• Konzeption und Engineering mehrerer Produktions-Fabriken samt maschinellem und digitalem ?Innenleben? im In- und Ausland

• Erstellung Standortübergreifendem Digitalisierungskonzept (Smart Factory) für den gesamten Werterstellungsprozess

• Durchführung Work-Shops zur Ableitung idealer, internationaler Produktionsnetzwerke

• Konzeption und Implementierung schlanker Produktionslinien und Organisationsstrukturen

• Layout- und Logistikplanung Gebäude, Produktionslinie, Material-, Personalstrom

• Aufbau von Lastenheften: Auswahl von Anlagen, Maschinen, EDV-Systemen und Software

• Koordination von Lieferanten und interne /externen Mitarbeitern

• Sicherstellung des projektübergreifenden Wissensmanagements (Best Practice, Lessons Learned)

• Konzeption, Engineering, Aufbau Produktion mehrerer Endprodukte zur medizinischen Unterstützung/ Begleitung von Menschen mit Herzrhythmusstörungen;

• Technologische Konzeption: Hardware, Software, Elektrik, Elektronik, Web-Anbindung;

• Erstellung Dokumente und Erlangung internationale Patentierung;

• Zusammenarbeit mit internen/externen Gruppen: Mediziner, Therapeuten, Ärzte;

• KI-Anwendung zur Erstellung Persönlichkeitsprofil, Therapieverfahren in Verbindung mit Arzt; Aufbau Test- und Erprobungsscenario; Auswahl Testgruppe unterschiedlicher statistischer Verteilung (Alter, Krankheitsbild etc.);

• Auswertung der Behandlungsergebnisse (mit/ohne digitale Unterstützung), Veröffentlichung;

• Erstellung notwendiger Dokumente und Erlangung CE Zertifikat;

• Einleitung Zulassungsverfahren beim Bundesinstitut für Arzneimittel und Medizinprodukte

• Nachweis technologische Sicherstellung Datenschutznormen nach der DatenschutzGrundverordnung DSGVO

• Weiterentwicklung der Lösung und zusätzlicher Endprodukte

• Aufbau Produktionslinien, Montagekonzepte

• Koordination von Lieferanten und interne /externen Mitarbeitern

• Start Serienproduktion; Belieferung von Ärzten und Handelsketten

• Ziel dieses Projektes war die Entwicklung einer umfassenden, technologischen Unterstützung für blinde oder sehbehinderte Menschen unter Einsatz verschiedener KI-Methoden und Algorithmen integriert in einer hochauflösenden Kamera mit ergänzenden Kopfhörern. Zusätzliche Hilfsmittel, wie ?elektro-, mechanischer Blindenhund? bzw. ?Blindenstock? für zielsichere Navigation des Users in komplexen Umgebungen sollten entwickelt werden.
• Dabei wurden folgende Umgebungs-Szenarien und Anforderungen an die Technologie untersucht:

Haus, eigene Wohnung:

• Zusammenstellung Bekleidung (Form, Farbe)
• Lesen Kontoauszüge, Briefe, Dokumente

Straßenverkehr (Fußgänger), Parkanlage:

• Laufendes Erkennen und Beschreiben Umgebung (Ampel, Zebrastreifen, Fußgänger, Radfahrer, Autos, Bäume, Geschäfte usw.) in gewünschter Detaillierung
• Erkennen und Lesen Straßenschilder, Fahrpläne, Geschäftsnamen
• Spezifische Ort/Objekte (NV-Haltestelle, bestimmtes Geschäft, Orte) finden
• Sichere Navigation im Straßenverkehr zum vorgegebenen Ziel (autonomes Gehen)

Einkaufen Supermarkt:

• Sichere Navigation im Supermarkt
• Finden Regale, Auswahl Produkt
• Lesen von Verpackungsaufschrift (Barcode, Inhalt, Gewicht, Preis, Verfallsdatum usw.)
• Erkennen und ?Lesen? Geldschein
• Bezahlen mit EC, Kredit-Karte

Restaurant, Café:

• Leeren Tisch finden, Speisekarte lesen
• Speisen, Essen, Trinken
• Bezahlen

Navigation über unterstützende Hardware:

• Angepasster Blindenstock (Navigation, Entfernung zu Objekten über Sensorik)
• Vibrationsgürtel mit Tonunterstützung
• Vibrationsringe an beiden Armen mit Tonunterstützung
• Elektro-, Mechanischer ?Blindenhund?

