Refine
Year of publication
Document Type
- Conference Proceeding (85)
- Part of a Book (25)
- Contribution to a Periodical (18)
- Article (10)
- Working Paper (7)
- Lecture (4)
- Internet Paper (4)
- Book (3)
- Report (2)
- doctorallecture (1)
Language
- English (97)
- German (62)
- Multiple languages (2)
Is part of the Bibliography
- no (161)
Keywords
- 2 (21)
- 3 (2)
- 3GPP (1)
- 5G (4)
- 5G mobile communication (2)
- 5G use case (1)
- 5G-Technology (1)
- AI (2)
- Aachener PPS-Modell (1)
- Abschlussbericht (1)
Institute
- FIR e. V. an der RWTH Aachen (161) (remove)
Immer noch ist es um die Zufriedenheit der Kunden mit der Qualität von Diestleistungen hierzulande nicht gut bestellt. An der Verbesserung dieses Zustands müssen wir arbeiten, in den Unternehmen, in den staatlichen Organisationen und in den Bildungseinrichtungen, denn die Frage, ob und wie wir den Wandel zur uneingeschränkten Servicegesellschaft bewältigen - der ohne eine konsequente Digitalisierung der Wertschöpfung unmöglich ist -, hat auch entscheidenden Einfluss auf die Zukunft des Wirtschaftsstandorts Deutschland.
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).
Unvorhergesehene Störungen gefährden in vielen Fällen den Kundenliefertermin. Die Produktionssteuerung hat die Aufgabe, effektiv und effizient auf diese kurzfristigen Störungen zu reagieren. Der Entscheidungsprozess beruht jedoch häufig auf einer qualitativen Analyse einer komplexen Situation anhand subjektiver Einschätzungen durch den Produktionsplaner. Zur Verbesserung der Entscheidungsfindung stellt dieser Beitrag eine App vor, die auf Basis von Echtzeitdaten und einer Simulation des Produktionssystems eine quantitative Entscheidungsfindung ermöglicht.
Due to Digital Transformation, also called Industry 4.0 or the Industrial Internet of Things, the barrier for implementing data collecting technology on the shop floor has decreased dramatically in the past years – leading to an increasingly growing amount of data from a multitude of IT systems in production companies worldwide. Despite that, the production controller still relies heavily on intrinsic knowledge and intuition for the management of disruptions in production. Thanks to advances in the fields of production control and artificial intelligence, potentials for the collected data for disruption management arise. However, in order to transform data into usable information and allow drawing conclusions for disruption management in production, the relevant data-objects, disturbances and alternative actions must be known. Thus, the decision-making can be supported, reducing the decision latency and increasing benefit of alternative actions. Therefore, the goal of this paper is to discuss the prerequisites necessary to perform a data based disruption management and the methodology itself, serving as an approach to allow companies to build a data basis, classify disruptions and alternative actions in order to improve decision making in the future. [https://link.springer.com/chapter/10.1007/978-3-030-28464-0_13]
Raus aus der Schockstarre!
(2019)
Nie war die Stellung von vermeintlichen Marktführern unsicherer als im Zeitalter der Digitalisierung. Die neuen technischen Möglichkeiten, in innovativen Geschäftsmodellen Wert aus der explodierenden Datenmenge zu schöpfen, wirbeln den Markt durcheinander. Wer mit dem technischen Wandel nicht mitgeht, riskiert, rasch abgehängt zu werden. Die gute Nachricht: Der Weg zur Industrie 4.0 ist ein Weg der kleinen Schritte. Überschaubare Maßnahmen heute sind allemal besser als der ganz große Wurf übermorgen.
Glück per Abo
(2019)
Was charakterisiert einen Menschen jenseits seines offensichtlichen Verhaltens und seiner äußeren Gestalt? Wohl nichts so sehr wie seine Bedürfnisse und Wünsche. „Am Ende existiert der Mensch nur durch seine Bedürfnisse“, bringt es der Dichter Friedrich Hebbel überspitzt auf den Punkt. Doch wie sehen diese Bedürfnisse aus?
Machine Learning
(2019)
Ziel des Forschungsvorhabens war die Erhöhung der Effizienz und Effektivität von Suchanfragen in ERP-Systemen. Dabei sollte der Aufwand für den Nutzer reduziert und die Qualität der Ergebnisse verbessert werden. Die Erreichung der Ziele wurde durch die Entwicklung einer selbstlernenden, kontextbasierten Suchmaschine für ERP-Systeme realisiert. Mit der Berücksichtigung des Kontexts einer Suchanfrage, des Benutzerverhaltens und einer Ergebnisbewertung durch den Anwender wurde die Ergebnisqualität von Suchanfragen kontinuierlich gesteigert. Durch die Entwicklung eines Demonstrators wurde der Nutzen des Konzepts nachgewiesen, indem dieser in verschiedenen Szenarien erprobt und anhand einer Wirtschaftlichkeitsbetrachtung bewertet wurde.