Informationsmanagement
Refine
Year of publication
Document Type
- Contribution to a Periodical (141)
- Conference Proceeding (83)
- Lecture (67)
- Part of a Book (29)
- Doctoral Thesis (27)
- Working Paper (26)
- Book (20)
- Report (19)
- Article (14)
- Internet Paper (14)
Language
- German (303)
- English (113)
- Multiple languages (29)
Is part of the Bibliography
- no (445)
Keywords
- 01 (32)
- 02 (27)
- 03 (6)
- 04 (7)
- 08 (1)
- 3GPP (1)
- 3PhasenKonzept (3)
- 5G (26)
- 5G Implementation roadmap (1)
- 5G Technology (1)
Institute
- FIR e. V. an der RWTH Aachen (445)
- Informationsmanagement (445)
- Produktionsmanagement (62)
- Business Transformation (17)
- Dienstleistungsmanagement (16)
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.
Wie robuste IT-Architekturen die Skalierung und Flexibilität in Industrie 4.0 unterstützen können
(2025)
In vielen Unternehmen wird die Verwertung von Verbesserungsvorschlägen aus den eigenen Reihen eher stiefmütterlich behandelt. Dabei bergen gerade die Ideen der Mitarbeiter aus ihrem Arbeitsalltag ein großes Potenzial, z. B. zur Optimierung der unternehmensinternen Arbeitsabläufe. Aus diesem Grund hat die Mainzer Stadtwerke AG zusammen mit dem FIR an der RWTH Aachen ein Projekt durchgeführt und konkrete Maßnahmen abgeleitet, die das Ideenmanagement tiefer im Unternehmen zu integrieren.
Connection of wind farms to an energy efficient and safe internet for energy communication network
(2017)
To achieve the German climate goal of an 80 % share of renewable energy sources in gross electricity consumption, not only the establishment of sustainable energy generation plants but also the further development of power grids is required. However, with an increasing dependence on a reliable and robust smart grid, negative effects caused by targeted attacks (e.g. hacker activities, terrorist attacks etc.) become a serious risk and must be considered sufficiently. Therefore, future energy networks require the introduction of a secure, highly available communication infrastructure supporting the operation of a power grid as well as the implementation of remote and predictive services in the supply networks. This paper introduces a catalogue of requirements and design recommendations for the connection of onshore wind farms to the internet for energy communication network. They illuminate the subject, both from a technical and an organizational perspective. Additionally, a smart service platform is suggested to serve as a suitable solution for addressing both kinds of requirements properly by standardizing the communication between operators, direct marketers and distribution systems operators on the one hand, but also providing a basis for innovative service offers on the other hand. The results are based on outcomes from the current research project eSafeNet (funded by the German Federal Ministry of Economic Affairs and Energy) and include several interviews from experts in research and industry. Altogether, those gained insights are considered and complete the findings of this paper.