Zunächst mussten dazu folgende Fragestellungen/Aufgaben geklärt werden:

Was soll, in welchem Detaillierungsgrad erkannt und dem Nutzer beschrieben werden:

• Alles (Rundumbeschreibung, Verkehrssituation)
• Gefährliche Objekte (Bewegte Objekte: Auto, Fahrradfahrer, Straßenbahn, Fußgänger)
• Text, Bild, Bildsequenzen
• Erkennen und Lesen Handschriften
• Geldscheinerkennung, Kreditkarte, EC-Karten
• Wiedergabe in unterschiedlichen Sprachen
• Gesichtserkennung (Gender, Alter, spezifische Person)
• Farberkennung

Befehlseingabe, Technologie-Steuerung:

• Über Sprache, Gesten
• Elektro-mechanische Eingabe (Druckknopf)

Ausgabe, Interaktion, Schnittstelle zum Nutzer:

• Akustik: Menschliche Stimme;
• Akustik: Ton (Frequenz, Amplitude)
• Mechanische Vibration

Modul ?persönlicher Assistent?

Realisiert mit:

• Umgebungsbeschreibendes System mit CNN & LSTM
• OpenCV mit ergänzender Navigationsfunktion

Akustische Umgebungsbeschreibung

• Ziel dieses Teilmoduls war es ein KI-Modul zu erstellen, das automatisch gesamte Umgebungen des Nutzers(?Environment, Space?) wie Landschaften, Gebäude, Ampel, Zebrastreifen, Bepflanzungen und die dortigen ?Akteure? (fahrende Autos, Fahrräder, Fußgänger) erfasst, bei Anforderung durch den Nutzer in gewünschtem Detaillierungsgrad per Sprache beschreibt.
• Das erstellte Modell verwendet Bild-, Sprach- und Textverarbeitungskonzepte, um anschließend die vom Nutzer gewünschte Beschreibung zu erstellen. Diese KI-Architektur kann z.B. bei Tastendruck oder Sprachbefehl aktiviert werden und automatisch Umgebungsbilder generieren, diese nach Anforderungsprofil (?Was soll, wie detailliert erkannt werden??) beschreibend in einer menschlichen Sprache erläutern.
• Dieses Modul ist dem Bereich des sog. ?Computer Vision?, primär ?Objekterkennung? zuzuordnen und beinhaltet zusätzlich Konzepte zur Verarbeitung natürlicher Sprache.
• Es muss den Kontext einer Umgebung, eines Bildes bzw. dort vorhandener Objekte zunächst identifizieren und dann deren erkannten Zusammenhang (?Interaktion?) in einer natürlichen Sprache wie Englisch oder Deutsch akustisch beschreiben. Gleichzeitig soll es z.B. Straßenschilder, Fahrpläne, Name Restaurant, Produktnamen etc. laut vorlesen. Hierfür wurden insbesondere die KI-Konzepte eines CNN (Convolutional Neural Networks) und LSTM (Long Short Term Memory) verwendet.
• Genutzt für Objekterkennung und deren Interaktionen im Bild wurde u.a. das vortrainierte Modell von Google ?Xception?, einem CNN-Modell, das auf dem Imagenet-Datensatz trainiert wurde. Die hier erkannten Merkmale (Objekte und deren Zusammenhang) gehen anschließend in das LSTM-Modell ein, das für die Erzeugung der akustischen Beschreibung mit einem darauf aufgesetztem ?Sprachmodul? in menschliche Sprache sorgt.
• Ein CNN scannt Bilder von links nach rechts und von oben nach unten, um wichtige (markante) Merkmale herauszufiltern und kombiniert diese miteinander um anschließend Objekte zu klassifizieren oder wieder zu erkennen
• Es können zur Identifikation grundsätzlich auch schwarz/weiß Aufnahmen genutzt werden. Hier wird das Netz vornehmlich anhand der Geometriedaten (Form, Gestalt, Linien, Kanten etc.) der auf den Fotos befindlichen Objekte trainiert und wiedererkannt. Zusätzlich können über eine unterstützende Farberkennungsebene der Farbverlauf/Farbmuster auf dem Bild per Bildpunkt bzw. Bildpunktgruppe (Fläche) die Rot-Grün-Blau (RGB) Werte ermittelt und entweder separat (?Das ist ein Pullover mit oranger Farbe?) oder als unterstützendes/ergänzendes Merkmal (z.B. Geldscheinerkennung) für die Objekterkennung allgemein genutzt werden.
• Innerhalb der ?Objekterkennung? allgemein sollten dann folgende spezifischere Aufgaben erfüllt werden (Auswahl):
  • Personen (Geschlecht, Alter), Gesichtserkennung (dem Nutzer bekannte Personen)
  • Banknotenerkennung
  • Produkte (Supermarkt, Restaurant)
  • Verkehrszeichen, Verkehrsteilnehmer (Fußgänger, Radfahrer, Autos)
  • Schriftzeichen (Buchstaben, Zahlen, Zeichen)
  • Handschriften (Belege, Briefe)
  • Beschriftungen auf Gebäuden wie Restaurants oder Geschäften
• Je nach Objekt und Aufgabenstellung eignen sich unterschiedliche Architekturen und Schichtenanzahl und Schichtenmerkmale (Funktionen, Gewichte) der CNN zur Identifikation. Diese konnten als Grundlage für das sog. ?Transferlearning?, Anpassung vortrainierter Netze auf die eigenen Bedürfnisse genutzt werden.

