Advertisement

Smart Factory

Virtualisierungsstrategien im Produktionsprozess
  • Thomas ThieleEmail author
  • Tobias Meisen
  • Sabina Jeschke
Living reference work entry

Zusammenfassung

Mit der Smart Factory wurde ein Begriff geschaffen, der die vielseitigen Auswirkungen der Industrie 4.0 auf die Fabrik der Zukunft beschreibt. Auch wenn Trends als Rahmenbedingungen für die Beschreibung dieses Begriffs herangezogen werden können, ist die Smart Factory ein wandelbares Konstrukt. Die zunehmende Virtualisierung in der Produktion erweitert diese Beschreibungsvielfalt nochmals, da traditionelle Grenzen in der Technik, im Unternehmen und im Prozess verschwimmen und zunehmend integriert betrachtet werden müssen.

Kern dieses Beitrags ist ein Beschreibungsmodell für die unterschiedlichen Gestaltungsfelder einer Smart Factory unter besonderer Berücksichtigung des Einflusses der Virtualisierung und die Verortung aktueller Forschungsaktivitäten in diesem Modell.

Schlüsselwörter

Smart factory Industrie 4.0 Virtualisierung Produktion der Zukunft Künstliche Intelligenz 

Literatur

  1. Allgaier, Hans-Joachim, Rosina Geiger, Frank Wittmann, und Petra Neye. 2015. Gabriel auf Industrie 4.0-Forum am HPI: Deutschland bleibt Ausrüster der Welt. Pressemitteilung. 2015. https://hpi.de/pressemitteilungen/2015/gabriel-auf-industrie-40-forum-am-hpi-deutschland-bleibt-ausruester-der-welt.html. Zugegriffen am 20.11.2016.
  2. Beckmann, M., W. Krelle, und Rolf Färe. 1988. Fundamentals of production theory, 311. Berlin/Heidelberg: Springer Berlin Heidelberg.Google Scholar
  3. Bleiholder, Jens, und Joachim Schmid. 2015. Datenintegration und Deduplizierung. In Daten- und Informationsqualität, Hrsg. V. Knut Hildebrand, Marcus Gebauer, Holger Hinrichs, und Michael Mielke, 121–140. Wiesbaden: Springer Fachmedien Wiesbaden.CrossRefGoogle Scholar
  4. BMWI/BMBF. 2016. Smart Data Forum am DFKI Berlin (Deutsches Forschungszentrum für Künstliche Intelligenz). http://smartdataforum.de/. Zugegriffen am 02.12.2016.
  5. Brauner, Philipp, und Martina Ziefle. 2015. Human factors in production systems. In Advances in production technology. Lecture notes in production engineering, Hrsg. V. Christian Becher, 187–199. Cham: Springer Open.Google Scholar
  6. Brecher, Christian. 2012. Integrative production technology for high-wage countries. Berlin/Heidelberg: Springer Berlin Heidelberg. Zugegriffen am 19.11.2016.CrossRefGoogle Scholar
  7. Bundesministerium für Bildung und Forschung. 2014. Die neue Hightech-Strategie: Innovationen für Deutschland. https://www.bmbf.de/pub_hts/HTS_Broschure_Web.pdf. Zugegriffen am 20.11.2016.
  8. Constantinescu, Carmen, Daniela Popescu, Paul-Cristian Muresan, und Sebastian-Ioan Stana. 2016. Exoskeleton-centered process optimization in advanced factory environments. Procedia CIRP 41:740–745.CrossRefGoogle Scholar
  9. Davis, Jim, Thomas Edgar, Robert Graybill, Prakashan Korambath, Brian Schott, Denise Swink, Jianwu Wang, und Jim Wetzel. 2015. Smart manufacturing. Annual Review of Chemical and Biomolecular Engineering 6:141–160.CrossRefGoogle Scholar
  10. Dietrich, Vincent, Chen Dong, Kai M. Wurm, Georg V. Wichert, und Philipp Ennen. 2016. Probabilistic multi-sensor fusion based on signed distance functions. In 2016 I.E. International conference on robotics and automation, Stockholm, Sweden, May 16th–21st, Hrsg. V. Allison Okamura und Arianna Menciassi, 1873–1878. Piscataway: IEEE.CrossRefGoogle Scholar
  11. Dong, Xin L, und Divesh Srivastava. 2013. Big data integration. In Data engineering (ICDE), 2013 I.E. 29th International conference on, 1245–1248.Google Scholar
  12. Dragan, Anca D., Shira Bauman, Jodi Forlizzi, und Siddhartha S. Srinivasa. 2015. Effects of robot motion on human-robot collaboration. In Proceedings of the tenth annual ACM/IEEE international conference on human-robot interaction HRI ’15, 51–58. New York: ACM.  https://doi.org/10.1145/2696454.2696473.CrossRefGoogle Scholar
