Home | deutsch  | Legals | Data Protection | Sitemap | KIT

M.Sc. Florian Ungermann

Research Associate
department: Production Systems
office hours: to be agreed
room: 116, Geb. 50.36
phone: +49 1523 9502624
florian ungermannCmc6∂kit edu

76131 Karlsruhe
Kaiserstraße 12


M.Sc. Florian Ungermann

Area of Research:

  • Machine Learning and Big Data Analytics in Manufacturing
  • Production Planning and Control
  • Industry 4.0

 

General Tasks:

  • Coordination of lecture „Integrated Production Planning in the Age of Industry 4.0“
  • Seminar „Data-Mining in Production“
  • Learning Factory on Global Production: „Leadership 4.0“

 

Projects:

  • ProData - Operational Excellence by Big Data Analytics
  • ROBUST – Assistance system for rule-based robustness enhancement of interlinked production systems
  • Intro 4.0 – Qualification and Implementation Strategies for Industry 4.0

 

Lebenslauf:

since 07/2017 Research Associate at the Institute of Production Science (wbk) at Karlsruhe Institute of Technology (KIT)
10/2011 - 05/2017 Study of Industrial Engineering and Management at the Karlsruher Institute of Technology (KIT)
28/06/1992 Born in Pforzheim

 

Publications

[ 1 ] Stähr, T.; Ungermann, F. & Lanza, G. (2017), "Scalable assembly for fuel cell production". 7. WGP-Jahreskongress Aachen, 5.-6. Oktober 2017, eds. Schmitt, R. & Schuh, G., pp. 303-311.
Abstract:
The reduced time-to-market and multiple innovations lead to a rising number of emerging technologies and new products. Production systems for emerging technologies are subject to high stress from highly volatile influencing factors such as volume and variants. In order to react to these factors and to achieve cost-efficient production, companies need to establish scalable production systems. This paper introduces a methodology which supports the production planner with an iterative planning method for a scalable production system focussing on the scalability of the level of automation. The methodology consists of four steps. Its basis constitutes in a scenario analysis of the influencing factors for the production system. In the next step, alternative configurations of the production system are generated. From the different configurations, possible scaling paths are derived in accordance with the scenarios. The final step focusses on identifying the optimal scaling paths according to production cost and risk. The methodology will be demonstrated with the use case of fuel cell production within the European research project INLINE.

[ 2 ] Lanza, G.; Nyhuis, P.; Hübner, M.; Kuhnle, A.; Liebrecht, C.; Malessa, N. & Ungermann, F. (2018), Industrie 4.0 für die Praxis: Befähigungs- und Einführungsstrategien, TEWISS Verlag, TEWISS-Technik und Wissen GmbH, Garbsen. ISBN/ISSN: 978-3-95900-224-0
Abstract:
Eine effiziente und zielgerichtete Einführung von Informations- und Kommunikationstechniken im Sinn der Vision von Industrie 4.0 in die Fabriken produzierender Unternehmen verspricht große Produktivitätsgewinne. Bei der Realisierung dieser Vorteile stehen jedoch insbesondere mittelständische Unternehmen vor großen Herausforderungen. Unzureichende Ressourcen und mangelndes Know-how erschweren die Einführung neuer Technologien und Methoden. Insbesondere hohe Investitionen in Technologien stellen für mittelständische Unternehmen ein Hindernis dar. Darüber hinaus ist aufgrund der unterschiedlichen Entwicklungsstufen die Einführung von Lösungen in einem Unternehmen in Abhängigkeit vom aktuellen „Industrie 4.0 Reifegrad“ entscheidend, um finanzielle und damit wirtschaftliche Risiken zu minimieren. Erfolgskritische Faktoren für die Realisierung stellen dabei vor allem auch betroffene Mitarbeiter und Führungskräfte dar. Sie sind als Umsetzer und Anwender von Industrie 4.0 sowie als Entscheider in der Produktion zu verstehen. Dieses Buch stellt eine Zusammenfassung der wesentlichen Ergebnisse von drei Jahren Forschung und Anwendung in der Praxis dar. In Verbindung mit den im Projekt entwickelten Werkzeugen bildet es einen Handlungsleitfaden, der die Einführung von Industrie 4.0-Methoden in KMU durch ein strukturiertes Vorgehen zur Entwicklung einer eigenen Einführungsstrategie vereinfacht.

[ 3 ] Ungermann, F.; Kuhnle, A.; Stricker, N. & Lanza, G. (2019), "Entscheidungsunterstützungssysteme in der Produktion", ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, pp. 34-38.
Abstract:
Bayessche Netze werden vielfach zur Fehlerdiagnose angewendet. Eine praxistaugliche standardisierte Vorgehensweise zur Konfiguration und Implementierung als Entscheidungsunterstützungssystem im Produktionsumfeld existiert jedoch nicht. Dieser Beitrag stellt ein solches Vorgehen vor, welches Unternehmen als Richtlinie dient, die Bayessche Netze zur Fehlerdiagnose einsetzen möchten. Der Ansatz wird an einer Erodierlinie exemplarisch angewendet.

[ 4 ] Helming, S.; Ungermann, F.; Hierath, N.; Stricker, N. & Lanza, G. (2019), "Development of a training concept for leadership 4.0 in production environments", Procedia Manufacturing, pp. 38-44. https://doi.org/10.1016/j.promfg.2019.03.007
Abstract:
Industry 4.0 and the associated technological change result in far-reaching modifications not only having an impact on a company’s organization, but also on the people within it. Managers thereby play a crucial role as they form one major component of a successful change process. Hence, the presented Leadership 4.0 training concept was developed in order to further qualify and sensitize managers for new forms of leadership in the era of Industry 4.0. The training module allows production managers to understand how leadership changes through Industry 4.0 and which specific aspects should be taken into consideration, especially with respect to employee management. In contrast to existing leadership trainings, the presented training especially focuses on production environments and is therefore primarily carried out within the wbk Learning Factory on Global Production. This way, changes resulting from digitization and Industry 4.0 can be vividly experienced and transferred to the managers’ day-to-day work.