Was ist ein LSTM?

LSTM steht für Long Short Term Memory. Es handelt sich um eine Art RNN (Recurrent Neural Network), das sich gut für Vorhersagen von Text-Sequenzen eignet. Basierend auf den vorherigen Textbausteinen kann damit vorhergesagt werden, wie das nächste Wort heißen wird. Es hat sich gegenüber dem traditionellen RNN als wirksam erwiesen, indem es die Einschränkungen des RNN mit einem Kurzzeitgedächtnis überwunden hat. LSTM kann relevante Informationen während der Verarbeitung von aktuellen Eingaben ausführen und verwirft mit einem sog. ?Vergessenspool? nicht relevante vorherige Informationen.

Einfaches Modell des akustischen Führers: Teil-Modul Umgebungsbeschreibung

Um ein Modell für solch einen virtuellen Führer zu erstellen, werden diese beiden Architekturen zusammengeführt, das auch als CNN-RNN-Modell bezeichnet wird:

Ergebnis Bildanayse und Objekt-Interaktion: : a man holding a slice of pizza

• Das CNN wird zum Extrahieren von markanten Merkmalen aus den Bildern genutzt. Der anschließende LSTM-Block verwendet diese Informationen der CNN, um eine semantisch logische akustische Beschreibung des Bildes mit Hilfe eines zusätzlichen Sprachmoduls zu erstellen.
• Hierzu wurde das sog. ?Transferlearning? genutzt: Aus einem bereits existierenden Modell, das für große Datenmengen vortrainiert wurde, wurden für diese Aufgabenstellung notwendigen spezifischen Funktionen extrahiert, zum Teil mit weiteren Funktionen ergänzt und anschließend für die eigenen Bilder und Umgebungs-Szenarien trainiert.
• Das hierfür u.a. verwendete CNN - XCEPTION Netzwerk, das für einen Imagenet-Datensatz mit 1000 zu klassifizierenden Klassen bereits trainiert wurde, lässt sich direkt aus KERAS den keras.applications importieren, wobei die Funktionen und Gewichte der verschiedenen Netzwerkebnen automatisch mit heruntergeladen werden.

Verarbeitung von Text, Sprache mittels LSTM:

• Für Computer werden Wörter, Begriffe zunächst als Zahlen bzw. Zahlenfolge dargestellt. Dazu war es notwendig jedes Wort des Vokabulars in der jeweiligen Sprache mit einem eindeutigen Indexwert abzubilden. Die Keras-Bibliothek bietet dazu die sog. ?Tokenizer-Funktion?, mit der für jedes Wort eine spezifische Zeichenfolge ?Token? aus dem jeweiligen Wortschatz und unterschiedliche Sprache erstellt und in einer Datei gespeichert werden kann. Das Modell wurde mit mehr als 600.000 Bildern trainiert.
• Jedes Bild enthält jeweils einen Merkmalsvektor für die Erkennung der einzelnen Objekte (Hund, Fußgänger, Gebäude, Auto etc.) und kombiniert diese mit Werten für Position und Interaktion
  • ?Fußgänger mit Hund, 79 Meter, 30° links?
  • ?Bushaltestelle, 45 Meter, 20° rechts?
• Die Entfernung des Nutzers zu erkannten Objekten kann über Durchschnittswerte (z.B. Durchschnittliche Größe einer Person (Mann/Frau) in Mitteleuropa; Höhe Wartehäuschen für Bus/Bahn in Deutschland, Höhe/Breite Bus) und Strahlengesetze der Optik zunächst grob und laufend abgleitet werden. Möchte der User einen genauen Wert, so kann über Befehlseingabe ?Nenne Entfernung Bushaltestelle rechts? über die Konzentration und ?Scharfstellung der Linse? auf diesen Punkt ein genauerer Wert ermittelt werden.
• Der Winkel zum Standort des Objektes wird zum jeweiligen Mittelpunkt der Linsenperspektive bzw. der Kopfhaltung des Nutzers berechnet.

