62 Ingenieurwissenschaften
Filtern
Erscheinungsjahr
- 2024 (24) (entfernen)
Dokumenttyp
Sprache
- Deutsch (16)
- Englisch (4)
- Mehrsprachig (4)
Gehört zur Bibliographie
- nein (24)
Schlagworte
- AI (2)
- Abo-Modell (1)
- Abonnement (1)
- Beschaffung (1)
- Bestandsmanagement (1)
- CSRD (1)
- Datenaufbereitung (1)
- Dienstleistung (1)
- Digitaler Zwilling (1)
- ESG (1)
Institut / FIR-Bereiche
Der Digitale Produktpass (DPP) ist ein Konzept zur Erfassung und Bereitstellung produktbezogener Informationen während des gesamten Produktlebenszyklus, um Transparenz bezüglich Herkunft, Zusammensetzung und End-of-Life-Behandlungsoptionen zu schaffen. Somit bildet er eine wesentliche Grundlage für die Kreislaufwirtschaft. Es existieren bereits Ansätze für die inhaltliche Konzeption eines DPP für verschiedene Branchen, Datenstandards zur Erfassung von Produktinformationen und mehrere Marktlösungen zur praktischen Umsetzung. Allerdings sind Unternehmen nicht ausreichend auf die Umsetzung von DPP vorbereitet. Eine Herausforderung besteht darin, die relevanten Daten zur Deckung des Informationsbedarfs im Kontext der Kreislaufwirtschaft zu identifizieren und diese Daten mithilfe der bereits vorhandenen IT-Systemlandschaft zu konsolidieren. Die Analyse eines MES liegt hierbei im Fokus, da neben Bauteildaten auch die in der Produktion anfallenden Prozessdaten von Bedeutung sind.
Das Forschungsziel ist demnach die Überführung der im MES anfallenden Daten zu Informationen, die für einen auf die Ermöglichung von Remanufacturing ausgerichteten DPP relevant sind. Dazu wird zunächst eine Literaturrecherche zur Identifizierung potenziell relevanter Prozessdaten in MES sowie in einem DPP für das Remanufacturing erforderlichen Informationen durchgeführt. Um den aktuellen Stand der Technik zu berücksichtigen und konkrete Datenbedarfe für das Remanufacturing zu erfassen, werden diese Grundlagen mit Experteninterviews im produzierenden Sektor angereichert. Die Gegenüberstellung des Informationsbedarfs eines DPP und Datenangebots eines MES erlaubt die Ableitung einer Methodik zur Überführung relevanter Daten in einen DPP. Diese Methodik wird anschließend in der DFA Demonstrationsfabrik Aachen GmbH prototypisch validiert. Die Ergebnisse sollen produzierende Unternehmen unterstützen, mit ihrer bestehenden IT-Systemlandschaft DPP im Kontext des Remanufacturing umzusetzen.
In der vorliegenden Arbeit wird die Typisierung von Machine-Learning-Anwendungsfällen in der Intralogistik untersucht, einem Sektor, der durch die digitale Transformation und die Einführung von Industrie 4.0-Technologien geprägt ist. Ziel ist es, ein Rahmenwerk zur systematischen Identifikation und Kategorisierung von Machine-Learning-Anwendungen zu entwickeln, um deren Effizienz und Wirksamkeit in logistischen Prozessen zu optimieren. Basierend auf einer umfangreichen Literaturrecherche und einer Reihe von Fallstudien werden spezifische Einsatzmöglichkeiten des maschinellen Lernens analysiert und klassifiziert. Die Ergebnisse bieten sowohl theoretische Einblicke in die systematische Anwendung digitaler Technologien in der Logistik als auch praktische Empfehlungen für deren Implementierung zur Steigerung der operationellen Effektivität in der Intralogistik. Diese Forschung leistet einen Beitrag zum Verständnis der Rolle des maschinellen Lernens in der digitalisierten Logistik und unterstreicht die Bedeutung einer strukturierten Herangehensweise für die erfolgreiche Adoption dieser Technologien in logistischen Abläufen.
Kürzere Produktlebens- und Innovationszyklen sowie eine zunehmende Kreislaufwirtschaft stellen
Unternehmen vor die Herausforderung, ihre Produktionsprozesse schnell an die sich wandelnden
Anforderungen anzupassen. Entscheidend für die Umsetzung einer anpassungsfähigen Produktion ist
eine flexible Intralogistik. Dabei setzen Unternehmen zunehmend auf autonome mobile Roboter (AMR).
AMR navigieren selbstständig und können ihre Route an die Umgebungssituation anpassen, ohne einen
Fahrer zu benötigen. In der Praxis werden diese Vorteile jedoch selten genutzt, da AMR nicht hinreichend
in das Produktionssystem eingebunden sind. Die Schwierigkeit dabei liegt in der Generierung von
Transportaufträgen, die auf die Echtzeit-Lage im Produktionssystem angepasst sind und alle relevanten
Daten auf dem Shopfloor berücksichtigen, um so auf unvorhergesehene Veränderungen flexibel und
effizient zu reagieren.
Das Ziel dieser Arbeit ist die Entwicklung eines Datenmodells, welches die Einflüsse auf den Einsatz von
AMR in der Produktion umfasst und die Erstellung von echtzeitfähigen Transportaufträgen ermöglicht.
Dazu wird zunächst eine Literaturrecherche durchgeführt, um relevante Aspekte wie Datenquellen,
-senken, und -flüsse zu identifizieren. Anschließend werden deren Einflüsse auf echtzeitfähige
Transportaufträge mittels der Betrachtung generischer Use-Cases ermittelt und in einem Datenmodell
erfasst. Das entwickelte Modell soll in der DFA Demonstrationsfabrik Aachen Gmbhl validiert werden.
Die Ergebnisse dieser Arbeit sollen Unternehmen bei der effektiven Implementierung von AMR
unterstützen und als Mittel zur Erhöhung der Reaktionsfähigkeit moderner Produktionssysteme dienen
Industry 4.0 and smart factories have brought significant advancements in manufacturing processes, particularly in intralogistics. A key factor which forms the basis for creating smart intralogistics systems is data. However, there exist several data-related issues that hamper the efficiency of the intralogistics process such as data unavailability, poor data quality, inconsistent data, or underutilization of available data. The challenge is to identify, categorize, evaluate, and solve these issues. Overcoming this will help organizations understand the most impactful challenges.
By analysing real-world scenarios and interviewing industry experts, the problems present within the intralogistics process that are caused by the previously mentioned data-related factors are identified. The identified issues are clustered, and the clusters are characterized. A literature review explores the existing solutions or approaches to overcome these limitations. Subsequently finding out if the identified problems can be solved with current technologies and approaches or further research and development is needed. Next, a framework is developed which will act as a guide on the classification, evaluation and prioritization of the identified challenges. In the final part, the framework is validated on an industry specific use case and its limitations and future scope are discussed.
This master thesis emphasizes the significance of data in intralogistics processes by identifying and addressing data-related issues. The outcome on one hand is state-of-the-art solutions for the identified problems and on the other hand is a framework which will support businesses in determining how to tackle data-related issues to gain most benefit with respect to efficiency, productivity, flexibility and quality.