Smart Production & Organization

Smart Production & Organization

Technologie & Life Sciences

Wandelnde Anforderungen an Unternehmen sowie deren Engineering- und Produktionsprozesse stellen immer größere Herausforderungen dar.

Die Evaluierung bestehender Produktionsprozesse sowie die Modernisierung von Bestandsanlagen ist die Grundlage zukünftiger Wettbewerbsfähigkeit. Zielgerichtete Automatisierung, die Optimierung von Wertschöpfungsprozessen, die kontinuierliche Einbindung von Bestandsmitarbeiter:innen sowie der Einsatz datenbasierter Methoden führt zu einer ganzheitlichen Betrachtung von Engineering, Produktion und Organisation.

 Benjamin Massow, BSc MSc | Hochschullektor Bachelorstudiengang Mechatronik
Benjamin Massow, BSc MScLecturer

Bei Fragen zum Forschungsschwerpunkt kontaktieren Sie uns unter: smartproduction@mci.edu

Automation & Robotics

Zielgerichteter Einsatz von industrieller Robotik, Bildverarbeitung und Automatisierung ermöglicht intelligente, wandelbare und effiziente Produktionszellen und -anlagen.

Die schnellen Weiterentwicklungen von Technologien, etwa kollaborativer Robotersysteme, autonomer Intralogistiksysteme oder auf Machine-Learning basierender Bildverarbeitungssysteme, ändern fortlaufend die technischen Möglichkeiten von Produktionsanlagen. Durch die Begleitung von Machbarkeitsstudien, Entwicklung von Umsetzungskonzepten oder Erstellung von Funktionsprototypen können diese unternehmensspezifisch evaluiert sowie ggf. adaptiert und implementiert werden.

Production Planning, Optimization & Simulation

Durch die transparente Darstellung von Produktionsprozessen sowie die strukturierte Erhebung von Automatisierungspotential können Optimierungsmöglichkeiten erarbeitet und Entscheidungsfindungen unterstützt werden. Methoden des Operations Research sowie simulationsbasierte Studien unterstützen hierbei die Analyse bestehender Produktionsprozesse. Eine integrierte Datenanalyse bildet dabei die Grundlage einer systematischen Untersuchung von Szenarien und Effekten. Durch Methoden wie kombinierte Material- und Energieflusssimulationen können zudem Material- und Energieverbräuche betrachtet und ressourceneffizientere und nachhaltigere Gesamtprozesse gestaltet werden.

Produktionsoptimierung im Kontext von Lean und Six Sigma Methoden zielen auf eine Erhöhung der Effizienz und Qualität sowie auf eine Reduzierung der Durchlaufzeit ab. Hierbei können sowohl analytische Methoden zur Prozessoptimierung eingesetzt als auch entsprechende Kompetenzen durch Mitarbeiterausbildung in das Unternehmen überführt werden.

Employee-Centric Production & Organizational Transformation

Eine nachhaltige Transformation ist nur dann möglich, wenn auch einzelne Mitarbeiter:innen sowie die gesamte Organisation diesen Wandel mittragen. Unternehmensspezifische Herausforderungen werden detailliert untersucht, entsprechende Erfolgsfaktoren erarbeitet und gewonnene Erkenntnisse in Umsetzungsempfehlungen überführt. Ein besonderer Fokus wird hierbei auf die kontinuierliche Einbindung und Weiterbildung von Bestandsmitarbeiter:innen, individuelles Wissens- und Kompetenzmanagement sowie die Attraktivierung des Unternehmens für Arbeitnehmer:innen gelegt.

Durch neueste Assistenzsysteme in Engineering und Produktion – etwa auf Basis von Projektionen oder Virtual- und Augmented Reality – können Mitarbeiter:innen individuell unterstützt und somit deren Tätigkeiten qualitativ aufgewertet werden.

