FIR e. V. an der RWTH Aachen
Refine
Year of publication
Document Type
- Contribution to a Periodical (553)
- Doctoral Thesis (370)
- Master's Thesis (288)
- Conference Proceeding (234)
- doctorallecture (209)
- Bachelor Thesis (170)
- Part of a Book (152)
- Lecture (99)
- Report (70)
- Working Paper (63)
Language
- German (1825)
- English (400)
- Multiple languages (116)
- Spanish (2)
Is part of the Bibliography
- no (2343)
Keywords
- 1 (3)
- 2 (1)
- 3 (2)
- 3 PhasenKonzept (1)
- 3-Phasen-Konzept (2)
- 3D Druck (1)
- 3D-Druck (5)
- 3GPP (1)
- 3PhasenKonzept (7)
- 5G (23)
Institute
- FIR e. V. an der RWTH Aachen (2343)
- Produktionsmanagement (544)
- Dienstleistungsmanagement (482)
- Informationsmanagement (342)
- Business Transformation (196)
Die Spielregeln der betrieblichen Praxis werden aufgrund ansteigender Dynamik der aktuellen Covid-19-Pandemie neu definiert, Erfolgsprinzipien verlieren über Nacht ihre Gültigkeit. Die einschränkenden Effekte der Krise führen zu einem Paradigmenwechsel, der bekannte und etablierte Formen der Zusammenarbeit sowie die Anforderungen an Führungsqualitäten verändert. Bis vor wenigen Wochen war die virtuelle Durchführung von Abstimmungsrunden, Steuerkreisen und Projekt-Workshops für viele Unternehmen nicht denkbar. Wer sich die Tragweite der Pandemie jedoch bewusst vor Augen führt, erkennt, dass die Auswirkungen aktuell und in Zukunft wie ein Katalysator für die digitale Transformation wirken. Handlungsoptionen, die vor drei Monaten als unmöglich galten, sind inzwischen etablierter Bestandteil des Arbeitsalltags.
Mit konventionellen Produktions-, Lagerungs- und Lieferstrategien können die Erwartungen der Kunden im Bereich Wartung und Instandhaltung hinsichtlich einer ständigen Verfügbarkeit individualisierter Komponenten von den Herstellern nicht erfüllt werden. Durch die Möglichkeit, bedarfsgerecht in unmittelbarer Nähe am Bedarfsort zu produzieren, bietet der 3D-Druck das Potenzial, diese Herausforderung technologisch zu lösen. Kostenintensive Bevorratung oder unwirtschaftliche Produktion kleiner Stückzahlen würden in vielen Fällen entfallen. Ziel unseres Forschungsvorhabens '3Dsupply' als Teilvorhaben des Konsortialprojekts '3DPrint-Supply-Service - Entwicklung eines integrierten Dienstleistungskonzepts für Logistikdienstleister', gefördert mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 02K16C162, ist es, Industrieunternehmen einen barrierefreien, zuverlässigen Zugang zur 3D-Produktion von Ersatzteilen zu verschaffen. Durch die Entwicklung eines integrierten Dienstleistungskonzepts sollen Logistikdienstleister dazu befähigt werden, durch die Einbindung additiver Fertigungsquellen ihr Leistungsspektrum in der Ersatzteillogistik zu erweitern. Eine Lieferantenbewertungsmetrik bildet die Grundlage für die Realisierung eines Dienstleistungskonzepts für den Logistikdienstleister.
Unternehmen des Maschinenbaus stehen vor der Herausforderung, die Instandhaltungskosten ihrer Produkte effektiv zu beeinflussen. Die notwendigen Informationen sind oft nicht in der geeigneten Form erfasst oder gar nicht verfügbar. Das Ziel der Arbeit ist es, Unternehmen zu befähigen, mit unterschiedlichen Informationsständen eine Prognose der zu erwartenden Instandhaltungskosten durchzuführen und auf Basis informatorischer Unsicherheiten Handlungsempfehlungen zur Kostenreduktion abzuleiten.
Maschinen- und Anlagenbauer stehen vor der Transformation zu digitalen, datenbasierten Dienstleistungen. Viele Unternehmen scheitern an der Kommerzialisierung und Markteinführung. Die vorliegende Arbeit unterstützt Unternehmen des Maschinen- und Anlagenbaus bei der erfolgreichen Markteinführung datenbasierter Dienstleistungen. Auf Basis von empirischen Studien und Fallbeispielen werden Erfolgsfaktoren der Markteinführung untersucht und konkrete Gestaltungsempfehlungen für die Praxis abgeleitet.
