Industrie 4.0 bei Hidden Champions

In diesem Kapitel geht es um die Frage, was unter dem Buzz-Word Industrie 4.0 zu verstehen ist und was nicht. Industrie 4.0 kann dabei unter gesellschaftlichen, kompetenzorientierten, produktionsorientierten oder verhaltensorientierten Gesichtspunkten unterschiedlich interpretiert werden. Die Umsetzung in Deutschland hat sich dabei vom politischen Konstrukt zur technisch-wirtschaftlichen Entwicklung im Rahmen der digitalen Transformation gewandelt.

Neue konzeptionelle Entwicklungen wie Industrie 4.0 gelten in vielen Fällen als Domäne von jungen, kleinen Unternehmen, die im Sinne einer Start-Up-Kultur auf Innovationen fokussiert sind oder als Themenfeld von Großunternehmen, die mit Hilfe von Forschungs- und Entwicklungsabteilungen und eigenen Engineering-Ansätzen sowie einem großen Budget in der Lage sind, größere Projekte zu testen und eigene Konzepte zu entwickeln. Da die deutsche Wirtschaft und Gesellschaft stark von den erfolgreichen Entwicklungen des Mittelstands abhängt, der eine Schlüsselstellung für die diversifizierte Wirtschaft und eine robuste Entwicklung des Wohlstands besitzt, kommt der hier behandelten Frage, wie mittelständische Unternehmen mit der digitalen Transformation und der Herausforderung von Industrie 4.0 zurechtkommen, eine zentrale Rolle zu.

Dass die digitale Transformation als generelles Thema für alle Gesellschafts- und Wirtschaftsbereich von Bedeutung ist, und gerade für den Mittelstand und zahlreiche Hidden Champions eine besondere Herausforderung darstellt, wurde in den vorausgehenden Unterkapiteln bereits deutlich. In diesem Unterkapitel geht es um die konkrete Umsetzung der digitalen Transformation in diesen Branchen- und Unternehmenssegmenten, wo von den Geschäftsmodellen und den dazugehörigen Kundensegmenten bis hin zur Unternehmens- und Führungskultur Veränderungen erforderlich sind. Diese Felder der Transformation im Sinne von Entwicklung und Change gilt es für einen erfolgreichen Transformationsprozess zu identifizieren und aufeinander abzustimmen.

In diesem Kapitel geht es um die Frage, welche systematischen Vorgehensmodelle dazu beitragen können, dass einzelne Bereiche in Industrieunternehmen auf ihrem Weg im Rahmen der digitalen Transformation unterstützt werden können. Die Darstellung erfolgt anhand eines Anwendungsbeispiels im Service-Sektor des Maschinenbaus.

In diesem Kapitel geht es um die Digitalisierung in der Fabrik am Beispiel eines automatischen Aufbaus eines Simulationsmodells zur dynamischen Simulation von Produktionssystemen. Hierfür werden zunächst die Vision und der Ansatz der digitalen Fabrik erläutert. Ein wichtiger Bestandteil sind dabei die in allen Bereichen des Unternehmens anfallenden Daten, welche zu den Herausforderungen einer digitalen Fabrik hinführen. Mit diesem Hintergrund wird die Simulation von der Modellierung abgegrenzt und definiert. Wichtig sind dabei die sechs Grundsätze ordnungsgemäßer Modellierung (GoM), welche die Möglichkeit geben unterschiedliche Modelle zu bewerten. Auch ist im Rahmen der automatischen Generierung von Modellen die Adaption ein wichtiger Punkt. Der Grundgedanke der Adaption ist es, auf einfache Art und Weise Modelle anpassen zu können, um sie für verschiedene Zwecke einzusetzen. Im weiteren Verlauf ist es entscheidend, sich die Ansätze der Modellierung bewusst zu machen. Hier findet eine Unterscheidung in die beiden großen Gruppen der statischen und der dynamischen Modelle statt. Auf dieser Grundlage folgt eine Erklärung der drei großen Phasen der Modellbildung und deren jeweilige Ergebnisse. Konkret handelt es sich dabei um die Systemanalyse, die Formalisierung und letztlich die Implementierung. Anschließend wird nochmals auf die Wichtigkeit der Eingangsdaten einer Simulation eingegangen. Im nächsten Schritt findet die Validierung und die Verifikation statt. Diese Theorie ist die Grundlage für die im letzten Teil des Kapitels detaillierten Beschreibungen von Phasen und Bausteinen einer Modellierung.