Modul Farberkennung

Entwicklungsumgebung:

• Python ? Computer Vision-Bibliotheken von Python ? OpenCV ? Pandas ? Numpy
• Eine weitere Ebene in der CNN zur Farberkennung soll zum erkannten Objekt auch bei Bedarf dessen Farbe automatisch abrufen, indem der Nutzer darauf zeigt oder per Sprache abfragt: ?Welche Farbe hat das Haus??, ?Welche Farbe hat diese Hose??. Es kann aber auch gleichzeitig zur Objekterkennung unterstützend genutzt werden.
• Alle Farben bestehen aus den drei Grundfarben: Rot, Grün und Blau (RGB). Ihre Intensitäten können jeweils zwischen 0 und 255 virtuell je Bildpunkt dargestellt werden und durch Kombination dieser erhält man über 16,7 Millionen verschiedene Farbwerte.
• Ziel dieses Teilmoduls war es, den Namen der im täglichen Leben relativ oft verwendeten Farben aus den Farbwerten (Wertekombination RGB-Anteile) der Objekte zu erhalten und akustisch den passenden Farbnamen zu benennen. Um dies zu implementieren, wurde Datensätze mit den Farbwerten (Anteil RGB) und dem dazugehörigen ?Farbnamen?, in der jeweiligen Sprache aufgebaut.
• Nach virtueller Erfassung eines Farbpunktes bzw. einer Farbfläche per Kamera in einem Bild (Zeitung, Zeitschrift usw.) oder auf einem Objekt, wird intern der kürzeste rechnerischen Abstand zwischen den einzelnen Farbmerkmalen (Anteilsverteilung RGB: Farbpunkt) und aufgelisteten Farbnamen (Anteilsverteilung RGB: Farbnamen) errechnet, und die gefundene Farbe (?Diese Hose ist Marineblau?) oder Farbbereich (?Die Farbe der Hose liegt zwischen Cyan und Turquoise-Blau?)benannt. Rein theoretisch könnten sogar zugehörige Werte angegeben werden (70% Cyan, 30% Turquoise).
• Selbstverständlich müssen diese Farben dem Nutzer vorher bekannt geworden sein, bevor er erblindete, oder seine Sehtüchtigkeit eingeschränkt wurde, um sich diese vorstellen zu können. Aber für eine passende Zusammenstellung der Bekleidung (Hose, Bluse, Kleid in Blauwerten) kann diese Applikation ebenfalls unterstützend sein.
• Dazu wurde z.B. ein Datensatz verwendet, der RGB-Werte mit den entsprechenden Namen bereits enthält
• Die Datei [colours.csv] enthält 865 gebräuchliche englische Farbnamen sowie deren RGB- Werte. Ähnliche Datensätze gibt es für andere Sprachen. OpenCV, Pandas und Numpy sind die Python-Pakete, die für diese Aufgabe essentiell sind.

Modul Geschlechts- und Alterserkennung

• Neben der Beschreibung der Umgebung, Objekterkennung samt zugehöriger Farbe, soll in dieser Applikation auch das Alter und das Geschlecht der jeweiligen Person in der unmittelbaren Nähe des Nutzers bei Bedarf festgestellt werden können.
• Beispiel: Ein 50-jähriger Mann möchte sich auf eine Parkbank oder an einen Tisch im Restaurant setzen. Die erste Applikation gab ihm bereits zu erkennen, dass eine Person dort sitzt. Nun möchte er wissen, ob es sich dabei um eine Frau oder einen Mann handelt und das ungefähre Alter erfahren, um sich möglicher Weise dazuzusetzen und ein Gespräch, ein persönliches Kennlernen zu beginnen.
• Neben dem erneuten Einsatz eines CNNs in dieser Applikationwurde wurde verstärkt OpenCV (Open Source Computer Vision) und der Adience-Datensatz genutzt. Es wurden hauptsächlich die von Tal Hassner und Gil Levi entwickelten Modelle verwendet
• Das vorhergesagte Geschlecht wird dabei an Hand spezifischer Merkmale zunächst in "männlich" oder "weiblich" geordnet mit weiteren Merkmale das ungefähre Alter vorhergesagt, das in die Bereiche: (0 - 2), (4 - 6), (8 - 12), (15 - 20) , (25 - 32), (38 - 43), (48 - 53), (60 - 100) eingeteilt wird.
• Aufgrund von Faktoren wie Make-up, Beleuchtung, unvollständige Abbildung und Gesichtsausdrücken ist es sehr schwierig, ein genaues Alter aus einem einzelnen Bild vorherzusagen. Es macht daher Sinn, mehrere Kamerabilder oder über laufende Sequenzen aus verschiedenen Perspektiven dies feststellen zu lassen.

