Industrie 4.0 und aktuelle Entwicklungen in dem Bereich der produzierenden Unternehmen erfordern hohe Anpassungsleistungen von Menschen und von Maschinen gleichermaßen. In Smart Factories werden Produktionsmitarbeiter zu Wissensarbeitern. Dazu bedarf es neben neuen, intelligenten, technischen Lösungen auch neuer Ansätze für Arbeitsorganisation, Trainings- und Qualifizierungskonzepte, die mit adaptierbaren technischen Systemen flexibel zusammenarbeiten. Das durch die EU geförderte Projekt Factory2Fit entwickelt Lösungen für die Mensch-Technik-Interaktion in automatisierten Produktionssystemen, welche eine hohe Anpassungsfähigkeit an die Fähigkeiten, Kompetenzen und Präferenzen der individuellen Mitarbeiter bieten und damit gleichzeitig den Herausforderungen einer höchst kundenindividuellen Produktion gewachsen sind. Im vorliegenden Beitrag werden die grundlegenden Ziele und Ideen des Projektes vorgestellt sowie die Ansätze des Quantified-self im Arbeitskontext, die adaptive Automatisierung inklusive der verschiedenen Level der Automation sowie die spezifische Anwendung des partizipatorischen Designs näher beleuchtet. In den nächsten Arbeitsschritten innerhalb des Projektes gilt es nun, diese Konzepte um- und einzusetzen sowie zu validieren. Die interdisziplinäre Arbeitsweise sowie der enge Kontakt zwischen Wissenschafts-, Entwicklungs- und Anwendungspartnern sollten dazu beitragen, den Herausforderungen bei der Realisierung erfolgreich zu begegnen und zukunftsträchtige Smart Factory-Lösungen zu implementieren. Das Projekt Factory2Fit wird im Rahmen von Horizon 2020, dem EU Rahmenprogramm für Forschung und Innovation (H2020/2014-2020), mit dem Förderkennzeichen 723277 gefördert.

Die Nutzung von Augmented Reality (AR) stellt eine Vielzahl von Lösungsansätzen für Herausforderungen unterschiedlicher Bereiche, z.B. der Industrie, Medizin, Unterhaltungsmedien und Bildung, zur Verfügung. Speziell werden hier die Möglichkeiten von AR in der Fertigungsindustrie, genauer bei der Abnahme elektrischer Antriebe der Siemens AG, betrachtet. Dabei werden unter anderem messbare Größen wie Drehmoment, Ankerstrom, -spannung, Drehzahl, Schwingungen, Fertigungstoleranzen etc. gemessen, aber auch nicht quantifizierbare Größen wie Sichtprüfungen von Schweißnähten und Lackierung in Betracht gezogen. Angestrebt wird eine Methode, welche es zukünftig ermöglicht, die Inbetriebnahme ortsunabhängig zu verfolgen und Inspektionen aus der Ferne durchzuführen. Die Herausforderung liegt dabei darin, eine zumindest gleichwertige, wenn nicht sogar verbesserte Erfahrung und Prüfergebnisvalidität für die Beteiligten gegenüber der vor Ort Abnahme zu erzeugen. Im Rahmen des Forschungsvorhabens wurde in interdisziplinärer Zusammenarbeit zwischen Ingenieur/-innen und Sozialwissenschaftler/-innen ein Demonstrator-Konzept für eine ortsunabhängige Maschinenabnahme entwickelt.

Die Industrie 4.0 führt aktuell zu revolutionären Veränderungen und Herausforderungen im Industriesektor, auf die Unternehmen mit neuen Geschäftsmodellen reagieren müssen. Die Masterarbeit gibt mit Hilfe einer Status-Quo Analyse eine Bestandsaufnahme über die aktuellen digitalen Geschäftsmodelle deutscher Industrieunternehmen. Die Erkenntnisse wurden auf Basis von 71 \'Mini-Cases\' erhoben. Dabei wurden Anbieter, sowie Anwender von Industrie 4.0 Technologien untersucht und in neun Muster kategorisiert. Auf Grundlage dieser Ergebnisse wurde ein inkrementeller Transformationsprozess konzipiert, der zur Entwicklung von digitalen Geschäftsmodellen in der Industrie 4.0 genutzt werden kann.

