Informationsmanagement
Refine
Year of publication
Document Type
- Contribution to a Periodical (141)
- Conference Proceeding (85)
- Lecture (67)
- Part of a Book (29)
- Doctoral Thesis (27)
- Working Paper (26)
- Book (20)
- Report (20)
- Article (14)
- Internet Paper (14)
Language
- German (304)
- English (115)
- Multiple languages (29)
Is part of the Bibliography
- no (448)
Keywords
- 01 (32)
- 02 (28)
- 03 (8)
- 04 (7)
- 08 (1)
- 3GPP (1)
- 3PhasenKonzept (3)
- 5G (27)
- 5G Implementation roadmap (1)
- 5G Technology (1)
Institute
- FIR e. V. an der RWTH Aachen (448)
- Informationsmanagement (448)
- Produktionsmanagement (62)
- Business Transformation (17)
- Dienstleistungsmanagement (16)
Forschungsfrage: Wie können KMU die Potenziale und Gefahren der neuen Mobilfunkgeneration 5G für bestehende und neue Geschäftsmodelle evaluieren, um 5G erfolgreich einzuführen?
Aus der Forschungsfrage ergeben sich mehrere Teilfragen:
1. Was sind KMU-relevante Anwendungsfälle und welche Typen gibt es?
2. Welche Auswirkungen hat 5G auf Geschäftsmodelle?
3. Welche wirtschaftlichen Aspekte und technischen Potenziale ergeben sich durch die Einführung einzelner 5G-Anwendungsfälle und -Geschäftsmodelle?
The increasing decentralization and digitalization of energy distribution systems pose significant challenges to the management of operational and maintenance processes. The integration of renewable energy sources and the resulting dynamic grid conditions necessitate more adaptive, efficient, and technologically advanced workforce management (WFM) solutions. This work presents a systematic approach to modeling WFM processes tailored to the needs of modern smart grids. Based on a detailed evaluation of modeling languages and a requirements analysis informed by industry workshops, Business Process Model and Notation (BPMN) was identified as the most suitable formalism. An iterative development process was established, combining user story specification, process modeling, validation, and equirement refinement. The resulting WFM processes integrate real-time reactivity and AI-based decision support mechanisms. These include intelligent task classification, personnel selection, and resource planning, enabling human operators to make faster, more consistent decisions in dynamic grid environments. The work lays the foundation for a digitalized, flexible WFM-System that addresses the future demands of sustainable and secure energy distribution.
Improving the sustainability of production systems requires decision support methods that can solve the problem of optimizing the combination of resources under ecological, operational, and compatibility constraints. This challenge arises in agriculture and manufacturing, particularly in Circular Industrial Production Systems (CIPS), where the creation of value depends on the coordinated use of materials, processes and resources, while minimizing waste and environmental impact. As production environments become more complex and dynamic, traditional rule-based or static optimization approaches struggle to cope with combinatorial decision spaces and evolving system constraints. To address this issue, the authors use intercropping as an example proxy domain with high complexity that mirrors these combinatorial challenges and compatibility constraints. This paper therefore presents a Deep Q-Network (DQN)-based Reinforcement Learning (RL) approach embedded in a domain-specific simulation environment for planning intercropping sequences. The RL-based Decision Support System (DSS) learns to maximize an aggregated reward comprising agronomic quality indicators and binary user preference feedback. Results from a simulation demonstrate a consistent convergence and structured long-term policy learning in complex combinatorial decision spaces. Beyond agriculture, this framework shows how RL-based sequencing policies can help CIPS facing similar optimization problems involving material combinations, process compatibility, and sustainability trade-offs.
Nachhaltiger wirtschaften, ohne Erträge und Effizienz zu verlieren – diese Doppelanforderung prägt die moderne Landwirtschaft. Der Mischkulturanbau, also der gemeinsame Anbau mehrerer Kulturarten, bietet dafür überzeugende Hebel: bessere Ressourcennutzung, stabilere Böden und mehr Biodiversität bei geringerem Dünge- und Pflanzenschutzmitteleinsatz. In der industriellen Praxis bleibt das Potenzial jedoch oft ungenutzt, weil die Ernte zum Engpass wird: Konventionelle Maschinen sind für Reinkulturen optimiert und geraten an Grenzen, sobald unterschiedliche Pflanzen gleichzeitig erkannt, getrennt, geerntet und verarbeitet werden müssen.
Diese Dissertation adressiert genau diese Lücke. Sie zeigt, wie KI‑gestützte Computer Vision als Schlüsseltechnologie die industrielle Ernte von Mischkulturen ermöglichen kann, und stellt dafür ein praxisorientiertes Bewertungsinstrument für Landmaschinenhersteller, Agrarrobotik‑Teams und Softwareentwickler bereit. Im Zentrum steht eine systematische Technologiebewertung, die die Anforderungen künftiger Mischkultur‑Erntemaschinen transparent macht und Computer‑Vision‑Fähigkeiten gezielt daran spiegelt.