Die CNN-Architektur

Das CNN dieser Python Applikation besteht aus 3 Faltungsschichten; es verfügt über mehrere vollständig verbundenen Schichten und eine letzte Ausgabeschicht vom Typ Softmax.

Die Geschlechts- und Alterserkennung erfolgt in den folgenden Schritten:

• Gesichter auf einem Bild finden und separieren
• Klassifikation zunächst in männlich / weiblich an Hand qualifizierender Merkmale vornehmen (Bart, Haarschnitt, Augen, Nase etc.)
• Feststellen spezifischer Alters-Teilemerkmale in verschiedenen Regionen wie Auge, Nase, Mund, Stirn, Hals: Stirnweite, Haaransatz, Haarfarbe, Falten (Anzahl, Tiefe)
• Ordne jedes dieser Teilemerkmal in eine der 8 Altersgruppen
• Zusammenfassung der Teil-Ergebnisse für jede Region über eine Häufigkeitsverteilung in eine wahrscheinliche Altersregion der Person insgesamt

Sonstiges

Ergänzt werden kann diese Architektur mit einem weiteren CNN-Modul zur Einordnung der Emotionen des Gegenübers, das weitere spezifische Merkmale der Gesichtszüge wie Stirnrunzeln, Mundwinkelhaltung, Augenerweiterung usw. erfasst und zusammenfassend die emotionale Haltung der Person bewertend wiedergegeben.

Konzeption und Umsetzung Smart Factory für einen internationalen Automobilehersteller, Vernetzung Standorte in China, USA, Europa, Integration von Produzenten, Kunden, Zulieferer

• Strategische Ausrichtung der Produktions- und Lieferprozesse in Richtung Industrie 4.0

• Technologieentwicklung in Vernetzung der Wertschöpfungsketten, Digitalisierung von Produkten und Prozessen, Fachliche Führung von Projektteams

• Definition und Zuordnung der Arbeitspakete von der Angebotserstellung bis zur Serienfertigung

• Fortschrittskontrolle der Projekte durch Planung und Durchführung von Meilensteinreviews

• Verantwortung für die Erreichung von Qualitäts-, Termin- und Kostenzielen

• Kompetenter Ansprechpartner für die Abstimmungsprozesse zwischen dem Kunden, Lieferanten sowie den internen Bereichen

• Koordination der Projektlösungen mit den betroffenen Fachabteilungen sowie Darstellung und Diskussion der Ergebnisse beim Kunden

• Systemseitige Verfolgung des Änderungsmanagements (Produktbeschreibung, Anforderung Machbarkeitsanalysen/Kalkulationen, Materialaufbau)

• Kontrolle der Durchführung der Qualitätsvorausplanung (Kundenspezifikationen, Prüfintervalle, Prozessfähigkeit von Prüf- und Betriebsmitteln etc.)

• Sicherstellung des Know-how-Transfers zwischen den Entwicklungsbereichen und den verschiedenen Fertigungsstandorten vor dem Serienanlauf

• Sicherstellung der geplanten kommerziellen Ergebnisse des Projektes

• Reporting nach dem weltweit festgesetzten Konzernstandard

• Technische und terminliche Abstimmung vom Prototypen bis zum seriellen Produktionsanlauf sowie technischer Ansprechpartner für die Fertigung

• Mitarbeit und Kontrolle bei der Durchführung der Qualitätsvorausplanung

• Bei Serienanlauf standortbezogene Projektbegleitung zur Transfersicherung zwischen der Entwicklungsphase und dem Produktionsanlauf

• Beratungsgebiete: Maschinenbau, Technische Informatik, Automatisierungstechnik, Produktentwicklung, Prozessoptimierung, Anlagenbau

• Ist Analyse Haupt- und Vormontagelinie, Zulieferteile (BUY), eigengefertigte Teile (Eigenfertigung) (MAKE), Ableitung Zukunftsscenario

• Aufnahme, Dokumentation und Bewertung der bestehenden Abläufe nach Lean Management Prinzipien, Erarbeitung von Konzepten zur Umsetzung der Verbesserungspotentiale

• Durchführen von Wertstromanalysen, Minimierung nicht-wertschöpfender Tätigkeiten und unnötiger Liegezeiten, Verschwendungen ermitteln und möglichst eliminieren (MudaElimination)

• Definition, Ermittlung von Produktfamilien aus Produktions-, Montagesicht

• Kennzahlen: Erzeugung Kundentakt, Losgrößen;

• Ableitung Fertigungskonzepte: ?InTime?, ?InSequence?