  13. Dyckhoff, Harald. 2006. Produktionstheorie: Grundzüge industrieller Produktionswirtschaft : mit 20 Tabellen, 5, überarb. Aufl. Springer-Lehrbuch. Berlin/Heidelberg: Springer.  https://doi.org/10.1007/3-540-32601-4.
  14. Ewert, Daniel. 2014. Adaptive Ablaufplanung für die Fertigung in der factory of the future. Als Ms. gedr. Fortschritt-Berichte VDI: Reihe 10, Informatik, Kommunikation 830. Düsseldorf: VDI VerlagGoogle Scholar
  15. Glaessgen, Edward, und David Stargel. 2012. The digital twin paradigm for future NASA and U.S. Air force vehicles. In 53rd AIAA/ASME/ASCE/AHS/ASC Structures, structural dynamics and materials conference<BR>20th AIAA/ASME/AHS adaptive structures conference<BR>14th AIAA. Reston: American Institute of Aeronautics and Astronautics.Google Scholar
  16. Haddadin, S., A. Khoury, T. Rokahr, S. Parusel, R. Burgkart, A. Bicchi, und A. Albu-Schäffer. 2012. A truly safely moving robot has to know what injury it may cause. In 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems, 5406–5413.Google Scholar
  17. Hermann, Mario, Tobias Pentek, und Boris Otto. 2016. Design principles for industrie 4.0 scenarios. In Proceedings of the 49th Annual Hawaii International conference on system sciences: 5–8 January 2016, Kauai, Hawaii, Hrsg. V. Tung X. Bui und Ralph H. Sprague, 3928–3937. Piscataway: IEEE.CrossRefGoogle Scholar
  18. Inmon, William H. 2005. Building the data warehouse, 4. Aufl. Indianapolis: Wiley. http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&db=nlabk&AN=140444.
  19. Jeschke, Sabina. 2015. Auf dem Weg zu einer,,neuen KI“: Verteilte intelligente Systeme. Informatik Spektrum 38(1): 4–9.  https://doi.org/10.1007/s00287-014-0857-6.CrossRefGoogle Scholar
  20. Jeschke, Sabina. 2016. AI-Driven approaches towards individualized production: From discrete variations to continuous variability. Aachen. http://www.ima-zlw-ifu.rwth-aachen.de/fileadmin/user_upload/INSTITUTSCLUSTER/Publikation_Medien/Vortraege/download/AI-Driven_Approaches_Individualized_Production_Aachen_17Nov2016.pdf. Zugegriffen am 20.11.2016.
  21. Jeschke, Sabina, Rene Vossen, Ingo Leisten, Florian Welter, Stella Fleischer, und Thomas Thiele. 2013. Industrie 4.0 als Treiber der demografischen Chancen. In Innovationsfähigkeit im demografischen Wandel: Beiträge der Demografietagung des BMBF im Wissenschaftsjahr 2013, 9. Frankfurt a. M.: Campus Verlag.Google Scholar
  22. Kagermann, Henning, Wolfgang Wahlster, und Johannes Helbig. 2013. Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0. Abschlussbericht des Arbeitskreises Industrie 4:5.Google Scholar
  23. Kassel. 2015. Mensch ist durch Kreativität überlegen: Der Medieninformatiker Andreas Butz im Gespräch mit Dieter Kassel. http://www.deutschlandradiokultur.de/kuenstliche-intelligenz-mensch-ist-durch-kreativitaet.1008.de.html?dram:article_id=308840. Zugegriffen am 22.11.2016.
  24. Keim, Daniel. 2010. Mastering the information age: Solving problems with visual analytics. Goslar: Eurographics Association.Google Scholar
  25. Khawli, Toufik A., Sascha Gebhardt, Urs Eppelt, Torsten Hermanns, Torsten Kuhlen, und Wolfgang Schulz. 2016. An integrated approach for the knowledge discovery in computer simulation models with a multi-dimensional parameter space. In International conference of numerical analysis and applied mathematics, 370003. AIP Conference Proceedings: Author(s).Google Scholar
  26. Kistner, Klaus-Peter. 1993. Die neoklassische Produktionstheorie. Physica-Verlag HD. https://link.springer.com/content/pdf/10.1007%2F978-3-642-58074-1_2.pdf.
  27. Klocke, Fritz, Dirk Abel, Thomas Gries, Christian Hopmann, Peter Loosen, Reinhard Poprawe, Uwe Reisgen, et al. 2017. Self-optimizing production technologies. In Integrative production technology: Theory and applications, Hrsg. V. Christian Brecher und Denis Özdemir. Berlin: Springer.Google Scholar