Seit 2015 arbeitet das Fraunhofer IVV, Dresden intensiv mit interdisziplinären Forschergruppen aus Maschinenbauern, Mechatronikern, Psychologen und Designern an der Entwicklung eines selbstlernendes Bediener-Assistenzsystems. Von Beginn an wird das Team außerdem von einem industriellen Beraterkreis aus Verbänden, Maschinenbetreibern und -herstellern unterstützt. Dadurch wird die Forschung und Entwicklung eng an den Bedarfen der potentiellen Nutzer ausgerichtet. Gleichzeitig erhalten unsere Partner die Möglichkeit, ihre eigenen Entwicklungen und Prozesse zu hinterfragen und sich mit kompetenten Experten über bestimmte Herausforderungen auszutauschen. In dieser Kooperation hat sich das jährliche VVD-Anwenderforum zum zentralen Baustein entwickelt. Am 10. Oktober 2019 findet nun unser 3. VVD-Anwenderforum „Bediener-Assistenzsysteme“ in Dresden statt. Dazu möchten wir Sie recht herzlich einladen. Zusätzlich vom VVD-Anwenderforum bieten wir am 9. Oktober ein Workshop „Einstieg in Machine Learning“ statt. In diesem Workshop stellen wir das wichtigste Wording, die grundlegende Mathematik, die Möglichkeiten und Grenzen vor. Damit wollen wir die Teilnehmenden in die Lage versetzen, Ideen für eigene Anwendungsmöglichkeiten zu entwickeln und sich mit Fachexperten über Zielstellungen auszutauschen.:1. Andre Schult (Fraunhofer IVV Dresden): Aktueller Stand SAM und Vorstellung der Pilotprojekte 2. Dr. Romy Müller (TU Dresden, Professur für Ingenieurpsychologie und angewandte Kognitionsforschung): Psychologische Aspekte der Mensch-Maschine-Interaktion 3. Moritz Schroth (Fraunhofer IVV Dresden): Aktuelle Forschungsprojekte für die Industrie4.0 – opticSAM 4. Patrick Binzer (Multivac Sepp Haggenmüller SE & Co. KG): Automatisierte Maschinenkonfigurationen aus Kundensicht 5. Dr. Lukas Oehm (Fraunhofer IVV Dresden): Vorstellung geplanter Forschungsvorhaben Fraunhofer IVV

Die Industrie 4.0 führt aktuell zu revolutionären Veränderungen und Herausforderungen im Industriesektor, auf die Unternehmen mit neuen Geschäftsmodellen reagieren müssen. Die Masterarbeit gibt mit Hilfe einer Status-Quo Analyse eine Bestandsaufnahme über die aktuellen digitalen Geschäftsmodelle deutscher Industrieunternehmen. Die Erkenntnisse wurden auf Basis von 71 \'Mini-Cases\' erhoben. Dabei wurden Anbieter, sowie Anwender von Industrie 4.0 Technologien untersucht und in neun Muster kategorisiert. Auf Grundlage dieser Ergebnisse wurde ein inkrementeller Transformationsprozess konzipiert, der zur Entwicklung von digitalen Geschäftsmodellen in der Industrie 4.0 genutzt werden kann.

No description available.

