Refine
Document Type
- Contribution to a Periodical (10)
- Book (6)
- Part of a Book (3)
- Conference Proceeding (3)
- Working Paper (3)
- Report (2)
- Article (1)
Is part of the Bibliography
- no (28)
Keywords
- 3PhasenKonzept (1)
- ADAM (2)
- Abschlussbericht (1)
- Anlernassistent (2)
- Ausbildung des Nähenden (1)
- BMWi (1)
- Big Data (3)
- BigPro (3)
- Cloud (2)
- Complex Event Processing (1)
Institute
- FIR e. V. an der RWTH Aachen (28) (remove)
Die vernetzte Digitalisierung als Befähiger für Intelligente Produkte und datenbasierte Geschäftsmodelle stellt Unternehmen vor zahlreiche und vielfältige Herausforderungen auf dem Weg durch die digitale Transformation. Zur Unterstützung dieser Unternehmen wurden in den vergangenen Jahren diverse Referenzarchitekturmodelle entwickelt. Eine detaillierte Analyse derselben und insbesondere ihrer Nutzung durch Unternehmen zeigt schnell, dass aktuell bestehende Referenzmodelle große Schwächen in der Anwendung und somit in der Praxistauglichkeit aufweisen. Mit dem Aachener Digital-Architecture-Management (ADAM) wurde ein Modell entwickelt, das gezielt die Schwächen bestehender Referenzarchitekturen adressiert, ohne ihre Stärken zu vernachlässigen. Als holistisches Modell, speziell für die Anwendung durch Unternehmen entwickelt, strukturiert das ADAM-Modell die digitale Transformation von Unternehmen in den Bereichen der digitalen Infrastruktur und der Geschäftsentwicklung. Systematisch werden Unternehmen dazu befähigt, die Gestaltung der Digitalarchitektur unter Berücksichtigung von Gestaltungsfeldern voranzutreiben. Dabei bietet das Modell nicht nur eine Strukturierungshilfe, sondern beinhaltet auch einen Baukasten, um das Vorgehen in der digitalen Transformation zu konfigurieren. Durch die Breite und Tiefe von ADAM werden Unternehmen befähigt, den Weg durch die digitale Transformation systematisch und strukturiert zu bestreiten, ohne die wertschöpfenden Bestandteile der Digitalisierung aus den Augen zu verlieren.
With big data-technologies on the rise, new fields of application appear in terms of analyzing data to find new relationships for improving process under-standing and stability. Manufacturing companies oftentimes cope with a high number of deviations but struggle to solve them with less effort. The research project BigPro aims to develop a methodology for implementing counter measures to disturbances and deviations derived from big data. This paper proposes a methodology for practitioners to assess predefined counter measures. It consists of a morphology with several criterions that can have a certain characteristic. Those are then combined with a weighting factor to assess the feasibility of the counter measure for prioritization.
Subscription business transforms traditional business models of machinery and plant engineering. Many manufacturing companies struggle to pull out the potential created by Industry 4.0 and make it economically usable. In addition to technological innovations, it is necessary to transform the business model. This leads to a shift from ownership-based and product-centric business models to outcome-based business models, which focus on the customer's value and thus realize a unique value proposition and competitive advantage – the outcome economy. Based on a case study analysis among manufacturing companies, this paper provides further clarification including a definition and constituent characteristics of subscription business models in machinery and plant engineering.
Im Forschungsprojekt BigPro wird die Frage beantwortet, wie Big Data aus der Produktion genutzt werden können, um das Störungsmanagement zu unterstützen. Dazu wurde ein Vorgehen entwickelt, das sicherstellt, dass die erforderlichen Informationen in der richtigen Form zu Verfügung stehen und das System zielgerichtet auf- und eingesetzt werden kann. Das Projekt „BigPro“ wird
über das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Förderprogramms IKT 2020 – Forschung für Innovationen mit dem Förderkennzeichen 01IS14011 gefördert
Unternehmen, die ihre Prozesse durch maschinelles Lernen unterstützen wollen und hierfür auf externe Dienstleister und Produkte zurückgreifen müssen, fehlen die qualifizierten Anhaltspunkte für die Auswahl eines Machine-Learning-Anbieters.
Aus dieser Motivation heraus ist die vorliegende Marktstudie Industrial Machine Learning entstanden. Sie bietet Unternehmen die Grundlage, eine fundierte Entscheidung für oder gegen den Einsatz von Machine Learning im Unternehmen zu
treffen.
Die Darstellung von realen Usecases in der vorliegenden Marktstudie veranschaulicht die konkrete Anwendbarkeit. Insbesondere damit leistet die Studie ihren Beitrag, das Thema Maschine Learning verständlich und anschaulich darzustellen.
Die Marktstudie bietet einen umfassenden Überblick über unterschiedliche Arten von Anbietern und Lösungsmöglichkeiten.