  28. Krcmar, Helmut. 2015. Informationsmanagement, 6., überarb. Aufl. Wiesbaden: Springer Gabler. http://ebooks.ciando.com/book/index.cfm/bok_id/1868353.
  29. Lenzerini, Maurizio. 2002. Data integration: A theoretical perspective. In Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, 233–246.Google Scholar
  30. d Looze, Michiel P., Frank Krause, und Leonard W. O’Sullivan. 2017. The potential and acceptance of exoskeletons in industry: Springer International Publishing. http://link.springer.com/chapter/10.1007/978-3-319-46532-6_32/fulltext.html.
  31. Meisen, Tobias. 2012. Framework zur Kopplung numerischer Simulationen für die Fertigung von Stahlerzeugnissen. Düsseldorf: VDI Verlag.Google Scholar
  32. Meyes, Richard, Hasan Tercan, Simon Roggendorf, Thomas Thiele, Christian Büscher, Markus Obdenbusch, Christian Brecher, Tobias Meisen, und Sabina Jeschke. 2017. Motion planning for industrial robots using reinforcement learning (to be published). In Proceedings of the 50th CIRP conference on manufacturing systems.Google Scholar
  33. Michalski, Ryszard S., Jaime G. Carbonell, und Tom M. Mitchell. 1983. Machine learning. Berlin/Heidelberg: Springer Berlin Heidelberg.CrossRefGoogle Scholar
  34. Mnih, Volodymyr, Koray Kavukcuoglu, David Silver, Andrei A. Rusu, Joel Veness, Marc G. Bellemare, Alex Graves, et al. 2015. Human-level control through deep reinforcement learning. Nature 518(7540): 529–533.  https://doi.org/10.1038/nature14236.CrossRefGoogle Scholar
  35. National Science Foundation. 2016. Cyber-Physical Systems (CPS). https://www.nsf.gov/funding/pgm_summ.jsp?pims_id=503286&org=ACI&from=home. Zugegriffen am 20.11.2016.
  36. Niemueller, Tim, Sebastian Reuter, Daniel Ewert, Alexander Ferrein, Sabina Jeschke, und Gerhard Lakemeyer. 2015. The carologistics approach to cope with the increased complexity and new challenges of the RoboCup Logistics League 2015. In RoboCup 2015: Robot World Cup XIX. Bd. 9513, Hrsg. V. Luis Almeida, Jianmin Ji, Gerald Steinbauer, und Sean Luke, 47–59. LNCS sublibrary. SL 7, Artificial intelligence 9513. Switzerland: Springer.CrossRefGoogle Scholar
  37. Niemueller, Tim, Frederik Zwilling, Gerhard Lakemeyer, Matthias Löbach, Sebastian Reuter, Sabina Jeschke, und Alexander Ferrein. 2017. Cyber-physical system intelligence: Knowledge-based mobile robot autonomy 3 in an industrial scenario. In Industrial internet of things, Hrsg. V. Houbing Song, Sabina Jeschke, Christian Brecher, und Danda B. Rawat. Cham: Springer International Publishing.Google Scholar
  38. O’Leary, Daniel E. 2014. Embedding AI and crowdsourcing in the big data lake. IEEE Intelligent Systems 29(5): 70–73.  https://doi.org/10.1109/MIS.2014.82.CrossRefGoogle Scholar
  39. O’Neill, John, Jason Lu, Rodney Dockter, und Timothy Kowalewski. 2015. Practical, stretchable smart skin sensors for contact-aware robots in safe and collaborative interactions. In IEEE International Conference on Robotics and Automation (ICRA), 2015: 26–30 May 2015, Seattle, Washington, 624–629. Piscataway: IEEE.CrossRefGoogle Scholar
  40. Perzylo, Alexander, Nikhil Somani, Stefan Profanter, Markus Rickert, und Alois Knoll. 2015. Toward efficient robot teach-in and semantic process descriptions for small lot sizes. In Proceedings of Robotics: Science and Systems (RSS), Workshop on combining AI reasoning and cognitive science with robotics, Rome, Italy, July. Bd. 201.Google Scholar
  41. Pomp, André, Alexander Paulus, Sabina Jeschke, und Tobias Meisen. 2017. Enabling semantics in the continuously evolving internet of things. In Proceedings of the 11th international conference on semantic computing (to be accepted).Google Scholar