Im Zuge der digitalen Transformation im Kontext von Industrie 4.0 tun sich eine Vielzahl neuer Datenquellen auf, die im Produktdatenmanagement berücksichtigt werden müssen. Ein Beispiel neuer Datenquellen sind Daten der Industrie 4.0, die zum Beispiel über Sensoren in der Fertigung erhoben werden. Kennzeichen dieser Datenquellen sind die zunehmende Heterogenität der Daten, die nicht mehr in einer Tabelle erfasst werden können. So könnten dies unter anderem Bilder einer optischen Bauteilprüfung sein oder Code zur Bauteilprüfung. Dieser Umstand führt zum Aufbau vieler einzelner neuer Silos, in denen die Daten separat und getrennt vom PDM-System ver-rbeitet werden müssen. Zudem werden dort abgeschottet von den restlichen Silos Daten gespeichert. Daneben führt eine Vielzahl neuer Autorensysteme (Prüfsoftware, Kundenmanagement, Anforderungsmanagement) zu einer gesteigerten Datenmenge, die nicht mehr in klassischen tabellenbasierten und rein-relationalen Datenbanksystemen sinnvoll erfasst werden können. Um an Informationen zu gelangen, sind im Fall rein-relationaler Datenbanksysteme oft komplizierte Abfragen nötig. Diese greifen dann auf mehrere unterschiedliche Tabellen innerhalb der Datenbank zu und stellen daraus wiederum relevante Informationen bereit. Je mehr größer jedoch diese Datenbanken werden und je mehr Informationen miteinander relational verbunden werden müssen, desto mehr Expertenwissen über das jeweilige Datenbanksystem wird benötigt. Somit büßen rein-relationale (SQL-basierte) Systeme auch einen Großteil der Vorteile ihres logischen strukturellen Aufbaus ein. Um den oben genannten Problemen zu begegnen, können neue Ansätze aus dem Bereich der Linked Data herangezogen werden. Bei Linked Data werden nicht nur die reinen Daten verwendet, sondern auch beschreibende und verknüpfende Informationen um die Daten zu interpretieren verwendet und weitergegeben. Durch diesen Mehrwert an Information wird es in einem ersten Schritt möglich, heterogene Produkt- und Prozessdaten, also Daten aus verschiedensten Quellen, wie zum Beispiel Konstruktion, Simulation und Qualitätssicherung, miteinander zu verknüpfen. Durch diese Verknüpfung kann eine höherwertige Darstellungsform geschaffen werden, die neben den reinen Daten auch die sinnvolle Verknüpfung enthält und so eine semantisch höherwertige Repräsentation darstellt. Die so entstehende, vernetzte Datenbank kann z.B. über eine graphenorientierte Datenbank oder Graphdatenbank implementiert werden. Im vorliegenden Beitrag wird untersucht, inwieweit die Modellierung mit gegenwärtig existierenden Lösungen für Graphdatenbanken möglich ist. Ausgehend von einem Beispiel mit einem vereinfachten Produkt- und Prozessdatenmodell der Blechmassivumformung, wird eine allgemeine Methode vorgestellt, durch die ein SQL-basiertes Datenbanksystem in eine Graphdatenbank überführt werden kann. Anhand dieser Methode wird dargestellt, wie bestehende Lösungen teilweise auch parallel zu neuartigen Linked Data Datenbanken existieren können, um diese Schritt für Schritt in eine Graphdatenbank zu überführen. Die Ergebnisse des Beitrags sind auf der einen Seite das allgemeine Vorgehensmodell zur Einführung von Graphdatenbanken und auf der anderen Seite Aussagen über die Nutzbarkeit der vorgestellten Lösung für das Produkt- & Prozessdatenmanagement. [... aus der Einleitung]

Commissioning of a machine is still representing a very challenging operation and most steps are still executed manually by commissioning engineers. A future goal is to support the commissioning engineers and further automate the entire integration process of a newly installed system with a minimum of manual effort. This use case is known as plug-and-produce (PnP). In this contribution a concept of the Industrial Internet of Things is presented to improve the commissioning task for a pneumatic handling system. The system is based on a service-oriented architecture. Within this context, information models are developed to meet the requirements of PnP to provide relevant information via virtual representations, e.g. the asset administration shell, of the components to the commissioning process. Finally, a draft of the entire PnP process is shown, providing a general understanding of Industrial Internet of Things fluid power systems.

