Digitalisierung

Digitale Verzahnung in variantenreicher Fertigung - Komplexe Produktions- und Logistikprozesse mittels mobiler Apps harmonisieren

Sven Winkelhaus, Eric Grosse und Michael Bauer

Industrie 4.0 und Logistik 4.0 sind Phänomene, die in vielen Branchen sowohl die strategische Ausrichtung von Unternehmen als auch die operativen Prozesse prägen. Neben paradigmatischen Veränderungen sind insbesondere technische Lösungen im Fokus dieser Entwicklung. Mittels neuer Technologien kann die Komplexität individualisierter Produkte und komplexer Prozesse handhabbar werden. Auf Shopfloorebene können unbekannte Technologien jedoch auf Widerstand bei der Implementierung stoßen. Hier bieten Apps für mobile Endgeräte eine geeignete Möglichkeit, Produktions- und Logistikprozesse im Rahmen einer Digitalisierungsstrategie mitarbeiterfreundlich zu unterstützen. In diesem Beitrag wird die Verzahnung von Produktion und Logistik in der Industrie 4.0 näher beleuchtet und ein Fokus auf die Mitarbeitenden in dieser Entwicklung gelegt. An einem Beispiel wird verdeutlicht, wie Apps zu einer erfolgreichen digitalen Transformation beitragen können.

[mehr]



Digitalisierung

Betriebliches Nachhaltigkeitsmanagement 4.0 - Informationsdurchgängigkeit mittels Methoden der Wissensrepräsentation

Grischa Beier, Malte Reißig, Silke Niehoff und André Ullrich

Der Einfluss der Digitalisierung auf Wirtschaft und Gesellschaft ist omnipräsent und kann nicht losgelöst von der Debatte zur nachhaltigen Entwicklung betrachtet werden. Vor dem Hintergrund von Industrie 4.0 bietet das betriebliche Nachhaltigkeitsmanagement (BNM) besonderes Potenzial, sich den Themen nachhaltiges Wirtschaften und Digitalisierung aus Perspektive der Unternehmen zu nähern. Ein digitalisiertes Nachhaltigkeitsmanagement in industriellen Unternehmen mit Informationen zu unterstützen, bedarf jedoch einer Durchgängigkeit von Informationen. Um diese zu erreichen und zugleich Informationen aus verschiedenen Disziplinen zu integrieren, sind Methoden der Wissensrepräsentation geeignet. Aktuelle Herausforderungen und Ansätze für die Entwicklung eines offenen und konzeptionellen BNM-Modells werden in diesem Beitrag vorgestellt.

[mehr]



Digitalisierung

Maschinelles Lernen in der Produktion Anwendungsgebiete und frei verfügbare Datensätze

Jonathan Krauß, Jonas Dorißen, Hendrik Mende, Maik Frye und Robert H. Schmitt

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?

[mehr]



Digitalisierung

Kollaborative Robotik – Maschinelles Lernen durch Imitation - Flexible Automation für KMUs durch intelligente und kollaborative Roboterassistenten

 

Andrea Giusti, Dieter Steiner, Walter Gasparetto, Sebastian Bertoli, Michael Terzer, Michael Riedl und Dominik Tobias Matt

Der Trend zur kundenindividuellen Massenproduktion stellt klassische Produktionsmethoden kleinerer und mittlerer Unternehmen vor große Herausforderungen. Branchenübergreifend lässt sich feststellen, dass es für diese Unternehmen besonders schwierig ist mit klassischen Automationslösungen einen tragbaren Kompromiss für den Dreiklang aus hoher Flexibilität, hoher Produktionseffizienz und geringem Investitionsrisiko zu finden. Gleichzeitig stellt die Agilität zur Anpassung an variable Marktbedingungen eine typische Stärke kleiner und mittlerer Unternehmen dar.

[mehr]



Digitalisierung

Digitalisierung im Engineering - Ein Ansatz für ein Vorgehensmodell zur durchgehenden, arbeitsteiligen Modellierung am Beispiel von AutomationML

Eike Schäffer, Lars Penczek, Andreas Mayr, Jupiter Bakakeu, Jörg Franke und Bernd Kuhlenkötter

Die Digitalisierung im Engineering verspricht automatisierte Arbeitsabläufe, höhere Geschwindigkeiten und sinkende Kosten bei der Entwicklung von Automatisierungslösungen. Voraussetzung hierfür ist nicht nur die Modularisierung auf Basis einer strukturierten Beschreibungssprache, sondern auch eine einheitliche, aufeinander aufbauende Modellierung, welche einen automatisierbaren Datenaustausch über die Systemgrenzen hinweg ermöglicht. Um eine breite Anwendung zu erzielen, sollte die zugrundeliegende Ontologie auf bestehenden Normen und Standards aufbauen und in Open-Source-Anwendungen zur Verfügung stehen. Für die kollaborative und konsistente Entwicklung einer solchen Ontologie bedarf es eines strukturierten, methodischen Vorgehens sowie einer damit verbundenen Modellierungslandkarte, welche als Orientierung zur standardisierten, arbeitsteiligen Modellierung dient. Ein möglicher Ansatz für das benötigte Vorgehensmodell sowie der zugehörigen Landkarte wird im Rahmen dieses Beitrags vorgestellt und unter Verwendung von AutomationML validiert. Der vorgestellte Ansatz soll eine mögliche Richtung aufzeigen und weitere prozessgesteuerte Modellierungsbestrebungen von Ontologien anregen.

