Autor: Fazel Ansari

KI-basierte Empfehlungssysteme in der Produktentwicklung

KI-basierte Empfehlungssysteme in der Produktentwicklung

Ein Framework zur Wissensgewinnung aus multimodalen Daten in industriellen Anwendungen
Sebastian Kreuter ORCID Icon, Philipp Besinger, Alexander Lichtenberg, Fazel Ansari ORCID Icon, Wilfried Sihn
Der Engineer-to-Order (ETO)-Produktionsansatz gewinnt durch die steigende Nachfrage nach individualisierten Produkten und kleinen Losgrößen zunehmend an Bedeutung. ETO verringert jedoch die Skaleneffekte der Serienfertigung, da jeder Auftrag maßgeschneiderte Engineering- und Produktionsschritte erfordert. Dieser Effizienzverlust kann durch eine bedarfsgesteuerte und kontextbezogene Informationsbereitstellung während des Produktentwicklungsprozesses reduziert werden. Ein auf semantischer Künstlicher Intelligenz (KI) und Machine Learning basierendes Empfehlungssystem kann dies unterstützen, indem es i) historische Daten und Vorwissen, z. B. Zeichnungen oder Stücklisten aus früheren Projekten, analysiert und ii) Vorschläge zur Wiederverwendung von Designs oder für Designalternativen macht, und so die genannten Effekte kompensieren.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 5 | Seite 94-101 | DOI 10.30844/I4SD.25.5.94
Industrielle Realisierung wissensbasierter Instandhaltungsstrategien

Industrielle Realisierung wissensbasierter Instandhaltungsstrategien

Ein instandhaltungsspezifisches Reifegradmodell für Produktionsunternehmen am Weg zur Smart Factory
Tanja Nemeth, Fazel Ansari ORCID Icon, Wilfried Sihn
Um die zunehmende Komplexität und Automatisierung von Cyber-Physikalischen Produktionssystemen (CPPS) zu bewältigen, wurden wissensbasierte Instandhaltungsstrategien und -modelle als Schlüsselfaktor identifiziert. Durch diese, soll eine Sicherung und Verbesserung der Maschinenverfügbarkeit und Prozessstabilität erreicht werden. Trotz der Bereitschaft vieler Unternehmen, in besagte Neuerungen zu investieren, fehlen ihnen oftmals die hierfür nötigen Kompetenzen und Kapazitäten (z.B.: geeignete Methoden zur Datenanalyse und Prognose). Um diese Problematik zu lösen, stellen die AutorInnen ein ganzheitliches Reifegradmodell zur Bewertung und Identifizierung von Stärken und Schwächen der Instandhaltung auf operativer, taktischer und strategischer Ebene nach einem mehrdimensionalen analytischen Ansatz, vor.
Industrie 4.0 Management | 35. Jahrgang | 2019 | Ausgabe 5 | Seite 17-20