It is crucial today that economies harness renewable energies and integrate them into the existing grid. Conventionally, energy has been generated based on forecasts of peak and low demands. Renewable energy can neither be produced on demand nor stored efficiently. Thus, the aim of this paper is to evaluate Deep Learning-based forecasts of energy consumption to align energy consumption with renewable energy production. Using a dataset from a use-case related to landfill leachate management, multiple prediction models were used to forecast energy demand.The results were validated based on the same dataset from the recycling industry. Shallow models showed the lowest Mean Absolute Percentage Error (MAPE), significantly outperforming a persistence baseline for both, long-term (30 days), mid-term (7 days) and short-term (1 day) forecasts. A potential decrease of up to 23% in peak energy demand was found that could lead to a reduction of 3,091 kg in CO2-emissions per year. Our approach requires low finanacial investments for energy-management hardware, making it suitable for usage in Small and Medium sized Enterprises (SMEs).
Im Zuge der Digitalisierung der Industrie stieg die Menge an erhobenen Daten aus unterschiedlichsten internen und externen Quellen in den letzten Jahren exponentiell an. Diese Entwicklung wird sich fortsetzen. Insbesondere Unternehmen des Maschi-nen- und Anlagebaus verfügen über eine Vielzahl von ungenutzten Nutzungs- bzw. Kundendaten. Hier setzt das Vorhaben ServiceAnalytics an.
Integrierte Sensoren innerhalb der Maschinen liefern kontinuierlich Daten über den Zustand der verbauten Komponenten und deren Nutzung (bspw. Verschleiß, Warnun-gen, Störungsmeldungen, Fehlercodes, Ereignismeldungen, aber auch Umgebungs-daten wie Temperatur, Feuchtigkeit, etc.). Auf diese können die Hersteller heute oft-mals mittels der Basistechnologie des Internets in Echtzeit zugreifen und sie somit nutzbar machen. Besonders im Bereich des Dienstleistungsgeschäfts können die auf-genommenen Daten genutzt werden, um damit sowohl das Dienstleistungsportfolio zu erweitern als auch die Profitabilität des bestehenden Dienstleistungsgeschäf-tes erhöhen. Dafür stehen die Unternehmen vor der Herausforderung eigene Daten-analyse-Fähigkeiten zu entwickeln. Diese Fähigkeit wird in der Literatur Business-Ana-lytics genannt und befähigt die Unternehmen dazu, die erhobenen Daten mittels ge-eigneter Analyseinstrumente auszuwerten, um eine bessere Entscheidungsgrundlage für geschäftsrelevante Fragestellungen zu schaffen (s. CHEN ET AL. 2012). Um die ge-nerierten Daten zu nutzen, damit die vorhandenen Potenziale im Dienstleistungsge-schäft realisiert werden können, müssen sich Unternehmen daher weiterentwickeln und ein Geschäftsfeld Service-Analytics aufbauen. Unter Service-Analytics wird in diesem Zusammenhang die Anwendung von Business-Analytics im Dienstleistungs-geschäft verstanden. In diesem Zuge durchlaufen die Unternehmen einen Transfor-mationsprozess, der durch unterschiedlichste Herausforderungen gekennzeichnet ist. So stoßen die potenziellen Anbieter der datenbasierten Dienstleistungen während des Wandels auf eine dynamische Unternehmensumwelt. Wechselnde Kundenbe-dürfnisse, schnell reagierende Wettbewerber und sich rasant wandelnde Technologien sind nur einige der Faktoren, die auf die Unternehmen wirken. Diese Herausforde-rungen gilt es durch geeignete Instrumente zu adressieren, um das neue Geschäfts-feld Service-Analytics nachhaltig und mit Erfolg aufzubauen. Häufig fehlt es jedoch insbesondere klein- und mittelständischen Unternehmen an dem nötigen Fach- und Prozesswissen, um die Datenerhebung und -auswertung wirtschaftlich rentabel zu ge-stalten.
So bestand das Ziel des Forschungsprojektes ServiceAnalytics darin, klein- und mit-telständische Unternehmen (kmU) des Maschinen- und Anlagebaus zur Anwendung von Service-Analytics zu befähigen mit dem Ziel die Dienstleistungsprofitabilität zu steigern.
