Die Integration industrieller Laser-Assistenzsysteme zur Werkerführung in die Steuerungsebene eröffnet Möglichkeiten der digitalen Transformation für produzierende Unternehmen. Diese Möglichkeiten werden am Beispiel der Digitalen Fabrik der Leuphana Universität Lüneburg dargestellt. In einem Praxisprojekt wird eine manuelle Montagestation mit einem industriellen Laser-Assistenzsystem entwickelt und in die SIMATIC Steuerungsebene der Digitalen Fabrik integriert. Der Werker interagiert mit dem Assistenzsystem und wird von diesem durch den auftragsbezogenen Montageprozess geleitet. Der Werker steht dabei im Zentrum des Geschehens.

Die Digitalisierung der Produktion im Rahmen der Industrie 4.0 erfordert von produzierenden Unternehmen umfangreiche Investitionen in neue Technologien, um im globalen Wettbewerb konkurrenzfähig zu bleiben. Dies stellt die Entscheider in den Unternehmen vor die Herausforderung abzuwägen, welche Schritte auf dem Weg zum digitalisierten Cyber-Physischen Produktionssystem (CPPS) für das jeweilige Unternehmen unter wirtschaftlichen Gesichtspunkten den größten Nutzen bringen. Aufgrund der rasanten technologischen Entwicklung der letzten Jahre ist die Fülle an neuen technischen Lösungen, die es dabei zu betrachten gilt, enorm angewachsen. Zusätzlich gilt es, die mit der Digitalisierung einhergehenden Veränderungen für die organisatorische Implementierung und die Einbindung des Personals zu berücksichtigen. Nachfolgend wird ein Ansatz vorgestellt, der die Bewertung der Wirtschaftlichkeit von Maßnahmen auf dem Weg zum CPPS durch einen ganzheitlichen Simulationsansatz unterstützt. Aus der Validierung des Simulationsansatzes werden abschließend Rückschlüsse für die Weiterentwicklung des Konzepts gezogen.

Die digitale Transformation produktionslogistischer Prozesse verspricht große Potenziale zur Effizienzsteigerung, da diese somit zielgerichteter gesteuert und bestehende Kapazitäten besser ausgenutzt werden können. Ein entscheidender Faktor dabei ist die Qualität der zu erhebenden und zu verarbeitenden Informationen. In diesem Beitrag wird eine Methode zur systematischen digitalen Transformation produktionslogistischer Prozesse vorgestellt, mit Fokus auf Informationsflüsse und deren Qualität.

Unternehmen befinden sich schon immer in einen konstanten Wandel, welcher heutzutage u. a. eng mit den Schlagworten „Digitalisierung“ und „Agilität“ verknüpft ist. Dabei können agile Methoden speziell in komplexen Projekten Wegbereiter für eine zielgerichtete Digitalisierung sein und andererseits digitale Technologien eine agilere Arbeitsweise fördern. Dieser Beitrag fokussiert durch Gruppendiskussionen mit Managern aus mittelständischen IT-Unternehmen die Frage, ob Agilität Voraussetzung oder Folge einer zielgerichteten Digitalisierung ist. Dieser Beitrag richtet sich an Entscheider aus dem IT-Mittelstand, welche den Grad an Agilität im Unternehmen im Kontext einer zunehmenden Digitalisierung erhöhen möchten.

Die digitale Transformation der Industrie hat mit ihren technologischen Komponenten einen unmittelbaren Einfluss auf die Ausrichtung der Logistikprozesse innerhalb von Unternehmen sowie in ganzen Unternehmensnetzwerken. Die Entwicklung und Integration neuer Technologien löst dabei mehr und mehr starre Unternehmensstrukturen und Steuerungsarchitekturen auf. Die Vision reicht von dezentralen Netzwerken aus modularer Förder- und Lagertechnik bis hin zur Anwendung von Künstlicher Intelligenz für smarte Services in der Logistik. Es besteht die Anforderung, die logistischen Objekte zu identifizieren, zu orten, zu steuern und deren Zustände zu erfassen, um eine zielorientierte Interaktion im Sinne einer ganzheitlichen Vernetzung zu bewerkstelligen.
 

Steigende Rechenleistungen und bessere Datengrundlagen bei gleichzeitig sinkenden Kosten für Rechen- und Speicherkapazitäten stellen die Basis für den Einsatz von Machine Learning (ML) in der Produktion dar. Herausforderungen bestehen in der Identifizierung aussichtsreicher Anwendungsgebiete, dem Erkennen der mit diesen verbundenen Learning Tasks sowie dem Aufdecken passender Datensätze. In diesem Beitrag werden daher folgende Fragen beantwortet: Welche Anwendungsgebiete in der Produktion bieten das größte Potenzial für den Einsatz von ML? Welche frei zugänglichen Datensätze eignen sich, um eigene Erfahrungen zu sammeln und welche Learning Tasks sind damit verbunden? Was sind Best Practices für die Anwendungsgebiete?

Blockchains (BC) werden häufig direkt Bitcoin und andere Kryptowährungen verbunden. Dabei stellt BC die Technologie dar, auf der Bitcoin und Co basieren [1] und sind ein Anwendungsbeispiel unter vielen. Die BC besitzt einige Eigenschaften, die auch für das Supply Chain Management relevant sind. Produktrückrufe nehmen aufgrund der komplexen Supply Chains (SC) immer weiter zu. Dabei liegt die Herausforderung darin, einen Produktrückruf effizient vorzubereiten, durchzuführen und anschließend in die Ursachenanalyse einzusteigen. Genau an dieser Stelle kann die BC-Technologie unterstützen und Transparenz schaffen. So kann eine Reaktion schnell, kosteneffizient und situativ angemessen erfolgen. Ziel des Beitrags ist, einen Einblick in das Potenzial von BC für die Herausforderung „Produktrückruf“ zu geben.