Data-Based Methods in Engineering & Production

Datenbasierte Methoden und Konzepte – etwa Machine Learning in der Qualitätssicherung, Predictive Maintenance oder AI-gestützte Maschinen- und Betriebsdatenanalyse – bieten große Innovationspotentiale von Engineering- und Produktionsprozessen. Ein besonderer Fokus liegt hierbei auf der praktischen Umsetzung in Bestandsprozessen und im Sondermaschinenbau – z.B. in der Entwicklung von automatisierten Prüfständen oder Überwachungssystemen. Insbesondere in Kombination mit klassischen Methoden, z.B. industrieller Regelungstechnik, industrieller Messtechnik oder industrieller Bildverarbeitung, können somit innovative Lösungen geschaffen werden.

Durch die strukturierte Identifikation und Beurteilung von Anwendungsfällen und -potentialen – in Kombination mit der Sichtung und Visualisierung von Bestandsdaten –, die Projektierung der nötigen Daten-Infrastruktur sowie die Entwicklung eines entsprechenden Software- und Systemdesigns können kurz-, mittel- und langfristige Entwicklungsstufen definiert werden.

Team
 Benjamin Massow, BSc MSc | Hochschullektor Bachelorstudiengang Mechatronik
Benjamin Massow, BSc MScLecturer
FH-Prof. Dr. rer. pol. Antje Bierwisch | Management, Strategy & Innovation Bachelorstudiengang Betriebswirtschaft online
Prof. Dr. rer. pol. Antje BierwischManagement, Strategy & Innovation
FH-Prof. Dr.-Ing. Gerhard Hillmer, MSc | Leiter Masterstudiengang Wirtschaftsingenieurwesen Masterstudiengang Wirtschaftsingenieurwesen
Prof. Dr.-Ing. Gerhard Hillmer, MScHead of Master's Program Industrial Engineering
Assoz. FH-Prof. Dr. rer. pol. Julian Huber | Automatisierung & Data Science Bachelorstudiengang Smart Building Technologies
Assoc. Prof. Dr. rer. pol. Julian HuberAutomation & Data Science
 Serafin Kollegger, BSc MSc | Wissenschaftliche Assistenz & Projektmanagement Bachelorstudiengang Mechatronik
Serafin Kollegger, BSc MScTeaching & Research Assistant
FH-Prof. Anita Onay, PhD | Produktionswirtschaft Bachelorstudiengang Wirtschaftsingenieurwesen
Prof. Anita Onay, PhDProduction Economics
FH-Prof. Dr.-Ing. Sebastian Repetzki | Maschinenbau Bachelorstudiengang Mechatronik
Prof. Dr.-Ing. Sebastian RepetzkiMechanical Engineering
FH-Prof. Dr. Oliver Som | Innovations- & Technologiemanagement Master's program International Business & Management
Prof. Dr. Oliver SomInnovation & Technology Management
DI Christina Stampfer | Wissenschaftliche Assistenz & Projektmanagement Bachelorstudiengang Wirtschaftsingenieurwesen
DI Christina StampferTeaching & Research Assistant
Projekte

Industrie 4.0 Readiness - Modell zur Ermittlung des Industrie 4.0-Reifegrades für den Mittelstand
Laufzeit:
2016 - 2017

ProjektleiterIn:
Mag. (FH) Mario Moser, MSc
FH-Prof. Dr. Oliver Som

Projektbeschreibung:
Das Projekt "Industrie 4.0 Readiness" verfolgt das Ziel, einen Standardrahmen im Sinne einer Begriffs- und Methoden-Matrix zu erstellen und damit kleinen und mittelständischen Unternehmen eine Möglichkeit zu bieten, den derzeit vielfach verwendeten Begriff "Industrie 4.0" in das eigene unternehmerisches Denken und Handeln einordnen zu können.

