Technologiekombinationen zur Identifikation und Lokalisierung in der Produktion
-
Philipp Wilsky
Philipp Wilsky, M. Sc., studierte Maschinenbau an der Technischen Universität Chemnitz. Seit 2017 ist er Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz und seit 2022 Leiter des Kompetenzfeldes Fabrikplanung.
,
Felix Franke
Felix Franke, M. Sc., studierte Wirtschaftsingenieurwesen an der Technischen Universität Chemnitz. Seit 2020 ist er Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz und seit 2022 Leiter des Kompetenzfeldes Fabrikbetrieb.
Dipl.-Inf. Daniel Fischer studierte Angewandte Informatik an der Technischen Universität Chemnitz. Seit 2019 ist er Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz.
Franziska Gassenbauer studiert Wirtschaftsingenieurwesen an der Technischen Universität Chemnitz.
Prof. Dr.-Ing. habil. Ralph Riedel studierte Wirtschaftsingenieurwesen an der Westsächsischen Hochschule Zwickau sowie Maschinenbau/Fabrik- und Arbeitsgestaltung an der TU Chemnitz. Er war von 2003 – 2021 Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz. Auf die Promotion (2005) und Habilitation (2012) folgte die Ernennung zum außerplanmäßigen Professor (2015). Ab 2018 leitete er die Professur kommissarisch. Seit 2021 ist er Professor für ABWL, insbesondere Logistik an der Westsächsischen Hochschule Zwickau.
Abstract
Digitale Technologien erfahren in der Produktion ein stetiges Wachstum. Für den Erfolg von digitalen Anwendungen ist die produktionsnahe Datenerfassung und -aufbereitung entscheidend. Hierfür sind Technologien zur automatischen Identifikation (z. B. RFID) sowie zur Indoor-Lokalisierung (z. B. BLE) gut geeignet. In der Planung dieser Systeme ergeben sich jedoch Fallstricke: Wenn Know-how über die technologischen Einsatzmöglichkeiten fehlt, kann es durch die unreflektierte Kombination von Technologien zu Störungen und Effizienzverlusten kommen. Der Beitrag stellt daher eine Methode zur Analyse von Technologiekombination vor, die eine zielgerichtete Konzeption im Hinblick auf die Problemanalyse und Lösungsauswahl beim Einsatz mehrerer Technologien ermöglicht.
Abstract
The possibilities of data acquisition and data analysis represent the basis for many development projects (e. g. increases in productivity, digital factory, digital business models). Target-oriented data acquisition and processing directly in production is decisive for the success of numerous digitization projects. Sensor systems already present on the shop floor often record comprehensive machine data, but only enable selective monitoring. In order to map and optimize internal process chains, consistent data collection of residence time and locations is required. Technologies for automatic identification (e. g. RFID) and indoor localization (e. g. BLE) are particularly suitable for this matter. Accordingly, these technologies have established themselves in various sectors (e. g. automotive, logistics, and mechanical engineering) in which the added value can already be proven. However, various obstacles arise when planning the integration of such systems. On the one hand, companies lack the relevant know-how about the technological possibilities and, on the other hand, the contradictory combination of different technologies can lead to disruptions and losses in efficiency. Therefore, the first aim of the article is, after a brief explanation of the problem, to generate an overview of available technology. On this basis, a method for the analysis of technology combinations is presented, which enables the draft of the later system with regard to problem analysis and solution selection when using several technologies.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Philipp Wilsky, M. Sc., studierte Maschinenbau an der Technischen Universität Chemnitz. Seit 2017 ist er Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz und seit 2022 Leiter des Kompetenzfeldes Fabrikplanung.
Felix Franke, M. Sc., studierte Wirtschaftsingenieurwesen an der Technischen Universität Chemnitz. Seit 2020 ist er Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz und seit 2022 Leiter des Kompetenzfeldes Fabrikbetrieb.
Dipl.-Inf. Daniel Fischer studierte Angewandte Informatik an der Technischen Universität Chemnitz. Seit 2019 ist er Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz.
Franziska Gassenbauer studiert Wirtschaftsingenieurwesen an der Technischen Universität Chemnitz.
Prof. Dr.-Ing. habil. Ralph Riedel studierte Wirtschaftsingenieurwesen an der Westsächsischen Hochschule Zwickau sowie Maschinenbau/Fabrik- und Arbeitsgestaltung an der TU Chemnitz. Er war von 2003 – 2021 Wissenschaftlicher Mitarbeiter an der Professur für Fabrikplanung und Intralogistik der Technischen Universität Chemnitz. Auf die Promotion (2005) und Habilitation (2012) folgte die Ernennung zum außerplanmäßigen Professor (2015). Ab 2018 leitete er die Professur kommissarisch. Seit 2021 ist er Professor für ABWL, insbesondere Logistik an der Westsächsischen Hochschule Zwickau.
