Implikationen für die datengestützte Produktionssystementwicklung 02.05.2022, 10:41 Uhr

Datennutzung in der Produktionssystementwicklung

Daten verändern Produkte sowie die dazugehörige Planung, Entwicklung und Produktion. Zunächst wird ein Überblick des Status quos der Datennutzung in diesen Bereichen aufgezeigt. Ferner werden Potenziale und Herausforderungen vor dem Hintergrund der datengestützten Produktplanung beleuchtet und Implikationen für die Produktionssystementwicklung abgeleitet.

Bild 1. Referenzmodell der strategischen Planung und integrativen Entwicklung von Marktleistungen. Grafik: nach Gausemeier et al. [6]

Bild 1. Referenzmodell der strategischen Planung und integrativen Entwicklung von Marktleistungen. Grafik: nach Gausemeier et al. [6]

Ausgabe 4-2022, S. 264

Using data for production system development

Abstract: Data have a modifying effect on products as well as the associated areas of planning, development and production. This paper gives an overview of the status quo of of data used in these areas . Also, the potential and challenges are highlighted against the background of data-driven product planning, as well as deriving implications for production system development.

1 Einleitung

Die zunehmende Digitalisierung verändert das produzierende Gewerbe. Dies betrifft unter anderem Produkte und Produktionssysteme. Deren zugrunde liegendes Konzept wandelt sich vom mechatronischen System zum cyber-physischen System (CPS) [1]. Unter CPS werden digitalisierte, mit Sensorik und Aktorik, Datenverarbeitung und Konnektivität ausgestattete Systeme verstanden [1]. Sie generieren große Datenmengen, welche etwa bei der Prognose zukünftiger Ereignisse Verwendung finden können [2–4]. Ferner ermöglichen sie einen kontinuierlichen Datenstrom zurück zum Anbieter [5]. Dort können die Daten gleichermaßen Nutzen in allen Phasen der Produktentstehung liefern – von der strategischen Produktplanung über die Produktentwicklung bis hin zur Produktionssystementwicklung.

Die Datennutzung in der strategischen Produktplanung wird im Verbundprojekt „DizRuPt – Datengestützte Retrofit- und Generationenplanung im Maschinen- und Anlagenbau“ untersucht, das vom Bundesministerium für Bildung und Forschung (BMBF) gefördert wird. Es erforscht die systematische Produktplanung anhand von Daten aus der Nutzungsphase. Dazu werden Annahmen ermittelt, die bei der Produktentwicklung zugrunde lagen, sowie Datenanalyseverfahren, die zur Überprüfung dieser Produkthypothese oder zum Aufstellen neuer Hypothesen genutzt werden. Außerdem wird die Interpretation der Datenanalyse­ergebnisse für künftige Produktgenerationen und den Retrofit bestehender Produkte genutzt. Ferner werden Auswirkungen auf die Organisation beleuchtet. Unterstützt wird das Gesamt­vor­haben durch geeignete IT-Werkzeuge, wie maschinennahe IoT (Internet of Things)-Plattformen und PLM (Product Lifecycle Management)-Systeme sowie deren Schnittstellen.

In diesem Beitrag werden Potenziale und Herausforderungen der datenbasierten, strategischen Produktplanung vorgestellt. Auf dieser Basis wird reflektiert, wie sich die Erkenntnisse auf den Prozess der Produktionssystementwicklung übertragen lassen. Konkret wird die Frage, welche Implikationen aus den bisherigen Erkenntnissen für die Produktionssystementwicklung abgeleitet werden können, beleuchtet. Einführend wird das Referenzmodell der strategischen Planung und integrativen Entwicklung von Marktleistungen nach Gausemeier et al. [6] als Strukturierungs­rahmen des Beitrags vorgestellt, um die wechselseitigen Zusammenhänge zwischen strategischer Produktplanung, Produktentwicklung und Produktionssystementwicklung zu verdeutlichen.