Auch mit modernster Technik und Maschinen ist der Mensch aus der Produktion nicht wegzudenken. Bediener mit Erfahrung sind elementar wichtig für effiziente Produktionsprozesse und bleiben unersetzbar – so die Theorie. In der Praxis fehlt den Unternehmen allerdings zunehmend gut ausgebildetes Fachpersonal. Lange Stillstandszeiten und hohe Ausschussmengen können die Folge sein. Gemeinsam mit Ihnen und weiteren Vertretern aus Wissenschaft und Industrie wollen wir uns mit neuen Konzepten und Visionen selbstlernender Bediener-Assistenzsysteme auseinandersetzen, - psychologische Aspekte, - die Nutzung von Augmented und Virtual Reality sowie - selbstlernende Systeme (künstliche Intelligenz) vorstellen und anschließend diskutieren.:1. Dr. Peter Golz (VDMA, Frankfurt am Main): Der Mensch im Produktionsumfeld 2. Dr. Romy Müller (TU Dresden, Professur für Ingenieurpsychologie und angewandte Kognitionsforschung): Mensch-Maschine-Kooperation in hochautomatisierten Systemen 3. Andre Schult (Fraunhofer IVV Dresden): Selbstlernendes Bediener-Assistenzsystem 4. Harald Wolf (Hassia Verpackungsmaschinen GmbH, Ranstadt): Mensch-Maschine im internationalen Umfeld 5. Ulf Heinemann (Robotron Datenbank- Software GmbH, Dresden): Störungserkennung durch Motorstromanalysen in Produktionsstraßen 6. Tilman Klaeger (Fraunhofer IVV Dresden): Maschinelles Lernen am Fraunhofer IVV Dresden 7. Patrick Marchion (Dividella AG, Grabs, CH): Augmented Reality für Wartung und Bedienung

Mit der Automatisierung in der Produktion wird oft versucht, den Menschen als mögliche Fehlerquelle zunehmend vom Prozess auszuschließen. Dabei besitzt der Mensch einzigartige und nützliche motorische, sensorische und kognitive Fähigkeiten. Innovative Technologien bieten nun die Grundlage, Automatisierung und menschliche Fähigkeiten ideal zusammenzuführen und somit die Effizienz von Produktionsprozessen deutlich zu steigern. Wir möchten Sie herzlich einladen, diese neuen Möglichkeiten mit uns zu diskutieren. Vertreter aus Forschung und Industrie werden aktuelle Strategien und Entwicklungen vorstellen. In der begleitenden Demo-Session finden Sie Gelegenheit, mit Experten zu sprechen und Technologien auszuprobieren.Ziel ist es, Ihnen einen ersten Einblick zu bieten und dadurch den Grundstein für eigene Anwendungsideen und -projekte zu legen.:1. Andre Schult (Fraunhofer IVV, Dresden): Begrüßung 2. Peter Seeberg (Softing Industrial Automation GmbH): KeyNote: Industrie 4.0 - Revolution durch Maschinelles Lernen 3. Andre Schult (Fraunhofer IVV, Dresden): Selbstlernende Bediener-Assistenzsysteme - Ein Update 4. Dr. Lukas Oehm (Fraunhofer IVV, Dresden): Ideenwerkstatt zukünftiger Projekte 5. Dr. Romy Müller (TU Dresden): Übervertrauen in Assistenzsysteme: Entstehungsbedingungen und Gegenmaßnahmen 6. Diego Arribas (machineering GmbH & Co. KG): Mehr Geschwindigkeit durch Digitales Engineering, Virtuelle Realität und Simulation 7. Sebastian Carsch (Fraunhofer IVV, Dresden): Informationsaustausch im interdisziplinären Entwicklungsprozess 8. Prof. Rainer Groh (TU Dresden): Das menschliche Maß der Interaktion 9. Fanny Seifert (Elco Industrie Automation GmbH): Smart Maintenance - Industrie-Apps als Grundlage für ein durchgängig integriertes Assistenzsystem 10. Markus Windisch (Fraunhofer IVV, Dresden): Cyber Knowledge Systems - Wissensbausteine für die digitalisierte Bauteilreinigung 11. Dr. Marius Grathwohl (MULTIVAC Sepp Hagemüller SE & Co. KG): IoT und Smart Services in agiler Entwicklung – Phasen der digitalen Transformation bei MULTIVAC 12. Andre Schult (Fraunhofer IVV, Dresden): Zusammenfassung und Abschlussdiskussion