Home | english  | Impressum | Datenschutz | Sitemap | KIT

M.Sc. Florian Ungermann

Akad. Mitarbeiter
Bereich: Produktionssysteme
Sprechstunden: nach Vereinbarung
Raum: 116, Geb. 50.36
Tel.: +49 1523 9502624
florian ungermannMms3∂kit edu

76131 Karlsruhe
Kaiserstraße 12


M.Sc. Florian Ungermann

Forschungs- und Arbeitsgebiete:

  • Maschinelles Lernen und Big Data Analysen in der Produktion
  • Produktionsplanung und -steuerung
  • Industrie 4.0

 

Allgemeine Aufgaben:

  • Koordinator der Vorlesung „Integrierte Produktionsplanung im Zeitalter von Industrie 4.0“
  • Seminar „Data-Mining in der Produktion“
  • Lernfabrik für Globale Produktion: „Leadership 4.0“

 

Projekte:

  • ProData – Wertschöpfung durch Big Data Analysen
  • ROBUST – Assistenzsystem zur regelbasierten Robustheitssteigerung von verketteten Produktionssystemen
  • Intro 4.0 – Befähigungs- und Einführungsstrategien für Industrie 4.0

 

Lebenslauf:

seit 07/2017 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT)
10/2011 - 05/2017 Studium des Wirtschaftsingenieurwesens am Karlsruher Institut für Technologie (KIT)
28/06/1992 Geboren in Pforzheim

 

Veröffentlichungen

[ 1 ] Stähr, T.; Ungermann, F. & Lanza, G. (2017), „Scalable assembly for fuel cell production“. 7. WGP-Jahreskongress Aachen, 5.-6. Oktober 2017, Hrsg. Schmitt, R. & Schuh, G., S. 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, S. 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, S. 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.

[ 5 ] Ungermann, F.; Kuhnle, A.; Stricker, N. & Lanza, G. (2019), „Data Analytics for Manufacturing Systems – A Data-Driven Approach for Process Optimization“. Procedia CIRP, Hrsg. Elsevier, S. 369-374.
Abstract:
In the course of digitalization many small and medium-sized companies face the challenge of using the existing database for process optimization in manufacturing. Furthermore, the demand-oriented expansion of the database is a great challenge. A lack of competencies, limited financial resources and historically grown data structures, which show a strong heterogeneity and lack of transparency, are the central obstacles. A specific approach, how data analytics projects for process optimization should be carried out in manufacturing, is presented. In particular, the question which sensors should be implemented to expand the database is answered. The approach is applied exemplarily for a manufacturing line.