Kurzfassung
Industrie 4.0 bestimmt immer noch den Diskurs in Praxis und Forschung der industriellen Produktion. Mit der Vielfalt an möglichen Technologien und Einsatzmöglichkeiten haben insbesondere kleine und mittlere Unternehmen Schwierigkeiten, die für sie relevanten Anwendungsfälle zu identifizieren. In diesem Beitrag wird eine Methode vorgestellt, die eine Identifizierung der Anwendungsfälle anhand der strategischen Prioritäten des produzierenden Unternehmens ermöglicht. Die Methode wird anhand eines realen Beispiels eines metallverarbeitenden Unternehmens validiert.
Abstract
Industrie 4.0 still rules the discourse of industrial production in practice and academia. Under the variety of possible technologies and applications, especially small and medium enterprises have difficulties identifying the use cases relevant to them. This article presents a method that permits the identification of use cases according to the strategic priorities of a manufacturing company. The method is validated through the real case of a metal processing company.
Literatur
Kagermann, H.; Wahlster, W.; Helbig, J.; Hellinger, A.: Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0 Deutschlands Zukunft als Produktionsstandort sichern; Abschlussbericht des Arbeitskreises Industrie 4.0; Deutschlands Zukunft als Produktionsstandort sichern. Forschungsunion, Berlin2013Search in Google Scholar
Huber, W. (Hrsg.): Industrie 4.0 kompakt – Wie Technologien unsere Wirtschaft und unsere Unternehmen verändern. Springer Fachmedien Wiesbaden, Wiesbaden201810.1007/978-3-658-20799-1Search in Google Scholar
Friedli, T.; Benninghaus, C.; Elbe, C.; Remling, D.: Swiss Manufacturing Survey 2018 – A National Study, University of St. Gallen, St.Gallen2018Search in Google Scholar
Lichtblau, K.; Stich, V.; Bertenrath, R.; Blum, M.; Bleider, M.; Millack, A.; Schmitt, K.; Schmitz, E.; Schröter, M. (Hrsg.): Industrie 4.0-Readiness. Institut der Deutschen Wirtschaft Köln und FIR e. V. an der RWTH Aachen, Aachen, Köln2015Search in Google Scholar
Ward, P. T.; McCreery, J. K.; RitzmanL. P.; Sharma, D.: Competitive Priorities in Operations Management. Decision Sciences29 (1998) 4, S. 1035–104610.1111/j.1540-5915.1998.tb00886.xSearch in Google Scholar
Dalrymple, D. J.: Sales Forecasting Methods and accuracy. Business Horizons18 (1975) 6, S. 69–7310.1016/0007-6813(75)90043-9Search in Google Scholar
Eversheim, W.; Schuh, G.: Produktion und Management Betriebshütte. Springer-Verlag, Berlin, Heidelberg199610.1007/978-3-642-87947-0Search in Google Scholar
Kim, D.-G.; Kim, S.-K.; Kim, J.-T.; Lee, C.; Park, J.-O.: (1998) Active Operator Guidance Using Virtual Environment in Teleoperation. In: Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. Innovations in Theory, Practice and Applications (Cat. No.98CH36190). IEEE, 1998, S. 1084–1089Search in Google Scholar
Darroch, J.: Developing a Measure of Knowledge Management Behaviors and Practices. Journal of Knowledge Management7 (2003) 5, S. 41–5410.1108/13673270310505377Search in Google Scholar
International Organization for Standardization Quality Management Systems – Fundamentals and Vocabulary ISO 9000: 2015(9000: 2015). 2015th ed.Search in Google Scholar
Deutsches Institut für Normung Grundlagen der Instandhaltung DIN 31051: 2012–09 (31051: 2012–09). Beutsch VerlagBerlin2012Search in Google Scholar
Harding, J. A.; Shahbaz, M.; Srinivas, M.; Kusiak, A.: Data Mining in Manufacturing: A Review. Journal of Manufacturing Science and Engineering128 (2006) 4, S. 96910.1115/1.2194554Search in Google Scholar
Rogalewicz, M.; Sika, R.: Methodologies of Knowledge Discovery from Data and Data Mining Methods in Mechanical Engineering. Management and Production Engineering Review7 (2016) 4, S.97–10810.1515/mper-2016-0040Search in Google Scholar
Shao, G.; Shin, S.-J.; Jain, S.: Data Analytics Using Simulation for Smart Manufacturing. In: Proceedings of the Winter Simulation Conference2014. IEEE, S. 2192–220310.1109/WSC.2014.7020063Search in Google Scholar
© 2018, Carl Hanser Verlag, München