  42. Reuter, Christina, Felix Brambring, Melanie Luckert, und Jakob Ernst. 2016. Investigating the impact of production structure on logistic targets using a dynamic simulation model. In Proceedings, 2016 I.E. International Conference on Industrial Technology (ICIT): The Howard Plaza Hotel Taipei, Taipei, Taiwan, 14–17 March, 2016, 2072–2077. Piscataway: IEEE.CrossRefGoogle Scholar
  43. Schmitz, G. J. 2016. ICME: Bridging interfaces. JOM 68(1): 25–26.  https://doi.org/10.1007/s11837-015-1716-x.CrossRefGoogle Scholar
  44. Schuh, Günther, Malte Brettel, Christina Reuter, David Bendig, Christian Dölle, Niklas Friederichsen, Annika Hauptvogel, et al. 2017. Towards a technology-oriented theory of production. In Integrative production technology, Hrsg. Brecher und Özdemir, 1051–1084. Berlin: Springer.CrossRefGoogle Scholar
  45. Schulz, Wolfgang, und Christian Hinke. 2017. Virtual production systems. In Integrative production technology, Hrsg. Brecher und Özdemir, 175–176. Berlin: Springer.Google Scholar
  46. Silva, Eliana C., M. F. Costa, J. P. Araújo, Dario Machado, Luis Louro, Wolfram Erlhagen, und Estela Bicho. 2015. Towards human-like bimanual movements in anthropomorphic robots: a nonlinear optimization approach. Applied Mathematics & Information Sciences An International Journal 9(2): 619–629.Google Scholar
  47. Spath, Dieter, Oliver Ganschar, Stefan Gerlach, Moritz Hämmerle, Tobias Krause, und Sebastian Schlund. 2013. Produktionsarbeit der Zukunft – Industrie 4.0: [Studie]. http://www.produktionsarbeit.de/content/dam/produktionsarbeit/de/documents/Fraunhofer-IAO-Studie_Produktionsarbeit_der_Zukunft-Industrie_4_0.pdf. Zugegriffen am 20.11.2016.
  48. Sutton, Richard S., und Andrew G. Barto. 1998. Reinforcement leakrning: An introduction, Bd. 1. Cambridge: MIT Press.Google Scholar
  49. Tercan, Hasan, Toufik A. Khawli, Urs Eppelt, Christian Büscher, Tobias Meisen, und Sabina Jeschke. 2016. Use of classification techniques to design laser cutting processes. Procedia CIRP 52:292–297.CrossRefGoogle Scholar
  50. Tercan, Hasan, Toufik A. Khawli, Urs Eppelt, Christian Büscher, Tobias Meisen, und Sabina Jeschke. 2017. Improving the laser cutting process design by machine learning techniques (im Druck). wgp Special Issue.Google Scholar
  51. Terkaj, Walter, Tullio Tolio, und Marcello Urgo. 2015. A virtual factory approach for in situ simulation to support production and maintenance planning. CIRP Annals – Manufacturing Technology 64(1): 451–454.  https://doi.org/10.1016/j.cirp.2015.04.121.CrossRefGoogle Scholar
  52. Union, Europäische. 2013. Factories of the future: Multi-annual roadmap for the contractual PPP under Horizon 2020. Luxembourg: Publications Office of the European Union.Google Scholar
  53. VDI/VDE. 2016. Statusreport Arbeitswelt Industrie 4.0. https://www.vdi.de/fileadmin/vdi_de/redakteur_dateien/gma_dateien/GMA_Statusreport_-_Arbeitswelt_Industrie_4_0_Internet.pdf. Zugegriffen am 20.11.2016.
  54. Vogel-Heuser, Birgit, Daniel Schütz, Thorsten Schöler, Sebastian Pröll, Sabina Jeschke, Daniel Ewert, Oliver Niggemann, Stefan Windmann, Ulrich Berger, und Christian Lehmann. 2015. Agentenbasierte cyberphysische Produktionssysteme. atp edition 57(09): 36.  https://doi.org/10.17560/atp.v57i09.525.CrossRefGoogle Scholar
  55. Weiss, Astrid, und Andreas Huber. 2016. User experience of a smart factory robot: Assembly line workers demand adaptive robots. arXiv preprint arXiv:1606.03846.Google Scholar
  56. Wurhofer, Daniela, Thomas Meneweger, Verena Fuchsberger, und Manfred Tscheligi. 2015. Deploying robots in a production environment: A study on temporal transitions of workers’ experiences. Human-Computer Interaction 9298:203–220.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Think Tank Digitalisierung und TechnikDeutsche Bahn AGBerlinDeutschland
  2. 2.Chair of Technologies and Management of Digital TransformationBergische Universität WuppertalWuppertalDeutschland
  3. 3.Member of the Management Board Digitalization & TechnologyDeutsche Bahn AGBerlinDeutschland

Personalised recommendations