Open Access

Mit einem Umsatz von 103 Milliarden Euro ist die Metallindustrie eine der größten deutschen Industriebranchen. Diese ist von volatilen Marktbedingungen und hohem Wettbewerb geprägt [1][2]. Kleine und mittlere produzierende Unternehmen (sogenannte KMU) sehen zunehmend gravierende Probleme bei der Einhaltung von Lieferterminen bedingt durch hohe Durchlaufzeiten in der Produktion [3]. Neben kaufmännischen Planungssystemen zur Erstellung von Produktionsplänen nutzen Unternehmen als Planungsgrundlage weiterhin Excel mit 31 % und manuelle Prozesse mit 10 % [4]. Gleiches gilt für Produktwechselvorgänge auf Maschinen (Rüsten). Aufgrund dieser Aspekte ist es notwendig, die Rentabilität der KMU in der Metallindustrie zu steigern. Das wird durch effiziente Produktionsplanung und -steuerung, sowie der daraus resultierenden hohen Reaktionsfähigkeit und Flexibilität realisiert. Daher ist die Produktionsplanung auf die Markt- und Kundenanforderungen und die Anlageneffektivität auf ein hohes und stabiles Niveau auszurichten [5]. Hier bietet die Erfassung von Echtzeitdaten eine adäquate Reaktion auf die genannten Anforderungen. Ebenfalls liefert sie großes Potenzial für die Produktionsplanung und -steuerung, um die Disposition und Koordination von Arbeitsaufträgen zu optimieren. Weiterhin werden Störgrößen oder unvorhergesehene Planungsabweichungen reduziert [4][6]. Zusätzlich ist eine erhöhte Transparenz und Verbesserung menschlicher Entscheidungsprozesse notwendig. Dies kann durch datengetriebene Methoden unterstützt und sichergestellt werden [7]. Ein Ansatz zur Optimierung des Produktionsergebnisses kann durch die Erhöhung der Anlagenproduktivität selbst realisiert werden. Dazu muss die Verfügbarkeit der Anlagen durch Lokalisierung und Reduzierung von Verlusten erhöht werden. Die Umrüstungsprozesse tragen stark negativ zur Verfügbarkeit einer Produktion bei. Eine Steigerung der Gesamtanlageneffektivität (overall equipment effectiveness oder kurz OEE) in einer Fertigungsumgebung ist jedoch möglich durch eine intelligente Nutzung von Sensordaten mit Techniken wie z. B. Machine Learning (ML).

Decisions on location planning are complex strategic business decisions involving a considerable number of risks for a company´s management. To reduce the general risk of making a wrong decision literature offers a wide range of different approaches (Krebs & Reinhart, 2012). All of these methods base on one similar key fact – the decision quality increasing with the amount and detail level of the used parameters. Therefore, the conference paper addresses the finding of a general abort criterion, by finding the right decision parameters and reduce them to a reasonable number.

Abstract Small load carriers (SLCs) are standardized reusable containers used to transport and protect customer goods in many manufacturers. Throughout the life cycle of the SLCs, they will be collected, manually checked for defects (wear, cracks, and residue on the surface), and cleaned by specialized logistic companies. Human operators in small to medium-sized companies manually evaluate the defects due to the variety and degree of possible defects and varying customer needs. This manual evaluation is not scalable and prone to errors. This work aims to fill this gap by proposing a computer vision system that can recognize the SLC type for inventory management and perform defect detection automatically. First, we develop a camera portal, consisting of standard components, that capture the relevant surfaces of the SLC. A labeled dataset of 17,530 images of 34 different SLCs with their defect status was recorded using this camera portal. We trained a classification model (ConvNeXt) using our dataset to predict the different types of SLCs achieving 100% class prediction accuracy. For defect detection, we explore eight state-of-the-art (SOTA) anomaly detection models that achieved high rankings in the MVTec industrial anomaly detection benchmark. These models are trained using default hyperparameters and the two highest-scoring models were chosen and fine-tuned. The best-fine-tuned models based on “Area under the Receiver Operating Characteristic Curve (AUROC)” are PatchCore (0.811) and DRAEM (0.748). These results indicate that there is still potential for improvement in the automation of defect detection of SLCs.

Research in this article refers to the influencing factors during Strategic IoT architecture decisions in small and medium-sized enterprises. Our results reveal the importance of each factor and its influence on other factors. A selection of influencing factors - mainly from literature - is examined for their significance and relations using Interpretive Structural Modeling. The data for the Interpretive Structural Modeling comes from an interview study with high-quality experts from the German-speaking area. Based on the results, a decision environment for practical decision-makers is built up from the influencing factors found. Subsequently, we provide a tactic to manage the decision-making process via a guide for practitioners. The outcome of our research can help SME practitioners control influencing factors on strategic decisions about the IoT architecture to improve the decision outcome. The authors are unaware of any literature source that provides an approach to handling the influencing factors of strategic IoT architecture decisions in small and medium-sized enterprises.