Automatisierte Erstellung von MTM-Analysen
-
Albrecht Borsdorf
Albrecht Borsdorf, M. Sc., geb. 1988, studierte an der Hochschule Mittweida, University of Applied Sciences Industrial Management. Ab 2016 arbeitete er für das Unternehmen dresden elektronik ingenieurtechnik GmbH als Field Application Engineer und Projektingenieur mit Spezialisierung auf Embedded Systems. Seit 2019 ist er als Forschungsingenieur bei der Deutschen MTM-Gesellschaft Industrie- und Wirtschaftsberatung mbH in Dresden im Geschäftsfeld Digitale Lösungen mit inhaltlichem Fokus im Bereich Data Science tätig.
Dr.-Ing. Fabian Nöhring, geb. 1988, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund. Ab 2013 war er als wissenschaftlicher Mitarbeiter am RIF Institut für Forschung und Transfer e. V. tätig und promovierte 2021 am Institut für Produktionssysteme (IPS) der TU Dortmund im Bereich der Digitalisierung/Industrie 4.0. Seit 2021 ist er als Innovationsmanager bei der Deutschen MTM-Gesellschaft Industrie- und Wirtschaftsberatung mbH in Hamburg tätig. Seine Arbeitsschwerpunkte liegen in der strategischen Ausrichtung der Organisation sowie im Transfer von Innovationen in die Industrie.
und
Peter Kuhlang
Prof. Dr. Peter Kuhlang, geb. 1970, habilitierte im Juni 2013 an der Technischen Universität Wien für das Fachgebiet „Betriebswissenschaften/Industrial Engineering“. Er ist außerordentlicher Universitätsprofessor an der TU Wien und leitet das MTM-Institut. Als Geschäftsführer der MTM ASSOCIATION e. V. sowie der Deutschen MTM-Gesellschaft Industrie- und Wirtschaftsberatung mbH in Hamburg ist er verantwortlich für die prosperierende Entwicklung aller weltweiten Forschungs-, Entwicklungs-, Beratungs-, Software- und Netzwerkaktivitäten.
Abstract
Die automatisierte Erstellung von MTM-Analysen stellt ein hohes Potenzial für den effizienten Einsatz sowie die Verbreitung der MTMMethoden dar. Entwicklungen im Kontext der Künstlichen Intelligenz bieten dazu vielfältige neue technologische Möglichkeiten. Im Rahmen einer Machbarkeitsstudie wurde ein Konzept zur KI-gestützten, textbasierten Datenauswertung entwickelt und geeignete Technologien zur Umsetzung des Konzepts identifiziert.
Abstract
The automated generation of MTM analyses (from company data) represents a high potential for the efficient use as well as the dissemination of MTM methods. Developments in the context of artificial intelligence offer a wide range of new technological possibilities for this purpose. As part of a feasibility study, a concept for AI-supported, text-based data evaluation was developed and suitable technologies for the realization of the concept were identified.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Gefördert durch das Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages (Fördernummer: DS200068).
About the authors
Albrecht Borsdorf, M. Sc., geb. 1988, studierte an der Hochschule Mittweida, University of Applied Sciences Industrial Management. Ab 2016 arbeitete er für das Unternehmen dresden elektronik ingenieurtechnik GmbH als Field Application Engineer und Projektingenieur mit Spezialisierung auf Embedded Systems. Seit 2019 ist er als Forschungsingenieur bei der Deutschen MTM-Gesellschaft Industrie- und Wirtschaftsberatung mbH in Dresden im Geschäftsfeld Digitale Lösungen mit inhaltlichem Fokus im Bereich Data Science tätig.
Dr.-Ing. Fabian Nöhring, geb. 1988, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund. Ab 2013 war er als wissenschaftlicher Mitarbeiter am RIF Institut für Forschung und Transfer e. V. tätig und promovierte 2021 am Institut für Produktionssysteme (IPS) der TU Dortmund im Bereich der Digitalisierung/Industrie 4.0. Seit 2021 ist er als Innovationsmanager bei der Deutschen MTM-Gesellschaft Industrie- und Wirtschaftsberatung mbH in Hamburg tätig. Seine Arbeitsschwerpunkte liegen in der strategischen Ausrichtung der Organisation sowie im Transfer von Innovationen in die Industrie.
Prof. Dr. Peter Kuhlang, geb. 1970, habilitierte im Juni 2013 an der Technischen Universität Wien für das Fachgebiet „Betriebswissenschaften/Industrial Engineering“. Er ist außerordentlicher Universitätsprofessor an der TU Wien und leitet das MTM-Institut. Als Geschäftsführer der MTM ASSOCIATION e. V. sowie der Deutschen MTM-Gesellschaft Industrie- und Wirtschaftsberatung mbH in Hamburg ist er verantwortlich für die prosperierende Entwicklung aller weltweiten Forschungs-, Entwicklungs-, Beratungs-, Software- und Netzwerkaktivitäten.