Literatur
1 Kaul, A.; Schieler, M.; Hans, C.: Künstliche Intelligenz im europäischen Mittelstand: Status quo, Perspektiven und was jetzt zu tun ist. Universität des Saarlandes, Lehrstuhl für Wirtschaftspolitik, 2019Search in Google Scholar
2 Lernende Systeme (Hrsg.): KI im Mittelstand – Potenziale erkennen, Voraussetzungen schaffen, Transformation meistern. Plattform Lernende Systeme – Die Plattform für Künstliche Intelligenz, München 2021Search in Google Scholar
3 Abbas, M.; Hicking, J.; Janßen, J.; Schröer, T.: Erfolgreiche Gestaltung von ‚Tracking & Tracing‘-Projekten. UdZ - Unternehmen der Zukunft (2020) 1, S. 34–37Search in Google Scholar
4 Dombrowski, U.; Sendler, M.; Dix, Y.; Adams, T.; Kaufmann, M.: PPS 4.0 – Erfolgreiche Integration von Industrie-4.0-Ansätzen in der Produktionsplanung und -steuerung: Erkenntnisse und Schlussfolgerungen einer Studie mit Industrieunternehmen in Deutschland. ZWF 115 (2020) 1–2, S. 8–14 DOI: 10.3139/104.11222410.3139/104.112224Search in Google Scholar
5 Lundborg, M.; Gull, I.: Künstliche Intelligenz im Mittelstand – So wird KI für kleine und mittlere Unternehmen zum Game Changer. Begleitforschung Mittelstand-Digital WIK-Consult, Bad Honef 2021Search in Google Scholar
6 Metternich, J.; Biegel, T.; Cassoli, B.; Hoffmann, F.; Jourdan, N.; Rosemeyer, J.; Stanula, P.; Ziegenbein, A.: Künstliche Intelligenz zur Umsetzung von Industrie 4.0 im Mittelstand. acatech – Deutsche Akademie der Technikwissenschaften, München 2021Search in Google Scholar
7 Bischoff, J. (Hrsg.): Erschliessen der Potentiale der Anwendung von „Industrie 4.0“ im Mittelstand (Studie). agiplan, Mülheim a. R. 2015Search in Google Scholar
8 Ali, R.; Liu, R.; He, Y.; Nayyar, A.; Qureshi, B.: Systematic Review of Dynamic Multi-Object Identification and Localization: Techniques and Technologies. IEEE Access (2021) 9, S. 122924–122950 DOI: 10.1109/ACCESS.2021.310877510.1109/ACCESS.2021.3108775Search in Google Scholar
9 Vojdani, N.; Erichsen, B.; Mönk, P.: Verfahren und Technologien zur Positionsbestimmung von unbegleiteten Trailern in RoRo-Terminals. Logistics Journal: Proceedings 12 (2019) 3, S 1–5 DOI: 10.2195/lj_Proc_vojdani_ de_201912_0310.2195/lj_Proc_vojdani_de_201912_03Search in Google Scholar
10 Weißflog, L.; Wilsky, P.; Markert, T.; Riedel, R.: Technologieauswahl zur automatischen Identifikation. Industrie 4.0 Management 35 (2019) 1, S. 55–58Search in Google Scholar
11 Weißflog, L.; Folz, M.; Hopf, H.: Auto-ID und Co. Für Intralogistik 4.0 Ein Technologieüberblick (2021). Online unter https://betrieb-machen.de/auto-id-technologien/Search in Google Scholar
12 Wilsky, P.; Weißflog, L.; Prielipp, R.; Bojko, M.; Riedel, R.: Planung automatischer Identifikationstechnologien. wt Werkstatttechnik online 110 (2020) 4, S. 236–240 DOI: 10.37544/1436-4980-2020-04-7010.37544/1436-4980-2020-04-70Search in Google Scholar
13 Röhrig, C.; Lategahn, J.; Müller, M.; Kolibius, R.: Anwendung von Real Time Locating Systems (RTLS) in der Sicherungstechnik. In: Tagungsband Innosecure. Velbert, Germany 2015Search in Google Scholar
14 VDI (Hrsg.):VDI-Richrlinie 4416: Betriebsdatenerfassung und Identifikation – Identifikationssysteme. Beuth Verlag, Berlin 2015Search in Google Scholar
15 Finkenzeller, K.: RFID-Handbuch: Grundlagen und praktische Anwendungen induktiver Funkanlagen, Transponder und kontaktloser Chipkarten. 7. Aufl., Carl Hanser Verlag, München 2015 DOI: 10.3139/9783446444393.fm10.3139/9783446444393.fmSearch in Google Scholar
16 Obeidat, H.; Shuaieb, W.; Obeidat, O.; Abd-Alhameed, R.: A Review of Indoor Localization Techniques and Wireless Technologies. Wireless Personal Communications 119 (2021), S. 289–327 DOI: 10.1007/s11277-021-08209-510.1007/s11277-021-08209-5Search in Google Scholar
17 Zafari, F.; Gkelias, A.; Leung, K. K.: A Survey of Indoor Localization Systems and Technologies. IEEE Communications Surveys & Tutorials 21 (2019), S. 2568–2599 DOI: 10.1109/COMST.2019.291155810.1109/COMST.2019.2911558Search in Google Scholar
18 Sahib Hasan, H.; Hussein, M.; Mad Saad, S.; Azuwan Mat Dzahir, M.: An Overview of Local Positioning System: Technologies, Techniques and Applications. International Journal of Engineering & Technology 7 (2018) 3, S. 1–5 DOI: 10.14419/ijet.v7i3.25.1745910.14419/ijet.v7i3.25.17459Search in Google Scholar
© 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