Die Hochschule Offenburg nimmt seit 1998 am Shell-Eco-Marathon teil. Einem Wettbewerb studentischer Teams, die mit selbst konstruierten Fahrzeugen gegeneinander antreten und bei dem das energieeffizienteste Team gewinnt. Das Team der Hochschule Offenburg trägt den Namen „Schluckspecht“ und besteht aus circa 30 Studierenden aus den Fakultäten Maschinenbau und Verfahrenstechnik, Elektrotechnik, Medizintechnik und Informatik sowie Medien und Informationswesen. Es entwickelt und baut ein hocheffizientes Fahrzeug in Ultraleichtbauweise (Prototypenklasse) für den Shell Eco-Marathon. Das Team hat das Potenzial der additiven Fertigung (3D-Druck) frühzeitig erkannt und als einen Schwerpunkt für die Entwicklung des Nachfolgemodells S6 definiert.

In diesem Einführungskapitel geht es um die Fragen, was Additive Fertigung eigentlich ist, was die richtigen Anwendungen sind, was die jeweiligen Stärken und Schwächen der Drucktechnologien und was Potenziale sowie Optimierungsmöglichkeiten der Additiven Fertigung sind.

Als Basis werden die theoretischen Grundlagen der Additiven Fertigung aufgezeigt. Hierzu gehören die Prinzipien der verschiedenen Druckverfahren sowie die Optimierungspotenziale der Additiven Fertigung.

Anschließend werden die Anforderungen von Unternehmen an die Additive Fertigung skizziert, deren Verbreitung Stand heute in den Unternehmen und es werden Anwendungsbeispiele dafür, welche Probleme bereits heute durch die Additive Fertigung gelöst werden können, aufgezeigt.

In diesem Kapitel geht es um einen Einblick in die Möglichkeiten der Digitalisierung von medizintechnischen Anwendungen. Eine wesentliche Rolle spielen dabei kompakte Sensoren zur Messung von Vitalparametern wie Puls oder Blutdruck, die unter anderem in Fitnesstrackern breite Anwendung finden. Ein medizinischer Nutzen, um z. B. Krankheiten frühzeitig erkennen zu können, ist jedoch erst durch intelligente Datenverarbeitung möglich geworden. Im Fokus steht hierbei die teilweise automatische Messung und digitale Verarbeitung von Vitalparametern, die bisher von Ärzten oder medizinischem Fachpersonal ermittelt wurden. Erste Applikationen zur Interpretation der gemessenen Vitalparameter mittels spezieller Algorithmen, wie sie einige Smart Watch Modelle bieten, sind bereits heute zur medizinischen Anwendung zugelassen. Ihr Nutzen bei der frühzeitigen Diagnose bestimmter Erkrankungen wurde in breit angelegten Studien untersucht. Auf den folgenden Seiten wird erläutert, welche Technologien dabei eingesetzt werden und welche Einschränkungen noch vorherrschen. Im Anschluss lässt ein kurzer Einblick in die aktuellen Anwendungen von implantierbaren Sensoren zur Vitaldatenerfassung in Wissenschaft und Forschung erahnen, welche Entwicklungen in den kommenden Jahren den Weg in die alltägliche medizinische Anwendung finden werden.

In diesem Beitrag werden Verfahren des maschinellen Lernens zur Qualitätskontrolle bei der automatisierten Montage von Wälzlagern betrachtet. Zunächst werden in Abschn. 2 die Begrifflichkeiten im Titel des Beitrags erörtert. In Abschn. 3 wird kurz auf den Aufbau, die Klassifizierung und die Funktion von Wälzlagern eingegangen. In Abschn. 4 werden in der automatisierten Montage verbreitete Mess- und Prüfverfahren vorgestellt. Neben der Überprüfung von geometrischen Produktmerkmalen mittels taktiler Messung wird die funktionelle Überprüfung mittels Reibmoment- oder Geräuschprüfung, die industrielle Bildverarbeitung mit ihren Anwendungsbereichen sowie die Überwachung von Füge- und Schraubprozessen zur Absicherung des Produktionsprozesses beschrieben. In Abschn. 5 wird auf die verschiedenen Verfahren des maschinellen Lernens eingegangen. Diese lassen sich aufteilen in unüberwachtes Lernen, überwachtes Lernen und bestärkendes Lernen. Beim unüberwachten Lernen können durch Clustering verborgene Zusammenhänge oder abweichende Datensätze aufgedeckt werden, ohne dass vorher die Definition einer Zielvariablen notwendig wäre. Dagegen wird beim überwachten Lernen eine Zielvariable vorgegeben, anhand derer das Verfahren die Testdaten dann beispielsweise zum Zwecke der Klassifizierung bewertet. Als gängige Verfahren werden Support Vector Machines, die logistische Regression, Entscheidungsbäume und Random Forests sowie k-Nearest-Neighbor betrachtet. Deep Learning basiert auf künstlichen neuronalen Netzen, bietet den breitesten Anwendungsbereich und kann sowohl zum überwachten, unüberwachten als auch bestärkenden Lernen eingesetzt werden, wobei derzeit vor allem das überwachte Lernen als Anwendung Relevanz besitzt. Dieses Kapitel. 6 befasst sich mit denkbaren oder schon etablierten Anwendungen des maschinellen Lernens in der industriellen Fertigung.