation, also called Industry 4.0 or the Industrial Internet of Things, the barrier for implementing data collecting technology on the shop floor has decreased dramatically in the past years – leading to an increasingly growing amount of data from a multitude of IT systems in production companies worldwide. Despite that, the production controller still relies heavily on intrinsic knowledge and intuition for the management of disruptions in production. Thanks to advances in the fields of production control and artificial intelligence, potentials for the collected data for disruption management arise. However, in order to transform data into usable information and allow drawing conclusions for disruption management in production, the relevant data-objects, disturbances and alternative actions must be known. Thus, the decision-making can be supported, reducing the decision latency and increasing benefit of alternative actions. Therefore, the goal of this paper is to discuss the prerequisites necessary to perform a data based disruption management and the methodology itself, serving as an approach to allow companies to build a data basis, classify disruptions and alternative actions in order to improve decision making in the future. [https://link.springer.com/chapter/10.1007/978-3-030-28464-0_13]
Task-Specific Decision Support Systems in Multi-Level Production Systems based on the digital shadow
(2019)
Due to the increasing spread of Information and Communication Technologies (ICT) suitable for shop floors, the production environment can more easily be digitally connected to the various decision making levels of a production system. This connectivity as well as an increasing availability of high-resolution feedback data, can be used for decision support for all levels of the company and supply chain. To enable data driven decision support, different data sources were structured and linked. The data was combined in task-specific digital shadows, selecting clustering and aggregation rules to gain information. Visual interfaces for task-specific decision support systems (DSS) were developed and evaluated positively by domain experts. The complexity of decision making on different levels was successfully reduced as an effect of the processed amounts of data. These interfaces support decision making, but can additionally be improved if DSS are extended with smart agents as proposed in the Internet of Production.
Die Variantenfließfertigung ermöglicht die Herstellung konfigurierbarer Produkte bei kurzen Durchlaufzeiten und geringen Beständen. Im Vergleich zu anderen Organisationsformen der Produktion gestaltet sich die Produktionsplanung und -steuerung aufgrund der Variantenvielfalt als anspruchsvoll. Im vorliegenden Beitrag wird der erste Schritt einer Methodik vorgestellt, welche für die Konfiguration der Reihenfolgeplanung entwickelt wurde.