Datengetriebene Produktion zum Anfassen
-
Viktor Berchtenbreiter
Viktor Berchtenbreiter, M. Sc., geb. 1996, studierte allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2022 ist er am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftlicher Mitarbeiter tätig.
,
Magnus von Elling
Magnus von Elling, M. Sc., geb. 1995, studierte allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2021 ist er am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftlicher Mitarbeiter tätig.
Cornelia Tepper, M. Sc., geb. 1990, studierte zunächst Industriemanagement an der EUFH Neuss und anschließend allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2019 ist sie am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftliche Mitarbeiterin tätig.
Markus Weber, M. Sc., geb. 1991, studierte allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2017 ist er am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftlicher Mitarbeiter tätig.
Prof. Dr.-Ing. Matthias Weigold, geb. 1977, studierte allgemeinen Maschinenbau an der TU Darmstadt und promovierte am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Während seiner elfjährigen Industrietätigkeit sammelte er internationale Erfahrung in leitender Funktion im Bereich Manufacturing und als Product Owner im Bereich Digital Manufacturing. Prof. Weigold wurde 2019 an die TU Darmstadt berufen und leitet seitdem das Institut PTW.
Abstract
Die Implementierung von Lösungen der datengetriebenen Produktion in KMU stellt oftmals eine große Hürde dar, da häufig das notwendige Know-how nicht vorhanden ist. Mit dem Projekt „Plattform dataPro“ werden eine Transferumgebung zum Domänenwissen und Implementierungsansätze im Bereich der datengetriebenen Produktion geschaffen. Die Grundlage bilden Demonstratoren. Am PTW der TU Darmstadt wurde ein solcher Demonstrator zur KI-basierten Echtzeitüberwachung einer Motorspindel entwickelt, der Domänenwissen in einem anschaulichen Anwendungsfall darstellt.
Abstract
The implementation of data-driven production solutions in SMEs is repeatedly a major hurdle because the necessary know-how is often not available. The dataPro platform project creates a transfer environment for domain knowledge and implementation approaches in the area of data-driven production. Demonstrators form the basis. At the PTW of TU Darmstadt, such a demonstrator for AI-based real-time spindle monitoring was developed, which presents domain knowledge in an illustrative use case.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Viktor Berchtenbreiter, M. Sc., geb. 1996, studierte allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2022 ist er am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftlicher Mitarbeiter tätig.
Magnus von Elling, M. Sc., geb. 1995, studierte allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2021 ist er am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftlicher Mitarbeiter tätig.
Cornelia Tepper, M. Sc., geb. 1990, studierte zunächst Industriemanagement an der EUFH Neuss und anschließend allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2019 ist sie am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftliche Mitarbeiterin tätig.
Markus Weber, M. Sc., geb. 1991, studierte allgemeinen Maschinenbau an der Technischen Universität Darmstadt. Seit 2017 ist er am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt als Wissenschaftlicher Mitarbeiter tätig.
Prof. Dr.-Ing. Matthias Weigold, geb. 1977, studierte allgemeinen Maschinenbau an der TU Darmstadt und promovierte am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. Während seiner elfjährigen Industrietätigkeit sammelte er internationale Erfahrung in leitender Funktion im Bereich Manufacturing und als Product Owner im Bereich Digital Manufacturing. Prof. Weigold wurde 2019 an die TU Darmstadt berufen und leitet seitdem das Institut PTW.
Danksagung
Dieses Projekt wird durch die Hessische Staatskanzlei – Ministerium für Digitale Strategie und Entwicklung (Förderlinie Distr@l: Digitalisierung stärken – Transfer leben) gefördert. Wir danken für die Möglichkeit dieses Projekt bearbeiten zu dürfen.
Literatur
1 Verein Deutscher Werkzeugmaschinenfabriken e. V. (Hrsg.): Marktbericht – Die deutsche Werkzeugmaschinenindustrie und ihre Stellung im Weltmarkt. VDW, Frankfurt a. M. 2022Search in Google Scholar
2 Lerch, C.; Jäger, A.; Heimberger, H.: Produktion in Zeiten der Corona-Krise – Welche Auswirkungen hat die Pandemie heute und zukünftig auf die Industrie? Fraunhofer ISI, Mitteilungen Nr. 78, Karlsruhe 2020Search in Google Scholar
3 Schellinger, J.; Tokarski, K. O.; KisslingNäf, I.: Digitale Transformation und Unternehmensführung. Springer Fachmedien Wiesbaden, Wiesbaden 2020 DOI:10.1007/978-3-658-26960-910.1007/978-3-658-26960-9Search in Google Scholar
4 Schallmo, D.; Rusnjak, A.; Anzengruber, J. et al.: Digitale Transformation von Geschäftsmodellen. Springer Fachmedien Wiesbaden, Wiesbaden 2017 DOI:10.1007/978-3-658-12388-810.1007/978-3-658-12388-8Search in Google Scholar
5 Reder, B.: IDG-Studie 2021: „Machine Learning“ (München 2021). Online unter https://www.lufthansa-industry-solutions.com/dede/studien/idg-studie-machine-learning-2021?gclid=EAIaIQobChMIxb3QtoylQIVa49oCR1J8A6AEAAYASAAEgIdy_D_BwESearch in Google Scholar
6 Abele, E.; Dervisopoulos, M.; Kreis, M.: Beeinflussbarkeit von Lebenszykluskosten durch Wissensaustausch – Produzieren mit Blick auf die Lebenszykluskosten. wt Werkstatttechnik online 96 (2006) 7/8, S. 447–45410.37544/1436-4980-2006-7-8-447Search in Google Scholar
7 Schaeffler Technologies AG & Co. KG (Hrsg.): Hochgenauigkeitslager – Spindellager, Hochgenauigkeits-Zylinderrollenlager, Axial-Schrägkugellager. Schaeffler Technologies, Schweinfurt 2019Search in Google Scholar
8 Abele, E.; Weber, M.; Daume, C.: Spindelwälzlagerbelastung beim trochoiden Fräsen. wt Werkstattstechnik online 108 (2018) 10, S. 730–735 DOI:10.37544/1436-4980-2018-10-9410.37544/1436-4980-2018-10-94Search in Google Scholar
9 Brändlein, J.: Die Wälzlagerpraxis. Vereinigte Fachverlage, Mainz 1998Search in Google Scholar
10 Lantz, B.: Machine Learning with R. Learn how to Use R to Apply Powerful Machine Learning Methods and Gain an Insight into Real-world Applications. Packt Publishing, Birmingham, UK 2013Search in Google Scholar
11 Weber, M.; Merschroth, H.; Brockhaus, B. et al.: Connectivity & Communication – Research Group TEC, Manufacturing Technology. PTW der TU Darmstadt, Darmstadt 2021Search in Google Scholar
12 Burmester, M.; Laib, M.; Benke, I., Minge, M.: Vom ersten Schritt bis zum Dauerlauf. Wie bringt man Usability und User Experience (UUX) ins Unternehmen? Mensch und Computer 2019 – Workshopband. Gesellschaft für Informatik e. V., Bonn 2019 DOI: 10.18420/muc2019-ws-28710.18420/muc2019-ws-287Search 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