• Behandlung von ?Sonderbestellungen? in Abhängigkeit vom Grad der notwendigen Abänderungen, Anpassungen

• Erstellung LayOut der Linien, 3D-Darstellung, virtuelle Simulation

• Definition, Bestellung, Aufbau einzelner Test-Montagearbeitsplätze und Versorgungssysteme (MOCKUP, Modell)

• Design-Rules: Produktspezifikation

• Spezifikation/Anforderungen (Technologische/Kommerzielle) für Lieferanten der Zukaufteile (BUY)

• Fertigungsmanagementsystem, Produktionsleitsystem MES (Manufacturing Execution Systems)

• Industrie 4.0: Smarte Produktion, Montage, Verwaltung

• Analyse Potenziale, Einsatzmöglichkeiten innovativer, digitaler Technologien

• Erstellung Digitales Gesamt-Konzept samt Einsatz neuester KI-Methoden: Von der Bestellung bis zur Produktion und Übergabe an den Kunden;

Digitalisierung ? Künstliche Intelligenz (Auswahl)

• Deep Reinforcement Learning (Strategie - Optimierungsaufgabe): Vollautomatische Erstellung der Arbeits-, Produktionspläne und eigenständige Anpassung bei Eingang Neubestellungen oder bei z.B. Mensch, Maschinenausfall; selbständige Optimierung nach vorgegebenen Zielgrößen;

• Eigenständige Übernahme von innovativen Entwicklungsprojekten für diverse Kunden in den Bereichen Industrie 4.0, Digitalisierung und Prozessautomation, Serialisierung

• Weiterentwicklung der bestehenden Produktionsanlagen in enger Zusammenarbeit mit den Hauptmaschinenlieferanten und Geschäftspartnern sowie dem Kunden

• Erstellung von Automatisierungs- und Digitalisierungskonzepten mit Fokus auf modernste, hoch performante Produktions- und Logistikprozesse

• Herausarbeiten zentraler Anforderungen, Durchführen von Machbarkeitsstudien,

• Begleitung des Entwicklungs- und Umsetzungsprozesses inkl. Dokumentation der Projektinhalte und -ergebnisse

• Tests und Performanceabnahme

• Sicherstellung der Einhaltung von Fristen und Budgets

Digitalisierung ? Künstliche Intelligenz (Auswahl)

• Deep Learning, Visual Inspection: Qualitätssicherung Verpackung (Kartons) durch laufende visuelle Prüfung mittels Kameras im Raum und anschließendem, automatischem Auswurf bei Fehlern;

Konzeption, Aufbau und Optimierung einer neuen Produktionsstraße für medizintechnische Produkte

• Video-Analyse bestehender Produktionssysteme für medizintechnische Produkte

• Durchführen von Wertstromanalysen, nicht-wertschöpfende Tätigkeiten und unnötige Liegezeiten, Verschwendungen wurden ermittelt und eliminiert (Muda-Elimination)

• Definieren von Produktfamilien-Matrix, Aufbau von Standards und Baukastensysteme

• Bestimmung Produktionsablauf, Kundentakt, Kundenbedarfsschwankungen

• Konzeption ?One-Piece Flow? für das Hauptprodukt und die Komponentenlinie

• Projektierung Produktionsstraßen, Materialfluss, Auftragsabwicklungsprozess

• Entwicklung IT-, Prüf- und Testkonzept für Komponenten in der Linie

• Definieren von Anforderungen an Produkt- und Prozessdesign, Zulieferer, Mitarbeiter

• Aufbau Beschaffungsspezifikation, Einladung und Bewertung von potentiellen Lieferanten

• Aufbereiten der Informationen für das zukünftige Produktionsrichtlinienkonzept

• Konzeption, Entwurf und Erstellen eines optimierten Produktionslinienkonzeptes für existierende und zukünftige Produkte des Unternehmens

Digitalisierung ? Künstliche Intelligenz (Auswahl)

• Deep Learning, Visual Inspection: Fehleranalyse von Montageergebnissen Bauteile während der Produktion; Visual Inspektion, Deep Learning: Über Mustererkennung Kategorisierung von Gewebeanomalien in verschiedene Krebstypen; Automatische Ableitung individualisierte Impfstoffe;

• Analyse bestehender Produktionssysteme für medizintechnische Produkte

• Durchführen von Wertstromanalysen, nicht-wertschöpfende Tätigkeiten und unnötige Liegezeiten, Verschwendungen wurden ermittelt und eliminiert (Muda-Elimination)

• Definieren von Produktfamilien-Matrix, Aufbau von Standards und Baukastensysteme

