Design

Die Lagerhaltung ist in vielen Unternehmen sehr arbeits- und kosten­intensiv. Die Digitalisierung und Automatisierung von manuellen Lagerprozessen können die Effizienz steigern, Kosten senken und Mitarbeitende entlasten. Dabei finden kollaborative Roboter, die sich Arbeitsaufgaben mit Mitarbeitenden teilen, zunehmend Anwendung in Lagerhäusern. Der unreflektierte Einsatz solcher Roboter kann jedoch die Akzeptanz der Mensch-Roboter-Kollaboration negativ beeinflussen. Verschiedene Einflüsse wie Angst vor Arbeitsplatzverlust, höherer kognitiver Stress, erwarteter Mehraufwand oder die Sorge vor Verletzungen können die Zusammenarbeit zwischen Mensch und Roboter behindern und sich negativ auf den wirtschaftlichen Nutzen auswirken. Dieser Beitrag stellt mögliche Barrieren für die Akzeptanz der kollaborativen Robotik in Lagerhäusern vor und diskutiert Handlungsempfehlungen für eine menschzentrierte, nachhaltige Mensch-Roboter-Kollaboration.

Laut acatech [1] gewinnt Künstliche Intelligenz (KI) zunehmend an Bedeutung für den Erfolg produzierender Unternehmen. Die entstehenden datengetriebenen Lösungen im Bereich der Produktion sind gekennzeichnet durch ihre Vielfalt. Sowohl die Prozesse, in denen die Lösungen eingesetzt werden, als auch der Standort (verschiedene Fabriken, Fabrikteilbereiche, etc.) der Lösungen unterscheiden sich. Häufig werden die Lösungen zudem kaum über die Pilotgrenzen hinaus skaliert. Am Ende eines KI-Projekts sind die Ziele eines Anwendungsfalls erfüllt, für die IT-Systemlandschaft kommt jedoch oft eine weitere Insellösung hinzu. Die entstehenden Daten werden nicht weiter verwertet, eine aufwändige Wartung macht die gewonnenen Effizienzen zunichte.

Im Fabrikbetrieb kommen häufig Messmittel zum Einsatz, bei denen noch keine automatische Abspeicherung oder Weiterverarbeitung des gemessenen Werts erfolgt. Mitarbeiter müssen in diesem Fall den Messwert manuell erfassen und weiterverarbeiten. Folgend wird ein Ansatz zur optischen Erfassung und Digitalisierung von Messwerten mithilfe Maschineller Lernverfahren vorgestellt. Dies soll zur Entlastung der Mitarbeiter beitragen, Ablesefehler reduzieren sowie eine automatisierte Dokumentation ermöglichen.

Beim selektiven Laserschmelzen wird Metallpulver schichtweise aufgeschmolzen und mit dem bereits gefertigten Bauteil verschmolzen. Innerhalb dieses Prozesses entstehen vermeidbare fehlerhafte Schichten. Derartige Fehler sind erst durch verschiedene Druck- und Zugfestigkeitsexperimente nach dem Druck feststellbar. Dieses Vorgehen ist kostenintensiv und ineffizient.

Neue Wertschöpfungsprozesse und Geschäftsmodelle, die durch umfangrei- che Datennutzung und überbetriebliches Datenteilen geprägt sind, werden für Unternehmen immer wichtiger. Viele Barrieren und Hemmnisse verlang- samen jedoch vor allem für den Mittelstand den Weg zu einer datenbasierten Wertschöpfung. Den Unternehmen fehlt es an konkreten Datennutzungs- und Umsetzungsideen und/oder an Digitalisierungs- und Datenanalysekompe- tenzen. Dadurch bestehen ungenutzte Wertschöpfungspotenziale in Unter- nehmen - selbst wenn bereits Daten vorhanden sind. Mit diesem Beitrag werden durch die Beschreibung eines Reallabors mit Realexperimenten Un- terstützungsmöglichkeiten für Unternehmen aufgezeigt, um den eigenen „Datenschatz“ zu identifizieren und zu heben.