Die Vernetzung der Wertschöpfungsnetzwerke zu globalen und digitalen Ökosyste-men steht im Mittelpunkt des Leitbildes 2030 der Industrie 4.0. Unternehmensrele-vante Daten, in Echtzeit generiert, werden zwischen Partnern über eine digitale Platt-form ausgetauscht und ausgewertet. Die ausgetauschten Daten werden veredelt und bieten datengetriebene Mehrwerte. Produkte werden effizienter produziert. Neue Ge-schäftsmöglichkeiten für Unternehmen eröffnen sich und Kunden werden dank Nut-zungsdatenanalysen besser verstanden (s. BMWI 2019b, S. 6; HEPPELMANN U. PORTER 2015). Damit produzierende Unternehmen die Mehrwerte abschöpfen können, müssen sie im Datenhandling unterstützt werden. Schon heute fällt mehr als ein Zehntels des weltweit erzeugten Datenvolumens auf sie zurück (s. GANTZ ET AL. 2018, S. 22). Initi-ativen wie "Industrie 4.0", "Industrial Value Chain Initative" oder "Industrial Internet of Things" fördern die Digitalisierung der Produktionsstätten. Immer mehr Produktions-mittel und Produkte werden smart und erzeugen eine Vielfalt an Daten (s. HEPPELMANN U. PORTER 2015, S. 1). Diese Daten müssen durch digitale Plattformen unternehmensübergreifend austauschbar werden. Auswertbare Datenpools entstehen, die mittels Analyse und Interpretation zu deutlichen Effizienzsteigerungen, Produktionsverbesserungen und zusätzlichen Mehrwerten führen (s. BMWI 2019b, S. 6). Der Bedarf wird in Zukunft steigen. Das weltweitet erzeugte Datenvolumen wird bis 2025 von 33 Zettabyte (ZB) auf bis zu 175 ZB anwachsen (s. GANTZ ET AL. 2018, S. 3). Im Business-to-Consumer-(B2C)-Bereich haben sich ausländische Unternehmen den Datenmarkt gesichert. Facebook, Google und Amazon Vorreiter sind. Der Großteil erzeugter Consumer Daten wird durch sie ausgewertet. Um eine ähnliche Abhängig-keitsentwicklung von US-amerikanischen Firmen im Business-to-Business-(B2B)-Bereich zu vermeiden, hat die europäische Union die GAIA-X Initiative gegründet. Sie bemüht sich um die Schaffung einer frei zugänglichen Dateninfrastruktur gemäß den liberalen und sozialen europäischen Werten (s. BMWI 2019b, S. 6). Neben der Politik hat die freie Wirtschaft die Chancen digitaler Plattformen für Datenaustausch erkannt. Es entstehen unterschiedliche Angebote, welche das Erschaffen auswertbarer Datenpools ermöglichen sollen (vgl. BANERJEE U. RUJ 2019; DRASKOVIC U. SALEH 2017; OCEAN PROTOCOL 2019). Beide verfolgen das Ziel, Datenmehrwerte für Unter-nehmen zu generieren. Die Reifenhäuser Gruppe, 1911 durch Anton Reifenhäuser gegründet, ist ein Maschinen- und Anlagenhersteller für die Kunststoffindustrie. Sie hat sich auf die Herstellung von Extrusionsanlagen spezialisiert. Reifenhäuser Digital ist, als eine Business Unit der Gruppe, für das Digitalangebot der Gruppe zuständig. Produktentwicklungen finden im engen Stakeholder-Austausch statt. Kundenprobleme werden analysiert und entsprechende Lösungen erarbeitet, die die Probleme bestmöglich adres-sieren. Die Kunden der Reifenhäuser Gruppe sind produzierende Unternehmen der Kunststoffindustrie. Diese stehen vor branchenspezifischen Herausforderungen, die sie bewältigen müssen, um wettbewerbsfähig zu bleiben. Die Reifenhäuser Gruppe hat mit der Gründung der Reifenhäuser Digital erkannt, wie wichtig die Digitalisierung für produzierende Unternehmen ist um wettbewerbsfähig zu bleiben. Datenmehrwerte sollen durch passende Produktentwicklung abschöpfbar gemacht werden. Die vorangestellte Produktidee in der Forschungsarbeit ist eine digitale Plattform für Datenaustausch in der Kunststoffindustrie. Es ist fraglich, inwieweit eine solche Problemstellungen der Kunden lösen können.
Schlüsselfaktoren für den industriellen Einsatz Additiver Fertigung in produzierenden Unternehmen
(2020)
Die Additive Fertigung (AM) ist insbesondere als Hilfsmittel bei der Produktentwicklung weit verbreitet. 71 Prozent der produzierenden Unternehmen setzen AM für die Fertigung von Prototypen und Pilotserien ein. Derzeit eignet sich AM jedoch nicht mehr nur für die Fertigung von Prototypen und Pilotserien, sondern gewinnt auch zur Herstellung von Endprodukten aus metallischen Werkstoffen an Bedeutung. Der vorliegende Beitrag verfolgt das Ziel, Schlüsselfaktoren zu identifizieren, die den industriellen Einsatz von AM in produzierenden Unternehmen am stärksten prägen. Damit wird zugleich die Grundlage geschaffen für ein systematisches Vorausdenken der Zukunft.
