Konzept zur Sensornachrüstung
-
Daniel Panick
Daniel Panick, M. Eng., geb. 1989, ist gelernter Werkzeugmechaniker in der Fachrichtung Stanz- und Umformtechnik und erlangte seinen Bachelor- sowie Masterabschluss im Maschinenbau mit der Fachrichtung Konstruktion und Produktentwicklung an der FH SWF. Nach über fünf Jahren der Tätigkeit als Projektleiter bei einem mittelständischem Automobilzulieferer für Stanz- und Umformteile, wechselte er in die Forschung. Seit Mitte Februar 2020 ist er als Wissenschaftlicher Mitarbeiter im Labor für Massivumformung an der FH SWF tätig und verantwortet anwendungsorientierte Forschungs- und Entwicklungsprojekte aus dem Bereich der Umformtechnik sowie der Industrie 4.0.
und
Michael Marré
Prof. Dr.-Ing. Michael Marré, geb. 1975, studierte Wirtschaftsingenieurwesen mit dem Schwerpunkt Maschinenbau an der Universität Paderborn. Er promovierte an der TU Dortmund am Institut für Umformtechnik und Leichtbau und übernahm die Geschäftsführung des ersten SFB/Transregios im Maschinenbau. Herr Professor Marré war anschließend sieben Jahre als Bereichsleiter in unterschiedlichen Unternehmen des Maschinenbaus tätig. Im Jahr 2018 nahm er den Ruf an die FH SWF an und leitet seitdem das Labor für Massivumformung in Iserlohn, welches vom Land NRW als Forschungsschwerpunkt „Umformende Fertigungstechnologien“ eingerichtet wurde.
Abstract
Zunehmend bieten Unternehmen ihren Kunden Produkte mit digitalen Mehrwerten an. Sensoren sind dabei initialer Ort der Datenerzeugung. Um möglichst wirtschaftlich Sensoren für bestehende Produkte des Maschinenbaus nachzurüsten, wird eine heuristische Handlungsempfehlung vorgestellt. Ferner wird in dem vorgelagerten Stand der Technik auf die Motivation und Herausforderung der Digitalisierung eingegangen. Abschließend wird anhand eines Anwendungsbeispiels die Umsetzbarkeit des Konzeptes nachgewiesen.
Abstract
Increasingly, companies are offering their customers products with digital added value. Sensors are the initial point of data generation. In order to retrofit sensors for existing products in mechanical engineering as economically as possible, a heuristic recommendation for action is presented. Furthermore, the upstream state of the art addresses the motivation and challenge of digitalization. Finally, the feasibility of the concept is demonstrated by means of an application example
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Daniel Panick, M. Eng., geb. 1989, ist gelernter Werkzeugmechaniker in der Fachrichtung Stanz- und Umformtechnik und erlangte seinen Bachelor- sowie Masterabschluss im Maschinenbau mit der Fachrichtung Konstruktion und Produktentwicklung an der FH SWF. Nach über fünf Jahren der Tätigkeit als Projektleiter bei einem mittelständischem Automobilzulieferer für Stanz- und Umformteile, wechselte er in die Forschung. Seit Mitte Februar 2020 ist er als Wissenschaftlicher Mitarbeiter im Labor für Massivumformung an der FH SWF tätig und verantwortet anwendungsorientierte Forschungs- und Entwicklungsprojekte aus dem Bereich der Umformtechnik sowie der Industrie 4.0.
Prof. Dr.-Ing. Michael Marré, geb. 1975, studierte Wirtschaftsingenieurwesen mit dem Schwerpunkt Maschinenbau an der Universität Paderborn. Er promovierte an der TU Dortmund am Institut für Umformtechnik und Leichtbau und übernahm die Geschäftsführung des ersten SFB/Transregios im Maschinenbau. Herr Professor Marré war anschließend sieben Jahre als Bereichsleiter in unterschiedlichen Unternehmen des Maschinenbaus tätig. Im Jahr 2018 nahm er den Ruf an die FH SWF an und leitet seitdem das Labor für Massivumformung in Iserlohn, welches vom Land NRW als Forschungsschwerpunkt „Umformende Fertigungstechnologien“ eingerichtet wurde.
