2020/01/29 by Müller, Madlin, Mathias Kühn, Thorsten Schmidt +2
Business, Management and Accounting · Engineering · #Digital Transformation in Industry #Flexible and Reconfigurable Manufacturing Systems #Ingenieurwissenschaften (DDC 620) #Maschinelles Lernen #Product Development and Customization #Prozessklassifizierung #RSSI #Retrospektive Lokalisierung #Signalaufbereitung
paper · doi:10.2195/lj_proc_mueller_de_201912_01
openalex created_date 2020/02/07 · openalex publication_date 2024/12/16 · openalex updated_date 2026/07/01
In kleinen und mittleren Unternehmen (KMU) besteht für logistische Prozesse die Herausforderung einer unvollständigen Datenbasis. KMU können nur eingeschränkt auf verfügbaren Methoden zur Datengenerierung zurückgreifen. Manuelle Methoden erfordern einen hohen Ressourcenbedarf und die generierte Datenbasis ist ungenau und subjektiv. Tracking Systeme sind kostenintensiv, unflexibel und mit hohem Installationsaufwand verbunden. Um eine fundierte Datengrundlage zu schaffen, stehen für KMU derzeit keine geeigneten Methoden zur Verfügung. Aus diesen Gründen wird eine Methodik vorgestellt, die der Zielstellung unterliegt, eine KMU-gerechte Vorgehensweise zur effizienten, temporär durchführbaren Datenerhebung und -auswertung in Produktions- und Logistiksystemen als Basis zur Prozessanalyse und verbesserung zu entwickeln. Die Gesamtmethodik fokussiert die retrospektive Lokalisierung und Analyse von Materialflussobjekten. Die technologische Grundlage bilden auf Bluetooth Low Energy (BLE)-basierende Signalsender, sogenannte Beacons, und handelsübliche Smart Mobile Devices (SMD) als Empfänger, zwischen denen Entfernungsdaten gemessen und retrospektiv Bewegungsprofile abgeleitet werden. Im Entwicklungsfokus steht eine Software-basierte Methodik. Dafür stehen die Auswahl und Implementierung von Mustererkennungsverfahren zur automatischen Prozesserkennung sowie Verfahren zur Visualisierung von relativen Entfernungsdaten im Forschungsfokus.