Dazu werden zunächst industrielle Mischkultur‑Ernteanwendungsfälle typisiert und in drei Erntetypen überführt. Auf dieser Basis leitet die Arbeit Funktionsstrukturen für Erntemaschinen ab und bewertet sie mithilfe einer Wirkungsmatrix gegenüber vier funktionalen Fähigkeiten der KI‑gestützten Computer Vision. Die Analyse zeigt differenzierte Einsatzpotenziale: Während der Mehrwert bei reinkulturnahen Mischkulturernten begrenzt ist, kann Computer Vision bei segmentierten Polykulturen insbesondere durch optische Sortierung zur Kernfunktion werden. Das größte Potenzial liegt bei hochdiversen Mischkulturen – von präziser Umwelterfassung über autonome Entscheidungen bis zur Koordination kleiner, kooperierender Maschinen.
Zwei industrielle Fallstudien belegen die Anwendbarkeit und den Nutzen im Produktentwicklungsprozess: Anforderungen schärfen, Funktionen priorisieren, Technologieoptionen vergleichen und Entwicklungsentscheidungen beschleunigen. Damit liefert die Arbeit einen belastbaren Rahmen, um Innovationen in der Erntetechnik für den Mischkulturanbau systematisch und effizient voranzutreiben.
(Quelle: https://www.apprimus-verlag.de/einsatz-von-ki-gestutzter-computer-vision-in-erntemaschinen-des-mischkulturanbaus.html)
Softwarelösungen für automatisiertes machinelles Lernen für Prognosen in produzierenden Unternehmen
(2026)
In einer Welt, die sich durch eine beispiellose Dynamik in Technologie und Wirtschaft auszeichnet, steht die produzierende Industrie vor der Herausforderung, die Potenziale der Digitalisierung voll auszuschöpfen.
Der Einsatz von automatisiertem maschinellen Lernen (Auto-ML) bietet einen vielversprechenden Ansatz, die Schlüsseltechnologie Künstlicher Intelligenz (KI) gewinnbringend einzusetzen.
Trotz der hohen Erwartungen und des potenziellen wirtschaftlichen Wachstums, das KI-Technologien versprechen, zeigen aktuelle Studien, dass der Einsatz von KI in der Produktion hinter anderen Technologien zurückbleibt. Die Diskrepanz zwischen den Erwartungen an KI und deren tatsächlicher Nutzung in der Fertigung weist auf komplexe Herausforderungen hin, darunter hohe Kosten, ungeeignete IT-Infrastruktur, mangelnde Datenverfügbarkeit und ein Defizit an Fachkräften.
Diese Dissertation zielt darauf ab, eine methodische Lösung für die Auswahl von Auto-ML-Softwarelösungen für Prognosen in produzierenden Unternehmen zu entwickeln. Die Arbeit umfasst eine Analyse existierender Auto-ML-Funktionen, eine praxisnahe Identifikation der Anforderungen an ihren Einsatz in der Industrie sowie die Entwicklung eines Prozesses zur systematischen Auswahl von Auto-ML-Softwarelösungen. Dafür werden zudem die Wechselwirkungen zwischen den technischen Möglichkeiten der Softwarelösungen und den spezifischen Bedürfnissen der produzierenden Unternehmen beleuchtet.
Das Ergebnis dieser Dissertation stellt eine Ressource für Entscheidungsträger dar, die sich der Herausforderung gegenübersehen,
aus einer Vielzahl von Auto-ML-Softwarelösungen die am besten geeignete auszuwählen. Durch die Bereitstellung eines klar definierten
Prozesses zur Bewertung und Auswahl von Auto-ML-Softwarelösungen trägt diese Arbeit dazu bei, die Lücke zwischen der technologischen Entwicklung und ihrer praktischen Anwendung in der Fertigungsindustrie
zu schließen.
In einer Zeit, in der die effiziente Nutzung von Daten und KI-Technologien immer mehr zum entscheidenden Wettbewerbsfaktor wird, leistet diese Dissertation einen Beitrag zur Stärkung der Innovationskraft und Zukunftsfähigkeit produzierender Unternehmen.
Originating in 2011, Industry 4.0 describes the digital revolution of industry and has since become a collective term for smart, mutable and data driven factories. During the last decade systemic and methodical solutions were designed and implemented that enable corresponding data driven use cases for producers. Today's system providers offer complex data ecosystems in which data-driven use cases are built-in and implementers offer focused digitalisation projects to rapidly address quick wins. While an assessment of expectations around Industry 4.0 results in requirements within the domains of modifiability, connectivity, data and organisation for an IT-architecture, many such solutions are found to be violating essential requirements as systemic flexibility and data-availability. Not only is this a relevant matter for architectural purists, but it highlights real problems that industry is still facing while applying digitalisation measures in pursuit of Industry 4.0. While event-driven architectures go back to the design of modern operating systems, the emergence of powerful, resilient and cheap broker-technologies has risen the polarity of event-driven IT-architectures for businesses in the last decade. Although its occurrence is predominantly represented in ecommerce, finance and insurance, many prominent manufactures have since begun their transformation into an event-driven IT-architecture. Reasons for this architectural adaptation include exceptional data availability, resilience, scalability and especially data sovereignty. An assessment of event-driven IT-architecture's properties and implications reveals an excellent fit for the architectural requirements of Industry 4.0. In this work the subject of Industry 4.0 is analysed along literature to derive a collective understanding of expectations from a factory implementing Industry 4.0. Subsequently, IT-architectural requirements are derived that describe an architecture capable of satisfying these expectations. Then event-driven IT-architectures are analysed regarding their structural composition and capabilities. Finally, the fit of event-driven IT-architecture is evaluated against the architectural requirements of Industry 4.0, discussing congruence and divergence.