[mehr]



Industrial Big Data: Tieferes Prozessverständnis durch Daten - Modernes Informationsmanagement in der Produktion

Thomas Thiele, Max Hoffmann und Tobias Meisen

Längst hat die digitale Transformation auch die industrielle Produktion erreicht. Insbesondere getrieben durch die Erfolge und Fortschritte der vorwiegend amerikanischen IT-Unternehmen ist diese vierte industrielle Revolution, oder Industrie 4.0, wie sie in der Hightech-Strategie der Bundesregierung heißt, in vollem Gange. Eine Vielzahl von Begriffen und Technologien wie Internet der Dinge, Cyber-Physische Systeme und Big Data bilden das Rahmenwerk dieses Wandels. Im vorliegenden Beitrag wird insbesondere der Big Data Begriff adressiert und eine Abgrenzung dieses umfassenden Konzepts hinsichtlich der Definition von Industrial Big Data unternommen. Zudem wird anhand von Fallbeispielen exemplarisch erläutert, welche Mehrwerte die Anwendung dieser Methoden in der Produktion generiert.

[mehr]



Digitalisierung

Digitale Transformation greifbar für den Mittelstand - Entwicklung einer Roadmap für Industrie 4.0-Visionen in kleinen und mittleren Unternehmen

Robin Sutherland, Nicolas Wittine, Deike Gliem und Sigrid Wenzel

Insbesondere kleine und mittlere Unternehmen stehen noch immer vor der Herausforderung des digitalen Wandels. Reifegradmodelle bieten eine Möglichkeit, die Ist-Situation innerhalb des Unternehmens zu erfassen, und unterstützen die Bildung einer Industrie 4.0-Vision. Um die Überführung dieser Vision in konkrete Entscheidungsschritte zu ermöglichen, wird in dem vorliegenden Beitrag eine Methodik vorgestellt, mit der Unternehmen sich eine Roadmap für die Gestaltung des digitalen Wandels erarbeiten können.

[mehr]



Digitalisierung

Digital Twins for Circular Economy - Enabling Decision Support for R-Strategies

Janine Mügge, Inka Rebekka Hahn, Theresa Riedelsheimer und Johannes Chatzis

Digital twins (DT) for circular economy (CE) offer a promising approach as part of digital data ecosystems for more sustainable value creation. By mapping and analyzing product, component and material specific data along the lifecycle, it is possible to address current challenges such as climate change and resource scarcity. Within Catena-X, specific solutions based on this cross-company exchanged data and information are developed. Here, the “R-Strategy Assistant” is presented. It is an application, which identifies the best CE-Strategy based on DT data at the end of a vehicle's life.

[mehr]



Digitalisierung

Der Kognitive Loop - Und wie sich „Intelligenz“ auf Siliziumbasis konstelliert

Claus Riehle, Thorsten Pötter und Thomas Steckenreiter

In der Prozesstechnik denkt man in Produktionsoperationen, die von Sensoren und Aktoren gesteuert bzw. geregelt werden. Und jede Realisierung von Stoffumwandlung basiert auf einem physischen Substrat, was in gleicher Weise für lebende Systeme und ihr Verhalten gilt. Unterschieden werden in dem Beitrag drei Systemebenen: die Funktionsebene, das Interface zur Umwelt und die kognitive Ebene Intelligenz. Mithilfe dieser drei Ebenen lässt sich der Lernzyklus bzw. der bisherige Kognitive Loop sehr gut veranschaulichen. Vergleicht man in dieser Unterscheidungsweise intelligentes Verhalten von Menschen mit den technischen Entwicklungsstufen Maschinisierung, Automatisierung, Regelung und Deep Learning, dann wird das in der kybernetisch-soziologische Systemtheorie gängige Merkmal „operational geschlossen“ verständlich. Daraus wird der Schluss gezogen, dass wir im Rahmen einer digitalisierten Kultur von Produktion und Organisation mit einem neuen Kognitiven Loop auf Silizium-Basis (SI) rechnen sollten. Um diese Analogie hervorzuheben, bezeichnen wir das vom Homo Sapiens entwickelte intelligente Verhalten mit Bio-Informatisierung und die Evolution der sogenannten Künstlichen Intelligenz mit Si-Informatisierung.

[mehr]



Die komprimierte Automatisierungspyramide im Zeitalter der Industrie 4.0 – Wie der Digitale Steuerungszwilling die betrieblichen Anwendungen und die Integration der IT-Systeme im Unternehmen verändert

Wilmjakob Herlyn

Die Integration der betrieblichen Anwendungen wird in der DIN IEC-62264 beschrieben und auch als Automatisierungspyramide bezeichnet [1]. Dieses Integrationsmodell wurde auf der Basis des Wasserfall Modells von MRP-II entwickelt, das für die damalige Zeit bahnbrechend war [2, 3, 4]. Hier werden die betrieblichen Anwendungen hierarchisch-sequenziell durchlaufen mit den bekannten Nachteilen: viele Schnittstellen, Zeitverzögerungen, Datenverluste, Inkonsistenzen. Das Modell wird den aktuellen informatorischen Möglichkeiten der Industrie 4.0 nicht mehr gerecht.

[mehr]



Seiten

Fehler | INDUSTRIE-MANAGEMENT

Fehler

Auf der Website ist ein unvorhergesehener Fehler aufgetreten. Bitte versuchen Sie es später nochmal.