Paperless Production in der Prozessindustrie
-
Friedrich Morlock
Friedrich Morlock, geb. 1986, studierte Maschinenbau an der Ruhr-Universität Bochum (RUB), Technischen Universität Dortmund und Linköping University in Schweden. Anschließend war er als Wissenschaftlicher Mitarbeiter und Gruppenleiter Produktionsmanagement am Lehrstuhl für Produktionssysteme (LPS) der RUB tätig. Seit 2016 arbeitet er beim ChemieKonzern Evonik in verschiedenen Stellen im Bereich Prozessoptimierung, sowie seit 2022 als stellv. Betriebsleiter. Zudem ist er als Dozent an der IU International Hochschule im Bereich „Data Science Industrie 4.0“ aktiv.
,
Andreas Lindner
Andreas Lindner, geb. 1984, studierte Maschinenbau und Sales Engineering and Product Management an der RuhrUniversität Bochum (RUB). Nach Abschluss seiner Promotion zur wissensbasierten Datenauswertung von Produktnutzungsdaten verließ er die RUB und wechselte zur KHS GmbH, wo er das Zukunftsprojekt Predictive Maintenance leitete. 2017 erfolgte der Wechsel in den Evonik-Konzern, wo er als Digital Partner die Einführung verschiedener Softwarelösungen verantwortete. Derzeit ist er als Solution Manager für den Bereich Paperless Maintenance & Production tätig.
Thomas Riethmann, geb. 1983, studierte Umwelttechnik und Ressourcenmanagement an der Ruhr-Universität Bochum (RUB) und der Chalmers University of Technology in Schweden. Im Jahr 2008 stieg er beim Chemie-Konzern Evonik als Projektmanager ein und leite dort unter anderem industrielle Forschungsprojekte in Kooperation mit der Universität Stuttgart. Seit 2012 ist er im Umfeld der Produktion des Chemieparks tätig und sammelte dort Erfahrung mit der Einführung von digitalen Betriebsführungssystemen, zuletzt als Betriebsleiter des Kraftwerks I sowie nun seit 2020 als Betriebsleiter des Feinchemikalienbetriebs.
Abstract
Im Rahmen der digitalen Transformation der Produktion ist das Themenfeld Paperless Production ein wichtiger Treiber für die digitale Datenverfügbarkeit. Papierlose Lösungen haben den Vorteil, dass Daten aufwandsarm erzeugt und verwendet werden können. Beispielsweise lassen sich Messwerte aus Anlagenrundgängen und Papier-Checklisten in IT-Systemen abbilden und können dort als Datengrundlage für die Prozessoptimierung verwendet werden. Dieser Beitrag ordnet Paperless Production in die Industrie-4.0-Transformation ein und stellt ein Konzept dar, wie Paperless Production in einem Produktionsbetrieb der Prozessindustrie umgesetzt werden kann. Dazu wird eine Implementierung des Konzepts in einem Anwendungsfall eines Produktionsbetriebs beschrieben.
Abstract
In the context of the digital transformation of production paperless production is an important driver for the data management. Paperless solutions have the advantage that data can be generated and used with low effort. For example, measured data from plant tours and paper checklists can be transfered in IT systems and then be used there as a data basis for process optimization. This paper describes Paperless Production in the Industry 4.0 transformation and presents a concept like paperless production in a production plant of the process industry. To this end, an implementation of the concept in a use case of a Production operation described.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Friedrich Morlock, geb. 1986, studierte Maschinenbau an der Ruhr-Universität Bochum (RUB), Technischen Universität Dortmund und Linköping University in Schweden. Anschließend war er als Wissenschaftlicher Mitarbeiter und Gruppenleiter Produktionsmanagement am Lehrstuhl für Produktionssysteme (LPS) der RUB tätig. Seit 2016 arbeitet er beim ChemieKonzern Evonik in verschiedenen Stellen im Bereich Prozessoptimierung, sowie seit 2022 als stellv. Betriebsleiter. Zudem ist er als Dozent an der IU International Hochschule im Bereich „Data Science Industrie 4.0“ aktiv.
Andreas Lindner, geb. 1984, studierte Maschinenbau und Sales Engineering and Product Management an der RuhrUniversität Bochum (RUB). Nach Abschluss seiner Promotion zur wissensbasierten Datenauswertung von Produktnutzungsdaten verließ er die RUB und wechselte zur KHS GmbH, wo er das Zukunftsprojekt Predictive Maintenance leitete. 2017 erfolgte der Wechsel in den Evonik-Konzern, wo er als Digital Partner die Einführung verschiedener Softwarelösungen verantwortete. Derzeit ist er als Solution Manager für den Bereich Paperless Maintenance & Production tätig.
Thomas Riethmann, geb. 1983, studierte Umwelttechnik und Ressourcenmanagement an der Ruhr-Universität Bochum (RUB) und der Chalmers University of Technology in Schweden. Im Jahr 2008 stieg er beim Chemie-Konzern Evonik als Projektmanager ein und leite dort unter anderem industrielle Forschungsprojekte in Kooperation mit der Universität Stuttgart. Seit 2012 ist er im Umfeld der Produktion des Chemieparks tätig und sammelte dort Erfahrung mit der Einführung von digitalen Betriebsführungssystemen, zuletzt als Betriebsleiter des Kraftwerks I sowie nun seit 2020 als Betriebsleiter des Feinchemikalienbetriebs.
Literatur
1 Schuh, G.; Anderl, R.; Gausemeier J.; ten Hompel, M.; Wahlster, W. (Hrsg.): Industrie 4.0 Maturity Index – Die digitale Transformation von Unternehmen gestalten (acatech STUDIE). Herbert Utz Verlag, München 2017Search in Google Scholar
2 Morlock, F.; Wienbruch, T.; Leineweber, S.; Kreimeier, D.; Kuhlenkötter, B.: Industrie 4.0-Transformation für produzierende Unternehmen. ZWF 111 (2016) 5, S. 306–309 DOI:10.3139/104.11151410.3139/104.111514Search in Google Scholar
3 Block, C.; Freith, S.; Kreggenfeld, N.; Morlock, F.; Prinz, C.: Industrie 4.0 als soziotechnisches Spannungsfeld. ZWF 110 (2015) 10. S. 657–660 DOI:10.3139/104.11140210.3139/104.111402Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- 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
Articles in the same Issue
- 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