EMPATHIC
Laufzeit:
2017 - 2021

ProjektleiterIn:
FH-Prof. Dr. Stephan Schlögl

Projektbeschreibung:
Das Projekt EMPATHIC erforscht und validiert neue Paradigmen und Plattformen, welche den Grundstein für künftige Generationen von Personalisierten Virtuellen Coaches legen sollen, um ältere Menschen in ihrem Zuhause und im Alltag zu helfen. Innovative multimodale Gesichtserkennungen, adaptive Systeme für Dialoge und Sprachschnittstellen sind Teil der Untersuchungen, um abhängige ältere Menschen sowie deren BetreuerInnen zu unterstützen. Das Projekt verwendet nicht-intrusive Remote-Technologien, um physiologische Marker emotionaler Zustände in Echtzeit für adaptive Online-Reaktionen des Trainers zu extrahieren und die ganzheitliche Modellierung von Verhaltens-, Computer-, physischen und sozialen Aspekten eines personalisierten ausdrucksstarken virtuellen Trainers voranzutreiben. Ziel ist es ferner, kausale Modelle für den Austausch von Coach-User-Interaktionen zu entwickeln, die die älteren Menschen in emotional glaubwürdige Interaktionen einbeziehen, um Einsamkeit zu vermeiden, den Gesundheitszustand aufrechtzuerhalten, die Lebensqualität zu verbessern und den Zugang zu zukünftigen Telecare-Diensten zu vereinfachen.


Kollaborative Robotik für die Fertigung individueller Edelstahlmöbel
Laufzeit:
2018 - 2019

ProjektleiterIn:
Benjamin Massow, BSc MSc

ProjektmitarbeiterInnen:
Matthias Decker, MSc

David Altmann, BSc, MSc

Projektbeschreibung:
Im Zuge der Machbarkeitsstudie soll der gesamte Prozess der Fertigung erfasst und analysiert werden. Prozesse, welche Potential für eine Automatisierung aufweisen werden gesammelt und erste Konzepte für Lösungen erarbeitet. In Folge wird für jeden automatisierbaren Prozess ein grobes Konzept zur Umsetzung der Automatisierung erstellt. Für jeden Prozess wird eine Risikoanalyse, ein benötigtes Sicherheitskonzept, sowie ein zugehöriger Workflow erstellt. Die Risikoanalyse beinhaltet sowohl technische Schwierigkeiten der Umsetzung, sowie Integration in den bestehenden Fertigungsprozess, als auch finanzielle Risiken einer Umsetzung. Das Sicherheitskonzept betrachtet alle Risiken der Mensch-Maschine Schnittstelle, alle möglichen Kontaktbereiche und die dafür benötigten Sicherheitstechnologien. Ein erstellter Workflow beschreibt die Integration der möglichen Lösung in die bestehenden Prozesse oder die Umgestaltung dieser.

Digital Innovation Hub West (DIH West)
Laufzeit:
2019 - 2022

ProjektleiterIn:
FH-Prof. Dr. Oliver Som

ProjektmitarbeiterInnen:
Benjamin Massow, BSc MSc

Juliana Pattermann, BA MA MSc

Projektbeschreibung:
Ziel des DIH West ist es, KMU in Westösterreich bei der digitalen Transformation zu unterstützen und ihr Innovationspotential zu stärken, indem ihnen der institutionalisierte Zugang zum Know-how der Forschungseinrichtungen durch verschiedene Aktivitäten ermöglicht wird. Entsprechend dem Bedarf der KMU in Salzburg, Tirol und Vorarlberg fokussiert sich die inhaltliche Ausrichtung des DIH West auf die Anwendungsgebiete Industrie 4.0 für produzierende Unternehmen und auf eServices für Unternehmen aus Tourismus, Gewerbe und Handel. Die Aktivitäten des DIH West konzentrieren sich auf die Information und individuelle Beratung, die Weiterbildung, die thematische Vernetzung von KMU und Forschungseinrichtungen in Arbeitsgruppen und den Transfer von Forschungsergebnissen in standardisierte Angebote wie Leitfäden, Baukastensystemen, usw., begleitet von individuellen Coaching- und Unterstützungsmaßnahmen sowie dem Zugang zu relevanter Infrastruktur der Forschungseinrichtungen. Am DIH West beteiligt sind Standortagenturen, Interessensvertretungen und Forschungseinrichtungen aus Salzburg, Tirol und Vorarlberg, die ihre jeweilige Expertise zur optimalen Unterstützung der KMU einbringen.

