Vom Energiedatenmanagement zum Digitalen Zwilling

Die fischertechnik® Lernfabrik 4.0 hat sich als geeignete Experimentierumgebung zur Erprobung Digitaler Zwillinge erwiesen. Abhängig vom angestrebten Reifegrad reichen die Funktionen eines Digitalen Zwillings von der reinen Zustandsüberwachung über Prognosen bis hin zur operativen Steuerung von Produktions- und Logistiksystemen. Zur systematischen Einordnung dieser Funktionen wird in diesem Beitrag ein Reifegradmodell vorgestellt, das als Orientierungsrahmen für den Aufbau eines Digitalen Zwillings dient. Darauf aufbauend werden ausgewählte Anwendungsfälle in einer Test- und Entwicklungsumgebung umgesetzt, die auf einer Systemarchitektur mit mehrstufiger Schichtlogik basiert. Anhand erster Umsetzungen werden Einsatzzwecke, relevante Methoden sowie typische Herausforderungen und Potenziale für den Transfer in reale Fabrikumgebungen aufgezeigt.

Die Re-Humanisierung industrieller Arbeit hat sich zu einem zentralen Schwerpunkt in der For-schung zu Industrie 4.0/5.0 entwickelt, wobei der Fokus auf der Stärkung menschlicher Arbeits-kräfte inmitten fortschreitender Automatisierung liegt. Ein Paradebeispiel für diesen menschen-zentrierten Ansatz bildet die Unterstützung von ArbeitnehmerInnen mit Beeinträchtigungen durch digitale Werkerassistenzsysteme. Diese Technologien sollen die Produktivität steigern, um so die Integration von Menschen mit Beeinträchtigungen in industrielle Tätigkeiten zu för-dern. Aber können sie die Arbeitserfahrung wirklich verbessern? Diese ethnographische Studie präsentiert Erkenntnisse aus zwei Jahren Entwicklung und Anwendung von Augmented Reality in einer geschützten Holzwerkstatt. In diesem Zeitraum wurden über 30 Technologie-Sessions und Interviews mit ArbeitnehmerInnen mit unterschiedlichen Beeinträchtigungen durchgeführt. Unsere Erfahrungen stellen die Schilderung der industriellen ...

In diesem Beitrag werden die Ergebnisse von zehn Experteninterviews über den Einsatz von Maschinellem Lernen zur Förderung der unternehmerischen Nachhaltigkeit skizziert und der Literatur gegenübergestellt. Die Untersuchung zeigt, dass wirtschaftliche Faktoren den Einsatz von Maschinellem Lernen (ML) antreiben. Die Einführung der Technologie wird sowohl durch das Top-Management als auch durch die Fachabteilungen initiiert. Fundierte Strategien zur Umsetzung von ML-Anwendungsfällen sind selten vorhanden. Dabei basieren Anwendungsfälle häufig auf überwachtem Lernen. Die ökologischen Auswirkungen überwiegen gegenüber den sozialen Auswirkungen. Häufig können Emissionsreduktionen realisiert werden, wobei Quantifizierungen schwerfallen. Jedoch behindert der Mangel an Vertrauen, Fachwissen und Kommunikation die Einführung von Maschinellem Lernen, während einige technischen Herausforderungen bezüglich der Datenanforderungen auch Probleme für Maschinelles Lernen bereiten.