Autor: Till Becker

Die Drohnentechnologie und der Einsatz von Künstlicher Intelligenz (KI) bieten für verschiedene Bereiche vielversprechende Vorteile. Hierzu zählt auch der Bereich der Inspektionsarbeit. Der Einsatz innovativer Inspektionstechnologien kann Inspektionen insgesamt effizienter machen. Im Rahmen eines Forschungsprojekts wurden unterschiedliche rechtliche und wirtschaftliche Aspekte einer KI-basierten autonomen Drohneninspektion betrachtet. Ein weiterer Schwerpunkt ist dabei die Erarbeitung eines Soll-Prozesses, der den Einsatz einer KI-basierten Drohneninspektion darstellt und den Einsatz einer derartigen Inspektionstechnologie steuert. In diesem Beitrag geht es speziell um den kollaborativen Ansatz dieser neuartigen Inspektionsmethodik.

Aufgrund des Wandels der Arbeit in der Produktion infolge der Einführung Cyber-Physischer Systeme besteht ein Bedarf an adäquaten Gestaltungsprinzipien für Benutzerschnittstellen zwischen Menschen und Maschinen. Im Rahmen eines Forschungsvorhabens wurde eine Methode zur Bestimmung und Evaluation von derartigen Gestaltungsprinzipien entwickelt, die Gegenstand dieses Beitrags ist. Die Methode kann dazu verwendet werden, einen Regelkatalog für eine erfolgreiche Integration der Human Factors in Cyber-Physische Produktionssysteme zu erstellen sowie Gestaltungsprinzipien zu evaluieren.

Die Netzwerkanalyse ist ein vielversprechender Ansatz, um das Verhalten von Materialflusssystemen auf Basis großer Datenmengen zu analysieren und mögliche Maßnahmen für eine Optimierung abzuleiten. Bisherige Untersuchungen beschäftigen sich überwiegend mit der statischen Netzwerkanalyse. Das bedeutet, dass alle in einem bestimmten Zeitraum stattfindenden Ereignisse zu einem einzigen Materialflussnetzwerk aggregiert werden. Da es sich bei Materialflusssystemen um veränderliche Systeme handelt, ist eine statische Betrachtung nicht ausreichend. Das Ziel dieses Beitrags ist es, existierende Konzepte zur Erfassung struktureller Veränderungen aufzuzeigen und deren Eignung für Materialflussnetzwerke durch die Anwendung auf reale Datensätze zu überprüfen.

Die aktuelle Entwicklung im Zuge von Industrie 4.0 bietet neue Möglichkeiten zur verbesserten Koordination von Kooperationen in Produktions- und Logistiknetzwerken. Durch Einbindung leistungsfähiger und vernetzter Computersysteme sowie intelligenter Sensoren und Aktoren lassen sich Systemzustände nahezu in Echtzeit abbilden und analysieren. In diesem Zusammenhang stellen Shared Resources ein vielversprechendes Konzept zur Erhöhung der Effizienz der Netzwerke dar. Der vorliegende Beitrag erläutert Unterschiede zwischen dem Konzept der Shared Resources und klassischen Kooperationsansätzen wie Outsourcing und Joint Ventures. Es werden Potenziale und Risiken diskutiert, die durch die Einbindung von Shared Resources in Produktionsnetzwerke entstehen können. Zudem werden Verfahren zur Ermittlung der Leistung und Dynamik von Netzwerken mit Shared Resources beschrieben.

Die Nutzung Cyber-Physischer Systeme in Produktion und Logistik ist ein wesentlicher Bestandteil von Industrie 4.0. Die Verschmelzung von Produktions- und Logistiksystemen mit Informationstechnologie begünstigt den Übergang von zentraler zu dezentraler Produktionsplanung und -steuerung. Allerdings ist für Produktionsunternehmen die Ausstattung logistischer Objekte mit den notwendigen Technologien in der Regel mit hohen Investitionskosten verbunden. In diesem Beitrag wird eine Methode vorgestellt, mit der unter Einsatz eines dynamischen Clusteringverfahrens diejenigen Teile des Produktionssystems identifiziert werden, für die eine Investition in Technologie für dezentrale Steuerung zur größten Leistungssteigerung des Gesamtsystems führt.

Die Bestellung von Kleidung, Schuhen und Büchern bis hin zu Lebensmitteln über das Internet ersetzt für viele Kunden den Gang ins Kaufhaus. Online-Portale bieten einen komfortablen Weg, ein breites Spektrum von Waren bequem von Zuhause aus beziehen zu können. Um auch wirklich sicherzugehen, das Richtige zu kaufen, wird bspw. ein Kleidungsstück oft in unterschiedlichen Farben und Größen bestellt, das Passende evtl. behalten, der Rest zurückgeschickt. Diese gängige und gewollte Praxis stellt Online-Shops beim Versand, aber vor allem beim Retourenmanagement vor sehr große logistische Herausforderungen. Um ein Maß für die Rücksendewahrscheinlichkeit bestimmter Waren zu erhalten, werden Techniken des maschinellen Lernens eingesetzt. Diese berechnen aus Kundenprofilen und Bestelldaten Modelle, um die Wahrscheinlichkeit für eine Retoursendung zu prognostizieren. Basierend auf dieser Wahrscheinlichkeit können nachgelagerte logistische Prozesse deutlich effizienter gestaltet ...