Refine
Year
- 2015 (29)
- 2012 (27)
- 2014 (25)
- 2017 (24)
- 2013 (22)
- 2019 (20)
- 2009 (18)
- 2011 (18)
- 2018 (18)
- 2021 (17)
- 2010 (14)
- 2007 (13)
- 2022 (13)
- 2020 (11)
- 2023 (8)
- 2016 (7)
- 2008 (6)
- 2003 (5)
- 1997 (4)
- 1998 (4)
- 2006 (4)
- 1996 (3)
- 1991 (2)
- 1992 (2)
- 1994 (2)
- 2004 (2)
- 1000 (1)
- 1980 (1)
- 1988 (1)
- 1989 (1)
- 1990 (1)
- 1999 (1)
- 2002 (1)
- 2005 (1)
Publication Type
- Article (98)
- Lecture (82)
- Part of a Book (55)
- Conference Proceeding (43)
- Book (25)
- Contribution to a Periodical (21)
- Report (1)
- Sound (1)
Language
- German (155)
- English (153)
- Multiple languages (18)
Keywords
- Industrie 4.0 (7)
- Digitaler Schatten (4)
- Digitalisierung (3)
- Biogas (1)
- Data Analytics (1)
- Data security (1)
- Digital Twin (1)
- Energieflexibilität (1)
- Fertigung (1)
- Geschäftsmodelle (1)
Faculty
- Maschinenbau (MB) (326) (remove)
Wertvoller Abfall
(2014)
Nachhaltig, menschzentriert und resilient – so beschreibt die Europäische Kommission in einem ihrer Dossiers die nächste industrielle Revolution unter dem Stichwort Industrie 5.0. Vor zehn Jahren wurde auf der Hannover Messe 2011 die Vision Industrie 4.0 präsentiert. Kernelemente von Industrie 4.0 sind eine Referenzarchitektur (RAMI 4.0) zur Vernetzung zunehmend autonomer IoT-Geräte sowie Cyber-Physical Production Systems (CPPS), bei denen hochaufgelöste Simulationen („Digital Twins“) dabei helfen, physische Produktionssysteme zu überwachen, deren Verhalten vorherzusagen und zu regeln. Darüber hinaus sollen personalisierte und kontextspezifische „intelligente Agenten“ und dazugehörige Organisationsformen neue Formen der Arbeit schaffen.
Der Begriff Internet of Things hat sich weltweit als Bezeichnung für die horizontale internetbasierte Vernetzung von Cyber-Physical Systems durchgesetzt. Das IoT ermöglicht dabei die Nutzung von Felddaten (z. B. Kundenverhalten) zur Realisierung von neuartigen digitalen Geschäftsmodellen. In den meisten Anwendungsfällen sind dabei große Mengen an Felddaten vorhanden, welche durch eine relativ kleine Anzahl von Parametern beschrieben werden. Die Übertragung des IoT-Ansatzes auf die Produktion wird – insbesondere in Deutschland – mit dem Begriff Industrie 4.0 bezeichnet. Das volle Potenzial dieses Ansatzes kann derzeit jedoch nicht vollständig genutzt werden, da der Zugang zu Daten aus der Produktion aus verschiedenen Gründen nicht möglich ist und die Daten aufgrund der komplexen physikalischen Wirkzusammenhänge sehr heterogen sind. Dies führt insbesondere in der Datenanalyse zu gänzlich neuen Herausforderungen.
Typische Baufehler
(2002)
Typische Baufehler
(2005)
The Effect of the Incidence Angle on the Flow over a Rotating Disk Subjected to Forced Air Streams
(2013)
Stagnation Flow and Heat Transfer From a Finite Disk Situated Perpendicular to a Uniform Stream
(2019)
Stagnation Flow and Heat Transfer From a Finite Disk Situated Perpendicular to a Uniform Stream
(2020)
Die Entwicklung einer automatisierten Produktionssteuerung in der Holzveredelung soll logistische Potenziale nutzen und Wettbewerbsvorteile sowie die Standortsicherheit erhöhen. Dies erfordert die rechnergestützte Lösung von komplexen Optimierungsaufgaben in stark begrenzter Rechenzeit. Dieser Beitrag stellt einen Ansatz für die prozessbegleitende Optimierung innerhalb der Produktionssteuerung vor, wobei die Praxistauglichkeit der Optimierungsergebnisse im Vordergrund steht.
Pinsel und Dolch
(1999)
Optimal control problems with delays in state and control and mixed control-state constraints"
(2009)
Numerical Verification of the Thermodynamic Determination of the Hydraulic Efficiency of Radial Fans
(2019)
Numerical Optimization of a Piece Wise-Wise Conical Contraction Zone of a High-Pressure Wind Tunnel
(2015)
Numerical Model of the Railway Brake Disk for the Temperature and Axial Thermal Stress Analyses
(2022)
Numerical investigation of a transonic dense gas flow over an idealized blade vane configuration
(2023)
Numerical Calibration of Three-Dimensional Printed Five-Hole Probes for the Transonic Flow Regime
(2021)
Moderne Produktions- und Verarbeitungsanlagen in der Stahlherstellung beinhalten eine Vielzahl von Sensoriken und digitalisierten Informationen. Prinzipiell stehen daher bereits während des Betriebes große Datenmengen entlang des gesamten Herstellungsprozess zur Verfügung. Diese Daten werden teilweise direkt für interne Regelungen der Maschinen oder für Qualitätskontrollen genutzt. Ein Großteil dieser Daten bleibt jedoch ungenutzt. Dies hat zwei Hauptgründe: Zum einen müssten sehr große Datenmengen gespeichert werden, zum anderen sind die erzeugten Daten sehr heterogen und ohne Vorverarbeitung und Kenntnis der physikalischen Wirkzusammenhänge von keinem direktem Nutzen. Der Verknüpfung von relevantem Wissen, Modellen und Daten über alle relevanten technischen Domänen hinweg bietet die Möglichkeit den OEE zu optimieren. Ein domänenübergreifender Datenzugriff ermöglicht neue Möglichkeiten für produzierende Unternehmen, insbesondere müssen mit Wissen aufbereitete Daten zusammen mit bedarfsgerecht reduzierten Modellen genutzt werden. Diese modellbasierte Datenanalyse stellt die Grundlage für einen optimalen Nutzen von Daten aus der Produktion dar.