Projektlink:
https://dih-west.at

Operational Excellence in the Pharmaceutical Industry
Laufzeit:
2015 - 2016

ProjektleiterIn:
FH-Prof. Dr.-Ing. Gerhard Hillmer, MSc

ProjektmitarbeiterInnen:
Mag. (FH) Mario Moser, MSc

Dr. Peter Bekk

Projektbeschreibung:
Diese wissenschaftliche Studie dient zur Bestandsaufnahme und Analyse bereits existierender Operational Excellence Ansätze in der Prozessindustrie. Die Analyse erfolgt mit Hilfe ausgewählter Unternehmen der Prozessindustrie. Dadurch sollen kritische Erfolgsfaktoren von Operational Excellence identifiziert werden. Der Fokus liegt dabei auf der Analyse der derzeit bestehenden Umsetzungshindernissen von Operational Excellence Ansätzen sowie der Entwicklung von Potenzialen für ein integratives, ganzheitliches Produktionssystem.

Flexible und modulare Produktionsautomatisierung
Laufzeit:
2020 - 2022

ProjektmitarbeiterInnen:
Benjamin Massow, BSc MSc

Armin Lechner, BSc MSc MBA

Projektbeschreibung:
Ziel dieses Projektes ist die Entwicklung einer ganzheitlichen Strategie zur langfristigen (i) Flexibilisierung und Automatisierung der Produktionskapazitäten sowie (ii) Datenintegration und Vernetzung. Hierdurch sollen insbesondere kleinere Losgrößen effizienter gefertigt sowie Aufträge mit hohen Ansprüchen an Nachverfolgbarkeit - z.B. aus dem Luft- und Raumfahrtsektor - angenommen werden können. Zur langfristigen Flexibilisierung und Automatisierung der Produktionskapazitäten sollen insbesondere Konzepte zur flexiblen Maschinenbestückung mit Hilfe kollaborativer Robotersystem erarbeitet und durch Funktionsprototypen evaluiert werden. Zur Datenintegration und Vernetzung werden im Laufe des Projektes (i) eine Projektierung langfristig zu avisierender Kunden, (ii) daraus abgeleitete Anforderungen an die Systeme, (iii) eine Bestandaufnahme der aktuellen Systeme sowie (iv) eine Projektierung der zu erstellenden Systeme durchgeführt.

WTZ West - 2019
Laufzeit:
2019 - 2021

ProjektmitarbeiterInnen:
Ass. FH-Prof. Mag. Desiree Wieser, PhD

Benjamin Massow, BSc MSc

Thomas Margreiter, BSc

FH-Prof. Mag. Dr. Claudia Mössenlechner

Armin Lechner, BSc MSc MBA

Projektbeschreibung:
Das Wissenstransferzentrum West hat sich zum Ziel gesetzt, durch gemeinsame Maßnahmen den Wissenstransfer nachhaltig zu intensivieren, zu professionalisieren, Verwertungspotentiale zu erschließen, Kooperation mit der Wirtschaft aber auch der Gesellschaft im Ganzen zu vertiefen und zu erweitern, transdisziplinäre und innovative Ansätze zu verfolgen und mögliche Synergien zur Erreichung dieser Ziele zu nutzen. Sechs Universitäten und fünf Fachhochschulen aus Vorarlberg, Tirol, Salzburg und Oberösterreich bilden das Konsortium des Wissenstransferzentrums West.