Literatur
1 Bokranz, R.; Landau, K.: Handbuch Industrial Engineering – Produktivitätsmanagement mit MTM (Bd. 2). SchäfferPoeschel Verlag, Stuttgart 2012, S. 39–57Suche in Google Scholar
2 Kuhlang, P.: Produktive und ergonomiegerechte Arbeit – Von der Prozesssprache MTM über die Ergonomiebewertung zu Human Work Design. In: Ifaa (Hrsg.): Leistung und Entgelt. Joh. Heider Verlag, Bergisch Gladbach 2018, S. 8–18Suche in Google Scholar
3 Hensel, R.; Steinmetz, M.; Hausmanninger, L.; Keil, M.; Benter, M.; Kuhlang, P.: Digitization of Ergonomic Planning and Design Processes – Results from the Validation Process of Motion Capture as Ergonomic Assessment Tool. In: Proceedings of the International Conference on Competitive Manufacturing (COMA) 2019, S. 418–424Suche in Google Scholar
4 Finsterbusch, T.: Entwicklung einer Methodik zur Bildung von Bausteinsystemen für die Gestaltung menschlicher Arbeit. Zugl. Dissertation der TU Dresden, MTMSchriftenreihe Industrial Engineering, Ausgabe 6; Eigenverlag DMTMV, Hamburg 2016. S. 17–18Suche in Google Scholar
5 Pfohl, H.-C. Abgrenzung der Klein- und Mittelbetriebe von Großbetrieben. In: Pfohl, H.-C. (Hrsg.): Betriebswirtschaftslehre der Mittel- und Kleinbetriebe – Größenspezifische Probleme und Möglichkeiten zu ihrer Lösung. 5. Aufl., E. Schmidt Verlag, Berlin 2013, S. 19–22Suche in Google Scholar
6 Statistisches Bundesamt (Hrsg.): Statistisches Jahrbuch – Deutschland und Internationales. Statistisches Bundesamt (Destatis), Berlin (2019, S. 528Suche in Google Scholar
7 Russell, S.; Norvig, P.: Artificial Intelligence: A Modern Approach. Pearson, Harlow 2021, S. 20Suche in Google Scholar
8 Kaffka, T.: Neuronale Netze – Grundlagen. MITP, Frechen 2017, S. 24Suche in Google Scholar
9 Keim, D.; Sattler, K.-U.: Von Daten zu KI: Intelligentes Datenmanagement als Basis für Data Science und den Einsatz Lernender Systeme. White-Paper aus der Plattform Lernende Systeme, München 2020, S. 10Suche in Google Scholar
10 Frochte, J.: Maschinelles Lernen. Carl Hanser Verlag, München 2019, S. 14 DOI: 10.3139/978344645997710.3139/9783446459977Suche in Google Scholar
11 Vaughan, D.: Analytical Skills for AI and Data Science. O‘Reilly Media, Sebastopol 2020, S. 20–22Suche in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Ein Klima des ständigen Wandels
- Produktionsmanagement
- Datengetriebene Produktion zum Anfassen
- Maschinelles Lernen
- Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
- VR-basierte Schulung
- Qualifikation von Maschinenbedienenden
- Assistenzsysteme
- Einsatz eines Sprachassistenzsystems in der Produktion
- Qualifizieren statt Dressieren?
- Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag
- MTM-Analyse
- Automatisierte Erstellung von MTM-Analysen
- Nachhaltigkeit
- Sustainability Value – Ökologie und Ökonomie auf einen Blick
- Elektrische Antriebe
- Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren
- Federnde Rotorkomponenten für elektrische Antriebe
- Energiespeicherung
- Entwicklung einer autonomen Elektrodenbeschichtung
- Wirtschaftlichkeit
- Beherrschung von Nachfrageschwankungen durch Belastungsflexibilität
- Schleiftechnologie
- Sensorische Schleifspindel fühlt Prozesskräfte beim Werkzeugschleifen
- Digitalisierung
- Paperless Production in der Prozessindustrie
- Digitaler Zwilling
- Vorgehensmodell zur Erstellung Digitaler Zwillinge für Produktion und Logistik
- Künstliche Intelligenz
- Intelligente Schweißroboter
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Ein Klima des ständigen Wandels
- Produktionsmanagement
- Datengetriebene Produktion zum Anfassen
- Maschinelles Lernen
- Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
- VR-basierte Schulung
- Qualifikation von Maschinenbedienenden
- Assistenzsysteme
- Einsatz eines Sprachassistenzsystems in der Produktion
- Qualifizieren statt Dressieren?
- Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag
- MTM-Analyse
- Automatisierte Erstellung von MTM-Analysen
- Nachhaltigkeit
- Sustainability Value – Ökologie und Ökonomie auf einen Blick
- Elektrische Antriebe
- Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren
- Federnde Rotorkomponenten für elektrische Antriebe
- Energiespeicherung
- Entwicklung einer autonomen Elektrodenbeschichtung
- Wirtschaftlichkeit
- Beherrschung von Nachfrageschwankungen durch Belastungsflexibilität
- Schleiftechnologie
- Sensorische Schleifspindel fühlt Prozesskräfte beim Werkzeugschleifen
- Digitalisierung
- Paperless Production in der Prozessindustrie
- Digitaler Zwilling
- Vorgehensmodell zur Erstellung Digitaler Zwillinge für Produktion und Logistik
- Künstliche Intelligenz
- Intelligente Schweißroboter
- Vorschau
- Vorschau
