Nachhaltige Datennutzung im Handwerk
-
Konrad Jagusch
Konrad Jagusch, M. Sc., leitet am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP das Team der Produktionsplanung und -steuerung.
,
Paul Gerds
Paul Gerds, M. Sc., ist seit 2021 Wissenschaftlicher Mitarbeiter im Team Produktionsplanung und -steuerung. Vordergründig befasst er sich mit den Themenschwerpunkten der Generierung von Digitalisierungsansätzen zur datengetriebenen Steuerung von Produktionsprozessen.
Laura Knitter, M. Sc., arbeitet ebenfalls im Team der Produktionsplanung und -steuerung, wobei ein Inhaltsschwerpunkt die Anwendung von ML-Algorithmen darstellt.
Dr.-Ing. Jan Sender studierte Wirtschaftsingenieurswesen an der Universität Rostock und ist seit 2009 am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig. 2018 erwarb er den Doktortitel und seit 2019 leitet er die Abteilung Produktionssysteme und Logistik.
Prof. Dr.-Ing. Wilko Flügge ist Inhaber des Lehrstuhls Fertigungstechnik an der Universität Rostock und Leiter des Fraunhofer-Instituts für Großstrukturen in der Produktionstechnik IGP.
Abstract
In der handwerklichen Fertigung von Spezialprodukten wird dem Kunden eine lange Einflussnahme auf das Endergebnis eingeräumt. Aufgrund dessen treten extern wie intern initiierte Ereignisse auf, die eine schnelle und gezielte Reaktion erfordern. Hinweise sowie Erfahrungen helfen dabei, diese und weitere alltägliche Herausforderungen zu meistern. Eine nachhaltige Strategie zur Konservierung dieser Informationen fehlt jedoch in vielen Unternehmen. In diesem Beitrag wird ein Ansatz aufgezeigt, innerhalb dessen entsprechende Daten erfasst und zur gezielten Unterstützung unternehmensweit gestreut werden. Ferner wird dargelegt, wie diese Daten nachhaltig für neue Kundenaufträge verwendet und prozessoptimierend eingesetzt werden können.
Abstract
In the artisanal production of special goods, the customer is given a long influence on the final result. Due to this, externally as well as internally initiated events occur, which require a fast and targeted reaction. Hints as well as experiences help to master these and other daily challenges. However, a sustainable strategy to preserve this information is missing in many companies. In this paper, an approach is shown within which corresponding data is collected and scattered throughout the company for targeted support. It also shows how this data can be used sustainably for new customer orders and used in a process-optimizing manner.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Konrad Jagusch, M. Sc., leitet am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP das Team der Produktionsplanung und -steuerung.
Paul Gerds, M. Sc., ist seit 2021 Wissenschaftlicher Mitarbeiter im Team Produktionsplanung und -steuerung. Vordergründig befasst er sich mit den Themenschwerpunkten der Generierung von Digitalisierungsansätzen zur datengetriebenen Steuerung von Produktionsprozessen.
Laura Knitter, M. Sc., arbeitet ebenfalls im Team der Produktionsplanung und -steuerung, wobei ein Inhaltsschwerpunkt die Anwendung von ML-Algorithmen darstellt.
Dr.-Ing. Jan Sender studierte Wirtschaftsingenieurswesen an der Universität Rostock und ist seit 2009 am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig. 2018 erwarb er den Doktortitel und seit 2019 leitet er die Abteilung Produktionssysteme und Logistik.
Prof. Dr.-Ing. Wilko Flügge ist Inhaber des Lehrstuhls Fertigungstechnik an der Universität Rostock und Leiter des Fraunhofer-Instituts für Großstrukturen in der Produktionstechnik IGP.