Entwicklungsperspektiven des industriellen Mittelstands
Laufzeit:
2016

ProjektleiterIn:
FH-Prof. Dr. Oliver Som

Projektbeschreibung:
Der deutsche Mittelstand ist als "Innovationsmotor" eine der zentralen Säulen der Innovations- und technologischen Leistungsfähigkeit - und somit der internationalen Wettbewerbsfähigkeit der deutschen Industrie. Kleine und mittlere Unternehmen (KMU) spielen in industriellen Innovationsketten eine herausragende Rolle, wenn es darum geht, neue Technologien in die industrielle Anwendung zu bringen. Das Projektteam aus Forscherinnen und Forschern des MCI, des Fraunhofer ISI sowie der Freien Universität Berlin stellt die Frage in den Mittelpunkt, in welchem Ausmaß und in welcher Verteilung unterschiedliche Innovationsmuster von KMU im deutschen Verarbeitenden Gewerbe vorliegen. Ausgehend von den vorhandenen Innovationsmustern wird unter anderem untersucht, inwiefern die unterschiedlichen Typen durch bestehende Instrumente und Programme der öffentlichen Förderpolitik in Deutschland und Europa erfasst werden und - falls nötig - wie die spezifischen Bedarfe und Herausforderungen der unterschiedlichen Innovationsmuster in Zukunft zielgerichteter und durch passgenaue Politikmaßnahmen effizienter adressiert werden können.

Einsatz von neuronalen Netzen zur automatisierten Datenauswertung
Laufzeit:
2018 - 2019

ProjektleiterIn:
Benjamin Massow, BSc MSc

ProjektmitarbeiterInnen:
Sebastian Stabinger, MSc

René Nußbaumer, BSc, MSc

Alexander Fritzsche, BSc

Projektbeschreibung:
Ziel des Projektes ist es, erstmals eine automatisierte Auswertung für qualitative Daten mithilfe eines Algorithmus zu entwickeln. Erstmals können dadurch qualitative Daten deterministisch und in Echtzeit ausgewertet werden. Erstmals soll eine beliebige Anzahl an qualitativer Daten mit einem Klick ausgewertet und analysiert werden. Hierdurch ist eine deutliche Zeitersparnis seitens des Forschers erzielbar und es können qualitative Daten in repräsentativen Stichprobengrößen analysiert werden. Zudem können die qualitativen Daten in Echtzeit ausgewertet werden. Unternehmen können somit über kritische Abweichungen der geplanten Kundenerlebnisse in Echtzeit benachrichtigt werden. Dieser innovative Ansatz stellt ein neues Produkt in einem neuen und stark wachsenden Markt dar.

Projektpartner:
More than Metrics
Unternehmenssektor Inland
Mohemian Services
Unternehmenssektor Inland

DeepQualityControl – Quality Assurance System Based on Machine Learning
Laufzeit:
2019 - 2021

ProjektleiterIn:
Benjamin Massow, BSc MSc

Projektbeschreibung:
In der Industrie wird es aufgrund von zunehmender Komplexität immer öfter gefordert, bildverarbeitende Systeme in Maschinen und Anlagen zu integrieren. Zur Anwendung kommen in den meisten Fällen Standard-Bildverarbeitungsmethoden mit objekterkennenden Eigenschaften. Grundlegend wird also mit Beispielbildern ein System erzeugt, welches etwa die Orientierung oder Abmessungen sowie Kanten und Formen in einem Bild erkennen kann. Ebenso ist der Vergleich mit sogenannten Sollbildern eine übliche Methode. Das Problem bei solchen Verfahren ist die hohe Anfälligkeit der Systeme bei kleinen Änderungen des Produktes. Ebenso können komplexe Strukturen nur schwer bis gar nicht ausgewertet werden. Einen weiteren Nachteil stellen sehr hohe Rechenleistungen dar, um die bei Industrieanlagen geforderten Zykluszeiten gewährleisten zu können. Die Zielsetzung dieses Projektes liegt in der Integration von Machine Learning Algorithmen in die industrielle Qualitätskontrolle. Andere Einsatzgebiete von solchen neuronalen Netzen lassen darauf schließen, dass bei vielen Anwendungen die Nachteile von herkömmlichen bildverarbeitenden Methoden minimiert werden können und es zahlreiche Fälle gibt, bei denen es eben nur durch ein solches Verfahren möglich ist, überhaupt ein positives Ergebnis zu erzielen.