Literatur
1 Jeske, T.; Weber, M.-A.; Klues, J.; Lennings, F.: Strukturierung und Analyse von Praxisbeispielen zur Nutzung der Digitalisierung für das Produktivitätsmanagement. Zeitschrift für Arbeitswissenschaft 72 (2018) 3, S. 190–199 DOI: 10.1007/s41449-018-0105-z10.1007/s41449-018-0105-zSuche in Google Scholar
2 Denkena, B.; Fay, A.: Retrofit – Digitale Aufrüstung alter Maschinen. Mittelstand 4.0 Kompetenzzentrum Hamburg und Hannover 2022Suche in Google Scholar
3 Heim, E.; Matiz, D.; Ehrat, M.: Offshoring oder Reshoring? ZWF 109 (2014) 12, S. 920–922 DOI: 10.3139/104.11125310.3139/104.111253Suche in Google Scholar
4 Kinkel, S.: Industrie 4.0 und Rückverlagerungen von Produktionsaktivitäten aus dem Ausland: Befunde der deutschen und internationalen Forschung. FGW-Impuls Digitalisierung von Arbeit (Bd. 20). SSOAR – Social Science Open Access Repository; Forschungsinstitut für gesellschaftliche Weiterentwicklung e. V. , Mannheim, Düsseldorf 2019Suche in Google Scholar
5 Birtel, F.; Wötzel, A.: Branchenindikator Instandhaltung- Ergebnisse Q3 2017. Forum Vision Instandhaltung e. V., Ratingen 2017Suche in Google Scholar
6 Sinnwell, C.; Haße, A.; Fischer, J.; Aurich, J. C.: Kollaborative Produktionssystemplanung unter Verwendung eines modellbasierten, PLM-gestützten Entwicklungsprozesses. at – Automatisierungstechnik 66 (2018) 5, S. 406–417 DOI: 10.1515/auto-2017-010910.1515/auto-2017-0109Suche in Google Scholar
7 Wiederkehr, I.; Dumitrescu, R.; Koldewey, C.; Marré, M.; Panick, D.: Datennutzung in der Produktionssystementwicklung – Implikationen für die datengestützte Produktionssystementwicklung. wt – Werkstattstechnik online 112 (2022) 4, S. 264–268 DOI: 10.37544/1436-4980-2022-04-6410.37544/1436-4980-2022-04-64Suche in Google Scholar
8 Schmidt, B.; Gandhi, K.; Wang, L.; Galar, D.: Context Preparation for Predictive Analytics – A Case from Manufacturing Industry. Journal of Quality in Maintenance Engineering 23 (2017) 3, S. 341–354 DOI: 10.1108/JQME-10-2016-005010.1108/JQME-10-2016-0050Suche in Google Scholar
9 Reinheimer, S. (Hrsg.): Industrie 4.0 – Herausforderungen, Konzepte und Praxisbeispiele. Springer-Vieweg-Verlag, Wiesbaden 2017, S. 49–58 DOI: 10.1007/978-3-658-18165-910.1007/978-3-658-18165-9Suche in Google Scholar
10 Kriwall, M.: Retrofit: Modernisierung von Anlagen und Maschinen (2022). Online unter https://www.iph-hannover.de/de/dienstleistungen/digitalisierung/retrofit/[Abruf am 30.09.2022]Suche in Google Scholar
11 N. N.: Digitaler Retrofit. Alte Maschinen mit neuer Power (2021). Online unter https://compacer.com/loesungen/retrofit/ [Abruf am 10.10.2022]Suche in Google Scholar
12 Porter, M. E.; Heppelmann, E.: How Smart, Connected Products Are Transforming Competition. Harvard Business Review 92 (2014) 11, S. 64–88Suche in Google Scholar
13 Gröger, C.: Advanced Manufacturing Analytics. Datengetriebene Optimierung von Fertigungsprozessen. Zugl.: Stuttgart, Univ., Diss., 2015 (Nicht für den Austausch). Eul-Verlag, Lohmar, Köln 2015Suche in Google Scholar
14 Czichos, H.: Mechatronik. Grundlagen und Anwendungen technischer Systeme. Springer-Vieweg-Verlag, Wiesbaden 2019, S. 93–94 DOI: 10.1007/978-3-658-26294-510.1007/978-3-658-26294-5Suche in Google Scholar
15 Tränkler, H.-R.; Reindl, L. M. (Hrsg.): Sensortechnik. Handbuch für Praxis und Wissenschaft. Technik. Springer-Vieweg-Verlag, Wiesbaden 2014, S. 1205–1217 DOI: 10.1007/978-3-642-29942-110.1007/978-3-642-29942-1Suche in Google Scholar
16 Schütze, A.; Helwig, N.; Schneider, T.: Sensors 4.0 – Smart Sensors and Measurement Technology Enable Industry 4.0. Journal of Sensors and Sensor Systems 7 (2018) 1, S. 359–371 DOI: 10.5194/jsss-7-359-201810.5194/jsss-7-359-2018Suche in Google Scholar
17 Bock, K.; Dittrich, P.-G.; Ettrich, K.; Fröhlich, T.; Graf, V.; Großer, V.; Hänschke, F.; Hartmann, H.-D.; Hoffmann, D.; Hofmann, K.-P.; Ortlepp, T.: Sensor Technologien 2022. AMA Verband für Sensorik und Messtechnik e. V, Berlin 2017Suche in Google Scholar
18 Becker, T.; Krause, D.: Softsensorsysteme – Mathematik als Bindeglied zum Prozessgeschehen. Chemie Ingenieur Technik 82 (2010) 4, S. 429–440 DOI: 10.1002/cite.20100001510.1002/cite.201000015Suche in Google Scholar
