Technologie: Sensorik

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem ...

In der Prozesstechnik denkt man in Produktionsoperationen, die von Sensoren und Aktoren gesteuert bzw. geregelt werden. Und jede Realisierung von Stoffumwandlung basiert auf einem physischen Substrat, was in gleicher Weise für lebende Systeme und ihr Verhalten gilt. Unterschieden werden in dem Beitrag drei Systemebenen: die Funktionsebene, das Interface zur Umwelt und die kognitive Ebene . Mithilfe dieser drei Ebenen lässt sich der Lernzyklus bzw. der bisherige sehr gut veranschaulichen. Vergleicht man in dieser Unterscheidungsweise intelligentes Verhalten von Menschen mit den technischen Entwicklungsstufen Maschinisierung, Automatisierung, Regelung und Deep Learning, dann wird das in der kybernetisch-soziologische Systemtheorie gängige Merkmal „“ verständlich. Daraus wird der Schluss gezogen, dass wir im Rahmen einer digitalisierten Kultur von Produktion und Organisation mit einem auf Silizium-Basis (SI) rechnen sollten. Um diese Analogie hervorzuheben, bezeichnen wir das vom ...

Die wachsende Menge verfügbarer Daten aufgrund der Digitalisierung der Wertschöpfung beschleunigt den Wandel produzierender Industrien zu Anbietern kundenorientierter Dienstleistungen. Smart Services als digitale Dienstleistungsangebote stehen exemplarisch dafür. Die Analyse von Experteninterviews als auch von Anwendungsfällen aus der Unternehmenspraxis zeigt jedoch, dass das Wissen, wie solche Smart Services entwickelt werden können, immer noch rudimentär ist. In diesem Beitrag wird ein Rahmenkonzept für ein Smart Service Lifecycle Management vorgestellt, das die systematische Entwicklung von Smart Services unter Berücksichtigung von Geschäftsmodellen und des Wertschöpfungsnetzwerks unterstützt. Das Rahmenkonzept wird anhand eines Anwendungsbeispiels aus der Textilindustrie exemplarisch implementiert und validiert.

In diesem Beitrag wird eine Methodik zur Umsetzung von Industrie 4.0-Projekten im Bereich der Produktion und Logistik beschrieben. Diese Methodik berücksichtigt die besonderen Rahmenbedingungen von KMU und wurde bereits mehrfach in verschiedenen Digitalisierungs- und Industrie 4.0-Projekten mit KMU im Rahmen des Mittelstand 4.0-Kompetenzzentrums Hamburg angewandt. Der Fokus der Methodik liegt auf einer geeigneten Integration von neuen Technologien in bestehende Systeme sowie der Verbindung neu generierter Daten mit bereits vorhandenen Informationsflüssen. Die Anwendung der Methodik wird exemplarisch anhand eines realen Praxisbeispiels aus dem Mittelstand 4.0-Kompetenzzentrum Hamburg dargestellt.