• Bestimmung Produktionsablauf, Kundentakt, Kundenbedarfsschwankungen

• Projektierung Produktionsstraßen, Materialfluss, Auftragsabwicklungsprozess

• Entwicklung IT-, Prüf- und Testkonzept für Komponenten in der Linie

• Definieren von Anforderungen an Produkt- und Prozessdesign, Zulieferer, Mitarbeiter

• Qualitätsmanagement ?Null Fehler? Lieferung; Einbindung der Zulieferer in JIT und Testprozess und Kontrolle für Zukaufteile

• Reduktion der Reaktionszeiten nach Abruf eines Produktionsloses durch einen Kunden

• Aufbereiten der Informationen für das zukünftige Produktionsrichtlinienkonzept

• Konzeption, Entwurf und Erstellen eines optimierten Produktionslinienkonzeptes für existierende und zukünftige Produkte des Unternehmens

• Optimierung der Gesamtprozesse durch Einführung und Umsetzung Balanced - Scorecard Systems im Konzern

Digitalisierung ? Künstliche Intelligenz (Auswahl)

• Deep Reinforcement Learning: Selbstregulierende Produktions- und Montagelinien und deren Versorgung;

Entwicklung eines vollautomatischen Handhabungssystems für EUV Masken unter extrem hohen Reinheitsbedingungen (Nanopartikel), AIMS-EUV

Die Planung, Konstruktion und Entwicklung des Moduls ?Air Handling? umfasste folgende Aufgaben:

• Situationsanalyse, Definition der Aufgabenstellung, technische Produktkonzeption

• Innovative Neuentwicklung geeigneter technischer Lösungsentwürfe für das Handling von Masken bei Vermeidung von jeglicher Partikel bis runter auf 40 nm (Nullpartikel)

• Technisch-, kommerzielle Marktanalyse

• Finden und entwickeln einsetzbarer Messtechnologien Micro -, Nanopartikel

• Lieferanten für kritische Komponenten (Roboter, neue Materialien etc.)

• Erstellung Beschaffungs-Spezifikation für das Modul ?Air Handling? AIMS EUV

• Bewertung und Auswahl geeigneter Zulieferer

• Eigenverantwortliche Betreuung der Modulentwicklung und dessen Schnittstellen bis zur Fertigstellung

• Nachweis der Sauberkeit (ISO1, Addermessungen) und Funktionstüchtigkeit, Übergabe aller Ergebnisse an Auftraggeber

Digitalisierung ? Künstliche Intelligenz (Auswahl)

• Deep-Learning: Visual Inspection, Fehleranalyse von Maskenoberflächen für den Einsatz in der Chip-Fertigung;

a) Berührungslose Transportsysteme für Neu- und Serienfertigung

b) Elektrohängebahnsystem für den Transport von Karosserieteilen

• Ermittlung Anforderungsprofil an flexible und gleichzeitig hochproduktive Transportsysteme in der Serienfertigung

• Entwicklung vollautomatisches Warenwirtschaftssystem: Verkettung von CAD, Einkauf, intelligentes Lager, JIT Lieferung, Produktion

• Erstellung und Bewertung von Montagekonzepten, Entwicklung, Aufbau und Parallelisierung von Arbeitsabläufen mit anderen Projektgruppen

• Bewertung und Einführung von Montageprozessoptimierungen, Synchronisation unterschiedlicher Fertigungslinien von Bauteilen

• Auslegung Transportsysteme, Verhandlung und Vertragsgespräche mit internationalen Lieferanten

• Aufbau und Inbetriebnahme Transportsysteme

• Identifikation von Fertigungsproblemen und Beseitigung von Störungen, Bearbeitung von Beanstandungsmeldungen und Befundberichten

• Mitarbeit in interdisziplinären Teams zur Störungsbehebung sowie zur Auslegung und Verbesserung von Prozessen und Abläufen

Digitalisierung ? Künstliche Intelligenz (Auswahl)

• Deep Reinforcement Learning: Vollautomatisches Warenwirtschaftssystem;

a) Entwicklung Fertigungs- und Herstellungsprozess Druckspritzguss Kunststoffe für Linsen Kombination, Test und Auswahl verschiedener Parameter wie Material für Produkt/ Werkzeug, Pressdruck, Temperatur, Prozessgeschwindigkeit

b) Projektierung, Aufbau und Betrieb Produktionslinie für Serienfertigung der Linsen unter höchsten Reinraumbedingungen

• Engineering Produktionsstrecke: Weiterentwicklung bestehender Anlagen, Planung und Umsetzung neuer Fertigungslinien sowie Entwicklung und Einführung neuer Fertigungstechnologien

• Vertretung des Auftraggebers und Durchführung von Verhandlungen mit globalen Lieferanten