Sinnvolle Anwendungsmöglichkeiten kollaborativer Roboter
Laufzeit:
2019

Projektbeschreibung:
Das vorliegende Projektkonzept untersucht das Potential verschiedener kollaborativer Roboter in Bezug auf unterschiedliche industrielle Anwendungen wie z.B. Verpacken, Kontrollieren, Montieren etc. und beschäftigt sich mit der Entwicklung, Ausarbeitung und Integration von möglichen Anwendungen in ein industrielles Umfeld. Die einzelnen Systeme werden in Bezug auf ihre Positioniergenauigkeit, Wiederholbarkeit, Handhabungskapazität, Sicherheit und Anwenderergonomie untersucht. Kurz- und mittelfristig potenzielle Anwendungsfälle werden möglichst allumfassend gesammelt und nach verschiedenen Kriterien, etwa Anwendungsgebiet, potentieller Nutzen und nötiger Aufwand gruppiert. Repräsentativ für jede Gruppe werden ausgewählte Anwendungsfälle mit kollaborativen Robotern verschiedener Hersteller umgesetzt, um so die kurz- und mittelfristige Machbarkeit und nötige technische Weiterentwicklungen abschätzen zu können.

Digital Dentures
Laufzeit:
2019 - 2021

ProjektmitarbeiterInnen:
Benjamin Massow, BSc MSc

Matthias Decker, MSc

Projektbeschreibung:
Individualisierte Produkte im Dentalbereich, wie Brücken und Kronen, verdrängen immer mehr standardisierten Zahnersatz. Diese Entwicklung geht mit einer Änderung der Zulieferer- bzw. Herstellungskette einher: Klassisch werden diese vom Zahnarzt über Präzisionsabdrücke geplant und über Schritte wie Ausgießen mit Kunststoff, Gips und Presskeramikverfahren von externen Zahntechniker oder -prothetiker hergestellt. Diese gehen mehr und mehr dazu über, die Abdrücke zu digitalisieren, bzw. in digitale Produktionsdaten umzuwandeln, und - meist extern - über z.B. 5-Achsen Bearbeitungszentren oder Additive Manufacturing (AM) Verfahren fertigen zu lassen. Konsequenterweise findet die Generierung der digitalen Produktionsdaten teilweise schon direkt beim Zahnarzt statt, welcher deren Fertigung dann direkt an Lohnfertiger vergibt. Pro diskreten Fertigungsprozess werden so 5 - 50 Produkte, z.B. Kronen, gleichzeitig in einem Bauraum hergestellt und sind, auf Grund ihres sehr ähnlichen Aussehens, nur noch sehr schwer wieder einzelnen Aufträgen (bzw. Patienten oder Zahnärzten) zuzuordnen. Bisherige Kennzeichnung durch z.B. nummerierte Fähnchen o.ä. stoßen an Ihre Grenzen. Sie bedeuten Mehraufwand und sind in modernen Herstellungsverfahren teilweise gar nicht einsetzbar. Ziel dieses Projektes ist die Konzeptionierung und protypenhaften Umsetzung einer Gesamtanlage inklusive (i) Zuführung zur Bildverarbeitung, (ii) Durchbringung durch Bildverarbeitung, (iii) Bildverarbeitung und Anbindung an CAD Datenbank, (iv) Rückführung und Umorientierung nicht erkannter Teile, (v) Kinemetik, (vi) verschiedenen Greifermodule, (vii) auftragsbezogene Zwischenspeicherung sowie (viii) Abtransport und Kommissionierung fertiger Aufträge.