Ein Anspruch auf Vollständigkeit wird dabei nicht erhoben und wäre für die Zielsetzung nicht angebracht.
Smart-Data-Management
(2022)
Durch die vernetzte Digitalisierung stehen Unternehmen mehr Daten zur Verfügung als je zuvor. Die Tendenz ist dabei steigend und ein Ende der Entwicklung nicht abzusehen. Gleichzeitig wirken höhere Kundenanforderungen und ein globalisiertes Wettbewerbsumfeld spürbar auf die produzierende Industrie ein. Kompetenzen wie individualisierte Produktentwicklung, nachhaltige Kundenbindung und ein einzigartiges Wertversprechen gewinnen zunehmend an Relevanz. In diesem Spannungsfeld stellt sich die Frage, wie das Potenzial der stetig wachsenden Rohdatenmengen genutzt werden kann, um sich auf dem Markt von Mitstreitern abzusetzen.
Die Inhalte des Kapitels ‚Smart-Data-Management‘ sollen dazu dienen, produzierende Unternehmen zu befähigen, durch datenbasierte Anwendungen produktive und vorausschauende Entscheidungen zu treffen. Dabei kann der Mehrwert in einer gesteigerten Reaktionsgeschwindigkeit in Bezug auf externe Effekte liegen, aus der Verbesserung bestehender Unternehmensprozesse hervorgehen oder sich in neuen, durch Künstliche Intelligenz (KI) erschlossenen Geschäftsfeldern zeigen.
Dieses Kapitel schließt sich an die Themenstellungen der Informationslogistik (Kap. 8) und des Projektmanagements (Kap. 10) an und fokussiert die notwendigen Schritte zur erfolgreichen Umsetzung von datenbasierter Wertschöpfung. Es werden Trendthemen wie Big Data, KI und Maschinelles Lernen aufgegriffen und im Zuge dessen ein Projektvorgehensmodell vorgestellt, das auf das Management von Smart Data zugeschnitten ist.
In diesem Kapitel werden die Begriffe und Grundlagen des Informationsmanagements (IM) erläutert. Zunächst werden die Begriffe „Daten“ und „Information“ erläutert und voneinander abgegrenzt. Darauffolgend werden die Begriffe „Informationssystem“ und „Informationstechnologie“ erläutert. Zudem wird der Begriff „Informationsmanagement“ definiert und dessen Aufgaben im Unternehmenskontext eingeordnet. Abschließend wird der Begriff des IT-Business-Alignments eingeführt und dessen Notwendigkeit im Unternehmenskontext hergeleitet.
The aim of the related research project eCloud is to enable small and medium sized enterprises (SMEs) to implement flexible energy management without in-depth energy knowledge and with little distraction from day-to-day business, which is prepared for current and future challenges in the field of energy use. The overall result is a validated prototype for a plug and automate capable (i.e. without implementation effort) operational energy management, which can be successively set up in SMEs based on a cloud platform. Through its gradual and modular implementation, energy management meets the individual needs of each company and contributes to energy system transformation and climate protection by reducing energy costs and greenhouse gas emissions by up to 25%. In total, three expansion stages are available with the levels of monitoring, load management and grid usage, which consist of various Software as a Service (SaaS) modules from the cloud that can be retrieved as required. Thus, the user only needs a minimal hardware intervention in his production and saves a complex IT infrastructure. The methodology developed has been successfully applied by two user companies so far. This proves the effectiveness of the method.
Im "Data Quality Center" widmen sich Experten und Forscher der Hochschule Heilbronn, des FIR und des Trovarit Competence Centers Datenmanagement gemeinsam der Frage, mit welchen Werkzeugen und Methoden Unternehmen effizient die Qualität ihrer Stammdaten messen und verbessern können. Erstes Ziel ist die Entwicklung einer Methodik und Toolchain für das betriebliche Stammdatenmanagement zur Evaluierung und Sicherung der Stammdatenqualität. Der Beitrag liefert erste Ergebnisse sowie eine Marktübersicht zu MDM-Lösungen. Außerdem wird die DQC-Methodik zur Bewertung der Stammdatenqualität im Unternehmen beschrieben.
Seit Jahren bestimmt Industrie 4.0 die Diskussionen um die Erhaltung der Wettbewerbsfähigkeit produzierender Unternehmen. Der Kern von Industrie 4.0 steht für die Transformation zu einem agilen Unternehmen, um die Produktivität signifikant zu erhöhen, flexibel auf Änderungen zu reagieren und Entscheidungen datenbasiert zu treffen. Das Potenzial ist erkannt, aber die Umsetzung der digitalen Transformation ist herausfordernd.
Der Acatech Industrie 4.0 Maturity Index unterstützt Unternehmen dabei.