19 Hüning, F.: Sensoren und Sensorschnittstellen. De Gruyter Studium. De Gruyter Oldenbourg Verlag, Berlin, Boston 2016, S. 15–27 DOI: 10.1515/978311043855010.1515/9783110438550Suche in Google Scholar
20 Fleischer, J.; Rauen, H.; Binzer, J.: Leitfaden Sensorik für Industrie 4.0 – Wege zu kostengünstigen Sensorsystemen. VDMA, KIT wbk Institut für Produktionstechnik, Karlsruhe 2018, S. 2–4Suche in Google Scholar
21 Brecher, C.; Weck, M.: Mechatronische Systeme, Steuerungstechnik und Automatisierung. In: Weck, M. (Hrsg.): Werkzeugmaschinen, Fertigungssysteme (Bd. 3). Springer-Verlag, Berlin, Heidelberg 2019, S. 688–69010.1007/978-3-662-46565-3Suche in Google Scholar
22 Hering, E.;Schönfelder, G. (Hrsg.): Sensoren in Wissenschaft und Technik. Funktionsweise und Einsatzgebiete. Wiesbaden: Springer Fachmedien, Wiesbaden 2018, S. 661–673 DOI: 10.1007/978-3-658-12562-210.1007/978-3-658-12562-2Suche in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- KI-Lösungen in der Produktion
- Produktionsnetzwerke
- Zukunftsfähige Produktionsnetzwerke in disruptiven Zeiten
- Gestaltung von effizienten Produktionsnetzwerken in der Automobilindustrie
- Globale Produktionsstrategien in der Praxis – Strategieformulierung und -implementierung
- Produktivität
- Sensorgestützte Analyse der Maschinenbedienung in der Kleinserienfertigung
- Prozessmanagement
- Nutzung kollaborativer digitaler Tools zur Prozessoptimierung im Laborumfeld
- Prozessmodellierung in hochdynamischen Umgebungen
- Servicemanagement
- Ein hyperheuristischer Ansatz für die operative Serviceplanung in Product-Service Systems
- Planungsmethoden
- Überprüfung der Zukunftsfähigkeit von Planungsmethoden
- Wandlungstreiber
- Kategorisierung und Erstbeurteilung von Wandlungstreibern
- Datenqualität
- Erfasste Betriebsdaten und ihre Qualität
- Unternehmensübergreifendes Datenqualitätsmanagement
- Automatisierung
- Industriefähiges Bin Picking
- Energieeffizienz
- Wie effizient sind gleichspannungsversorgte Maschinen?
- Simulation
- Agile Erstellung von Materialflusssimulationen
- Geschäftsmodelle
- Risiken managen – Einsatzpotenziale von EaaS-Lösungen in der Produktion
- Digitale Plattformen
- Digitale Kollaborationsplattform zur verteilten, agilen Planung im Produktentstehungsprozess
- Virtuelle IIoT-Plattform für die Digitalisierung der Fertigung
- Künstliche Intelligenz
- Implikationen Künstlicher Intelligenz im industriellen Einkauf
- Szenariobasiertes Krisenmanagement mittels KI
- Sensorik
- Konzept zur Sensornachrüstung
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- KI-Lösungen in der Produktion
- Produktionsnetzwerke
- Zukunftsfähige Produktionsnetzwerke in disruptiven Zeiten
- Gestaltung von effizienten Produktionsnetzwerken in der Automobilindustrie
- Globale Produktionsstrategien in der Praxis – Strategieformulierung und -implementierung
- Produktivität
- Sensorgestützte Analyse der Maschinenbedienung in der Kleinserienfertigung
- Prozessmanagement
- Nutzung kollaborativer digitaler Tools zur Prozessoptimierung im Laborumfeld
- Prozessmodellierung in hochdynamischen Umgebungen
- Servicemanagement
- Ein hyperheuristischer Ansatz für die operative Serviceplanung in Product-Service Systems
- Planungsmethoden
- Überprüfung der Zukunftsfähigkeit von Planungsmethoden
- Wandlungstreiber
- Kategorisierung und Erstbeurteilung von Wandlungstreibern
- Datenqualität
- Erfasste Betriebsdaten und ihre Qualität
- Unternehmensübergreifendes Datenqualitätsmanagement
- Automatisierung
- Industriefähiges Bin Picking
- Energieeffizienz
- Wie effizient sind gleichspannungsversorgte Maschinen?
- Simulation
- Agile Erstellung von Materialflusssimulationen
- Geschäftsmodelle
- Risiken managen – Einsatzpotenziale von EaaS-Lösungen in der Produktion
- Digitale Plattformen
- Digitale Kollaborationsplattform zur verteilten, agilen Planung im Produktentstehungsprozess
- Virtuelle IIoT-Plattform für die Digitalisierung der Fertigung
- Künstliche Intelligenz
- Implikationen Künstlicher Intelligenz im industriellen Einkauf
- Szenariobasiertes Krisenmanagement mittels KI
- Sensorik
- Konzept zur Sensornachrüstung
- Vorschau
- Vorschau