Publikationen

  • Haeussler, S., Stampfer, C., Missbauer, H. (2020). Comparison of two optimization based order release models with fixed and variable lead times. International Journal of Production Economics, 227 (2020), p. 107682. doi:10.1016/j.ijpe.2020.107682
  • J. Walk, M. Maderboeck, G. Saxl, M. Ferdik, M. Fischer and T. Ussmueller, "A Multicarrier Communication Method to Increase Radio Coverage for UHF RFID," 2022 52nd European Microwave Conference (EuMC), 2022, pp. 872-875, doi: 10.23919/EuMC54642.2022.9924390.
  • Stahl H.K., Hillmer G. (2022). Schlüsselkompetenzen in Führungs- und Projektarbeit. Warum Fachkennnisse nicht mehr ausreichen und welche Stärken zum Erfolg führen Haufe Freiburg, München, Stuttgart
  • Stefan, Haeussler, Matthias, Stefan, Manuel, Schneckenreither, & Anita, Onay (2021). The Lead Time Updating Trap: Analyzing Human Behavior in Capacitated Supply Chains. International Journal of Production Economics.
  • Josef Mayr, Michael Gebhardt, Benjamin B. Massow, Sascha Weikert, Konrad Wegener, Cutting Fluid Influence on Thermal Behavior of 5-axis Machine Tools, 6th CIRP Conference on High Performance Cutting, Berkeley, California, USA, Procedia CIRP, Volume 14, 2014, Pages 395-400, ISSN 2212-8271, http://dx.doi.org/10.1016/j.procir.2014.03.085.
  • Ostheimer, P., Lins, A., Massow, B., Steger, B., Baumgarten, D., Augustin, M. (2022). Extraction of Eye Redness for Standardized Ocular Surface Photography. In: Antony, B., Fu, H., Lee, C.S., MacGillivray, T., Xu, Y., Zheng, Y. (eds) Ophthalmic Medical Image Analysis. OMIA 2022. Lecture Notes in Computer Science, vol 13576. Springer, Cham. https://doi.org/10.1007/978-3-031-16525-2_20
  • Gäbelein, H., Bunz, U., Hillmer, G.(2020). Konfliktmanagement in der Serienfertigung. Der Beitrag der qualitativen Sozialforschung zur Verbesserung von Interaktion und Performanz in Produktionsunternehmen. Buchbeitrag Springer
  • Gäbelein, H., Hillmer, G. (2018). Wie qualitative Forschungsmethoden helfen können, Organisationen in Veränderungsprozessen zu begleiten. In: Müller, J., Raich, M. (Hrsg.), Die Zukunft der qualitativen Forschung 2, Springer Fachmedien Wiesbaden.

Vorträge

  • Onay, A. (2022, Feb.). A Behavioral Perspective on Workload Control Concepts. The Influence of Order Release on Operators' Reaction Behavior, Innsbruck.
  • Onay, A. (2018, Sep.). Learning communities for lean production in SMEs. A multi-methodological competence assessment. Engineering Lean & Six Sigma Conference of the Institute of Industrial and Systems Engineers, Atlanta.
  • Onay, A. (2022, Apr.). Hierarchical Production Planning from a Behavioral Operations Perspective with Focus on Lead Time Management, Literature Review Submitted to the University of Innsbruck.
  • Hillmer, G. et al. 2020, Oct. Competency expectations of companies in terms of Corporate Ethics. Paper presented at the 7th Responsible Management Education Research Conference (online) Oct 19-21, Chur Switzerland
  • Hillmer, G., Jenic A. (2021). Erfolgreicher Kulturwandel in Non-Profit Organisationen Symposium "Better Change" an der FH Würzburg-Schweinfurt July 1st 2021

News

aus dem Forschungsschwerpunkt Smart Production & Organization

MCI erhält Leuchtturmprojekt „Digitale Produktions-Roadmap“
MCI erhält Leuchtturmprojekt „Digitale Produktions-Roadmap“
Die Tiroler Landesförderung geht an das MCI Forschungsteam „Smart Production & Organization mit Schwerpunkt Produktionsplanung
Digitalisierung von implizitem Wissen – Nachhaltige Wertschöpfung durch wirksames und praktikables Wissens- und Kompetenzmanagement
Digitalisierung von implizitem Wissen – Nachhaltige Wertschöpfung durch wirksames und praktikables Wissens- und Kompetenzmanagement
Im Rahmen der Förderungsinitiative „Leuchtturmprojekte im Bereich der Digitalisierung“ des Landes Tirol, wurde das Projekt in der Höhe von 197.753,- Euro Gesamtvolumen gefördert
Wie erhöht man die Performance von Projekten?
Wie erhöht man die Performance von Projekten?
Fallstudie für ein Unternehmen im Anlagenbau
Alle News anzeigen