• Bewertung, Auswahl externer technischer Dienstleister und Lieferanten, Einholen von Angeboten im Bereich Konstruktion, Werkzeugmaschinen, Handhabungssysteme, Produktionsstraße

• Steuerung und Koordination externer Entwicklungspartner und Lieferanten

• Technisch, kommerzielle Begleitung neuer Produkte bis in die Serienfertigung

• Aufbau, Koordination und Auswertung von Test- und Optimierungsstrecke

• Prototypenfertigung, Nachweis der Erfüllung von Kennzahlen z.B. Produktionsmenge, Durchlaufzeit, Kosten, Qualität, Ergebnisdarstellung vor der Geschäftsleitung, Übergabe Produktionsanlage an Auftraggeber

• Marktsegmentierung, Wettbewerbsanalyse, Ermittlung von Marktpotentialen, Entwicklung kundennaher Neuproduktideen

• Konzeption und Umsetzung des globalen Marketing- und Vertriebsplans, Umsetzung in vermarktungsfähige Produktlösungen für ausgewählte strategische Marktsegmente

• Repräsentation des Geschäftsbereiches gegenüber anderen Konzernsparten, Identifikation auch konzernintern neuer Potentiale und Anwendungsmöglichkeiten

• Zusammenarbeit mit dem Gesamtkonzern-Grundlagenforschung und Integration der Produktentwicklung des Geschäftsbereiches innerhalb der Europa-Organisation des Konzerns

• Berichtsweg direkt an die Geschäftsleitung, Aufbau und Führung eines Entwicklungsteams

• Technisch kommerzielle Verantwortung für die Produkt- und Marktentwicklung des Geschäftsbereiches

• Verhandlungspartner für die meist global agierenden Kunden und enge Zusammenarbeit mit dem eigenen Projektteam

• Aufbau Technischer Vertrieb, Übergabe Erfolgszahlen und Geschäftsfeld an Geschäftsleitung

• Konzeption, Entwicklung und Fertigung patientenspezifischer hochfester Implantate auf Basis von diagnostischen 3D-Bilddaten

• Anforderung an Neuprodukte: Körperverträgliche Werkstoffe, extrem leichte, höchste statische und dynamische Festigkeit, Langlebigkeit bei minimalen Abmessungen

• Neuproduktideenfindung unter Einsatz und Nutzung von Naturvorbildern (Bionik)

• Entwicklung, beanspruchungsoptimierte Konstruktion

• Koordination weiterer konzernübergreifender Projekte in der Produktentwicklung, Überführung Neuprodukte von der Ermittlung der Produktanforderung über die Designphase bis hin zur Produktion

• Zusammenfassung, enge Abstimmung und Koordination mit anderen internen Abteilungen der Unternehmung z.B. Fertigung und Prozessentwicklung, Sicherstellung eines reibungslosen Transfers der neuen Lösungen in die Fertigung - Entwicklung und Durchführung erforderlicher Tests und Erstellung maßgeblicher Teile der Dokumentation zur Zulassung

• Produktentwicklung ? nach ?STP-Ansatz?

• Segmentation: Identifizieren der Segmentierungskriterien

• Targeting: Attraktivität einzelner Segmente

• Positioning: Identifizierung von Positionierungskonzepten in Zielsegmenten

• Entwurf, Berechnung, Design Rumpf aus Faserverbundwerkstoffen

• Statisch-dynamische Festigkeitsberechnung, Strömungsauslegung

• Leistungsauslegung Motoren, Steuerung/Lenkung

• Prototypenentwicklung, Test, Überführung in Serienproduktion

• Marktanalyse: Marktsegmentierung, Analyse von Anforderungen an neue hochfeste Kunststoffprodukte , Produktlösungen für verschiedene Anwendungen

• Entwicklung strategischer Geschäftsfelder gemeinsam mit konzerninternen Projektgruppen aus Marketing/Vertrieb/Produktmanagement und ausgesuchten Kunden

• Prototypenfertigung, Planung, Durchführung und Analyse von Labor- und Verarbeitungsversuchen, Versuchsauswertung: Datensammlung sowie Analyse und Reporting der Versuchsergebnisse - Produkt

• Markt ? Vertriebsentscheidungen: Strategieentwicklung und Assistenz bei der Einführung neuer Produkte und Technologien auf internationaler Ebene

• Technisch- kommerzielle Bewertung von Lieferanten / Prüfung und Freigabe von Lieferantenkonzepten hinsichtlich Werkzeugauslegung und Teileherstellung -

• Zusammenarbeit mit Produktmanagern und Fertigungsingenieuren hinsichtlich der Überführung neuer Produkte in die Serienfertigung sowie entsprechende technische / kommerzielle Betreuung und Monitoring