Literatur
1 Wascinski, L. von; Weiß, M.; Tilebein, M.: Industrie 4.0 für die Textil- und Bekleidungsindustrie. In: Matt, D. T. (Hrsg.): KMU 4.0 – Digitale Transformation in kleinen und mittelständischen Unternehmen. GITO Verlag, Berlin 2018, S. 1–19 DOI: 10.30844/wgab_2018_0110.30844/wgab_2018_01Search in Google Scholar
2 Leeser, D. C.: Digitalisierung in KMU kompakt. Springer-Verlag, Berlin, Heidelberg 2020 DOI: 10.1007/978-3-662-59738-510.1007/978-3-662-59738-5Search in Google Scholar
3 Baudis, T.; Czapowski, J.; Reiz, A.; Wißotzki, M.: Enterprise Architecture Management in kleinen und mittleren Unternehmen. In: Eibl, M.; Gaedke, M. (Hrsg.): Informatik 2017. Gesellschaft für Informatik, Bonn 2017, S. 2067–2079 DOI: 10.18420/in2017_207 2017.10.18420/in2017_2072017.Search in Google Scholar
4 North, K.: Die Wissenstreppe. In: North, K. (Hrsg.): Wissensorientierte Unternehmensführung. Springer Fachmedien, Wiesbaden 2016, S. 33–65 DOI: 10.1007/978-3-658-11643-9_310.1007/978-3-658-11643-9_3Search in Google Scholar
5 Schuh, G.; Gartzen, T.; Soucy-Bouchard, S. et al.: Enabling Agility in Product Development through an Adaptive Engineering Change Management. Procedia CIRP 63 (2017), S. 342–347 DOI: 10.1016/j.procir.2017.03.10610.1016/j.procir.2017.03.106Search in Google Scholar
6 Ahlers, L. L.: Einführung eines Wissensmanagemets in kleinen und mittleren Unternehmen am Beispiel der Stadtwerke Wismar GmbH. Wismarer Diskussionspapiere, 01/2020, Hochschule Wismar 2020Search in Google Scholar
7 Hirsch, B. E. (Hrsg.): CIM in der Unikatfertigung und -montage – Leitfaden zum Erfolg. Springer-Verlag, Berlin, Heidelberg 1992 DOI: 10.1007/978-3-642-50258-310.1007/978-3-642-50258-3Search in Google Scholar
8 Popp, L.: KMU-Informationssysteme in der Produktion. In: Winkelmann, A.; Flath, C.; Thiesse, F. (Hrsg.): Sharing Economy in der Industrie. Springer Fachmedien, Wiesbaden 2021, S. 159–179 DOI: 10.1007/978-3-658-33923-4_910.1007/978-3-658-33923-4_9Search in Google Scholar
9 Jagusch, K.; Beuß, F.; Nehls, C. et al.: Digitalisierung als Voraussetzung für den Wissenstransfer in produzierenden KMU. ZWF 116 (2021) 11, S. 826–830 DOI: 10.1515/zwf-2021-018410.1515/zwf-2021-0184Search in Google Scholar
10 Grabner, T.: Operations Management – Auftragserfüllung bei Sach- und Dienstleistungen. Springer-Gabler-Verlag, Wiesbaden 2017Search in Google Scholar
11 Jagusch, K.; Sender, J.; Flügge, W.: Databased Product Adjustments During Manufacturing Based on Agile Production and Digital Representation in Shipbuilding Prefabrication. Procedia CIRP 93 (2020), S. 789–794 DOI: 10.1016/j.procir.2020.04.03210.1016/j.procir.2020.04.032Search in Google Scholar
12 Jagusch, K.; Sender, J.; Flügge, W.: Digitaler Informationsfluss in der Unikatfertigung. ZWF 114 (2019) 5, S. 306–309 DOI: 10.3139/104.11208210.3139/104.112082Search in Google Scholar
13 Neutatz, F.; Chen, B.; Alkhatib, Y. et al.: Data Cleaning and AutoML: Would an Optimizer Choose to Clean? Datenbank-Spektrum 22 (2022) 2, S. 121–130 DOI: 10.1007/s13222-022-00413-210.1007/s13222-022-00413-2Search in Google Scholar
14 Brownlee, J.: Data Preparation for Machine Learning – Data Cleaning, Feature Selection, and Data Transforms in Python. Machine Learning Mastery, 2020Search in Google Scholar
15 Mayring, P.: Qualitative Inhaltsanalyse. Grundlagen und Techniken. Beltz Verlag, Weinheim 2015 DOI: 10.1007/978-3-531-18939-0_3810.1007/978-3-531-18939-0_38Search in Google Scholar
16 Ushmani, A.: Machine Learning Pattern Matching. International Journal of Computer Science Trends and Technology (IJCST) 7 (2019)2, S. 4–7Search in Google Scholar
17 Medio, C. de; Gasparetti, F.; Limongelli, C. et al.: A Machine Learning Approach to Identify Dependencies Among Learning Objects. In: Proceedings of the 8th International Conference on Computer Supported Education, Rome, Italy, 21.-04.2016. SCITEPRESS – Science and and Technology Publications 2016, S. 345–352 DOI: 10.5220/000580050345035210.5220/0005800503450352Search in Google Scholar
18 Sen, J.; Kherwa, P.; Ahmed, S. et al.: Machine Learning – Algorithms, Models and Applications. IntechOpen Book Series Artificial Intelligence, Volume 7, 2021Search in Google Scholar
19 Sarker, I. H.: Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science 2 (2021) 3, S. 160 DOI: 10.1007/s42979-021-00592-x10.1007/s42979-021-00592-xSearch in Google Scholar PubMed PubMed Central
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Innovationen, Menschen und das Metaverse
- Organisationsformen
- Hybride Organisationsformen in der Produktion
- Lean Production
- Generierung von disruptiven Verbesserungsideen zur Arbeitsplatzgestaltung
- Rekonfiguration
- Automatisierte Rekonfiguration einer Montagelinie
- Produktionsplanung und -steuerung
- Die Auftragsfreigabe – Unterschätzte Aufgabe der Fertigungssteuerung?