Digital networking via the company and as well, the overall supply chain, can only succeed if digital planning reflects reality as accurately as possible and if production control can react to deviations in real time. In essence, this leads to a development of process control towards process regulation. While longterm production and resource planning is usually mapped by Enterprise Resource Planning (ERP) systems, detailed planning, including short-term deviations and real-time data at the production level, is increasingly supported by Manufacturing Execution Systems (MES) at the production control level. However, in order to bring the underlying system concepts into line with Industry 4.0 efforts in a standardized manner, mutual functional integration within the framework of interoperable production planning and control is of crucial importance. For this purpose, studies were carried out in particular into cause-effect relationships. Thus, the overarching research objective is a valid design model to increase the controllability of production planning and control systems (PPC) in the context of Industry 4.0.
The digitalization of manufacturing processes is expected to lead to a growing interconnection of production sites, as well as machines, tools and work pieces. In the course of this development, new use-cases arise which have challenging requirements from a communication technology point of view. In this paper we propose a communication network architecture for Industry 4.0 applications, which combines new 5G and non-cellular wireless network technologies with existing (wired) fieldbus technologies on the shop floor. This architecture includes the possibility to use private and public mobile networks together with local networking technologies to achieve a flexible setup that addresses many different industrial use cases. It is embedded into the Industrial Internet Reference Architecture and the RAMI4.0 reference architecture. The paper shows how the advancements introduced around the new 5G mobile technology can fulfill a wide range of industry requirements and thus enable new Industry 4.0 applications. Since 5G standardization is still ongoing, the proposed architecture is in a first step mainly focusing on new advanced features in the core network, but will be developed further later.
Die Digitalisierung hat weitreichende Konsequenzen für Unternehmen, neue Schnittstellen entstehen ebenso wie neue Risiken. Es fehlen Ansätze für die Transformation, die KMU auf ihrem Weg in eine Industrie 4.0 unterstützen. Das Ziel des Verbundprojektes SiTra4.0 ist es, die für die Digitalisierung notwendigen Veränderungen im Unternehmen zu identifizieren und einen Prozess zu etablieren, der durch eine präventiv wirksame Sicherheitskultur es KMU ermöglicht den Wandel zu gestalten. Das Projekt fokussiert zwei Industriezweige mit ihren spezifischen Herausforderungen: Metallverarbeitende Branche und Baubranche.
Der Weg zum flächendeckenden Einsatz von Predictive Maintenance ist noch weit. Einzelne Anwendungsfälle können jedoch jetzt schon umgesetzt werden und sich auch wirtschaftlich rentieren. Der Aufwand zur Umsetzung betrieben werden muss ist jedoch sehr hoch, daher sollten Projekte nicht unbedarft angegangen werden.
In den letzten Ausgaben haben wir uns angeschaut, was Predictive Maintenance eigentlich ist und wie eine effektive Weiterentwicklung der Instandhaltung aussehen kann. Der folgende Artikel baut darauf auf und soll ein Gefühl dafür vermitteln, welche Anforderungen an die Infrastruktur und Datengrundlage für Predictive Maintenance gestellt werden und mit welchem Aufwand eine Einführung verbunden ist.
Predictive Maintenance als solches ist noch sehr weit weg von einer Plug-and-Play-Lösung und erfordert einen immensen Aufwand, der nicht angestoßen werden sollte, ohne vorher die eigenen Hausaufgaben gemacht zu haben und sich im Klaren über das Kosten-Nutzen-Verhältnis zu sein.
Predictive Maintenance ist eine vielversprechende Technologie, die jedoch mit einem großen Implementierungsaufwand verbunden ist. Ein strukturiertes Vorgehen in Form einer Roadmap kann dabei helfen, den richtigen Hebel zu finden und die eigenen Ressourcen bestmöglich einzusetzen. Die Roadmap schafft Sicherheit für die Mitarbeiter, setzt einzelne Investitionsentscheidungen in einen größeren Kontext und sichert sie dadurch ab. Im ersten Teil der Serie haben wir uns im Artikel "Predictive Maintenance – überall, nur nicht am Shopfloor" angeschaut, was "predictive" im Kontext der Instandhaltung bedeutet. Der Weg zu einer Etablierung von Predictive Maintenance in der Produktion ist noch weit, kann sich aber lohnen. Wie das geht, soll der folgende Artikel dadurch vermitteln, dass er aufzeigt, wie eine effektive Entwicklungsstrategie für die Instandhaltung aussehen kann.