- Konfiguration der PPS
- Produktionsqualität
- Dynamische Kameraverfolgung von Regions of Interest in der Produktion mit Flugrobotern
- Produktkennzeichnung
- Organisation und Koordination industriellen Kennzeichnens
- Prozessoptimierung
- Prozessoptimierung mithilfe der Prozess-Atlas-Systematik
- Nachhaltige Datennutzung im Handwerk
- Prozessoptimierung durch Flittergratvermeidung
- Receptance Coupling
- Modellierung der dynamischen Werkzeugnachgiebigkeit mithilfe der Receptance-Coupling-Analyse
- Digitale Technologien
- Technologiekombinationen zur Identifikation und Lokalisierung in der Produktion
- Nachhaltigkeit
- Digitaler Schatten zur nachhaltigen Konfiguration von Losgrößen
- Adieu Wegwerfwirtschaft – Nachhaltige Produktkreisläufe in der Cloud organisieren
- Künstliche Intelligenz
- Vertrauen und Akzeptanz bei KI-basierten, industriellen Arbeitssystemen
- Data Mining
- Datengetriebene Werkzeugeingriffsdetektion für Fräsprozesse
- Virtuelles Lernen
- Virtuelle Lernszenarien für die manuelle Montage
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Innovationen, Menschen und das Metaverse
- Organisationsformen
- Hybride Organisationsformen in der Produktion
- Lean Production
- Generierung von disruptiven Verbesserungsideen zur Arbeitsplatzgestaltung
- Rekonfiguration
- Automatisierte Rekonfiguration einer Montagelinie
- Produktionsplanung und -steuerung
- Die Auftragsfreigabe – Unterschätzte Aufgabe der Fertigungssteuerung?
- Konfiguration der PPS
- Produktionsqualität
- Dynamische Kameraverfolgung von Regions of Interest in der Produktion mit Flugrobotern
- Produktkennzeichnung
- Organisation und Koordination industriellen Kennzeichnens
- Prozessoptimierung
- Prozessoptimierung mithilfe der Prozess-Atlas-Systematik
- Nachhaltige Datennutzung im Handwerk
- Prozessoptimierung durch Flittergratvermeidung
- Receptance Coupling
- Modellierung der dynamischen Werkzeugnachgiebigkeit mithilfe der Receptance-Coupling-Analyse
- Digitale Technologien
- Technologiekombinationen zur Identifikation und Lokalisierung in der Produktion
- Nachhaltigkeit
- Digitaler Schatten zur nachhaltigen Konfiguration von Losgrößen
- Adieu Wegwerfwirtschaft – Nachhaltige Produktkreisläufe in der Cloud organisieren
- Künstliche Intelligenz
- Vertrauen und Akzeptanz bei KI-basierten, industriellen Arbeitssystemen
- Data Mining
- Datengetriebene Werkzeugeingriffsdetektion für Fräsprozesse
- Virtuelles Lernen
- Virtuelle Lernszenarien für die manuelle Montage
- Vorschau
- Vorschau