2 Datennutzung in der Produktentstehung

2.1 Referenzmodell nach Gausemeier et al.

Das Referenzmodell bildet die strategische Planung und integrative Entwicklung von Marktleistungen ab [6]: Es umfasst die vier Zyklen der strategischen Produktplanung, Produktentwicklung, Dienstleistungsentwicklung und Produktionssystem­entwicklung (Bild 1):

Die strategische Produktplanung zielt auf eine aus unternehmerischer und technischer Sicht Erfolg versprechende Produktkonzeption. Die Produktentwicklung umfasst die fachgebietsübergreifende Produktkonzipierung, den Entwurf und die entsprechende Ausarbeitung in den jeweiligen Fachgebieten sowie die Integration der Ergebnisse der einzelnen Fachgebiete zu einer Gesamtlösung. Die Dienstleistungsentwicklung adressiert die Überführung einer Dienstleistungsidee in eine Marktleistung. Die drei konstituierenden Aspekte Prozess, Personal und Werkzeug werden konkretisiert und zu einer verifizierten Dienstleistung zusammengeführt. Die Produktionssystementwicklung behandelt und integriert die vier Aspekte Arbeitsablaufplanung, Arbeitsmittelplanung, Arbeitsstättenplanung und Produktionslogistik. Abschließend erfolgt die Integration zu einem verifizierten Produktionssystem.

Produkt- und Produktionssystementwicklung sind stark voneinander abhängig, sodass sie eng verzahnt und stets parallel zu durchlaufen sind. So führen Produkteigenschaften wie etwa Temperaturbeständigkeit, die aus der strategischen Produktplanung und -entwicklung hervorgehen, zu Restriktionen innerhalb der Produktionssystementwicklung. Analog bedingt die Produktionssystementwicklung die Produktplanung und -entwicklung: Beispielsweise ist die Herstellbarkeit bestimmter Produkteigenschaften abhängig von den verfügbaren Fertigungstechnologien [7].

2.2 Datennutzung in der strategischen Produktplanung

Die strategische Produktplanung besteht aus den Aufgaben Potenzialfindung, Produktfindung sowie Geschäftsplanung und basiert unter anderem auf Methoden der Marktforschung [6]. Beispielsweise werden Hypothesen durch Kundenbefragungen oder -beobachtungen geprüft, sodass eine Entscheidungsfindung von großen Unsicherheiten gekennzeichnet ist [8]. Gleichzeitig haben Entscheidungen, die während der Produktplanung getroffen werden, einen erheblichen Einfluss auf alle späteren Phasen, indem sie zum Beispiel deren Kosten bestimmen [8].

Die Reduzierung von Unsicherheiten während der Entscheidungsfindung werden von Meyer et al. im Rahmen des Verbundprojektes DizRuPt adressiert: Informationen und Daten aus der Nutzungsphase eines Produkts werden erfasst und mit statistischen Analysen, Data Mining und maschinellen Lernmethoden untersucht [9]. Das Ergebnis der Datenanalyse ermöglicht neue Erkenntnisse über das Produkt und den Nutzer zu generieren sowie gleichzeitig bestehende Unsicherheiten zu eliminieren [9]. Eine zukünftige und verbesserte Entwicklung der nächsten Produktgeneration ist die Folge [9]. Bild 2 zeigt den Ansatz der Datennutzung in der strategischen Produktplanung zur Reduzierung von Unsicherheiten.

Bild 2. Analyse von Daten aus der Nutzungsphase zur Reduzierung von Unsicherheiten bei der Produktplanung. Grafik: [25]

2.3 Datennutzung in der Produktentwicklung

Die Produktentwicklung besteht aus der Erarbeitung neuer Lösungen [10]. Vor dem Hintergrund der Digitalisierung ist hier eine Veränderung erkennbar. So zeigt eine Studie von Geissbauer et al., dass aktuell 41 % der befragten Unternehmen die Datenanalyse in der Produktentwicklung nutzen. Unternehmen versprechen sich durch die Verwendung von Nutzungs-, Qualitäts- und Servicedaten sowie Informationen kundenindividualisierte digitale Produkte und Services zu entwickeln. Dabei kommt es den Autoren zufolge auf den Einsatz der richtigen Tools und Prozesse an. Beispielhaft werden Prozesssimulationen, digitale Prototypen und Tools eingesetzt, um einen klaren Wettbewerbsvorteil zu erlangen. Potenziale werden ferner in den Bereichen der Datenanalyse und künstlichen Intelligenz, agilen Entwicklungsmethoden, Social Listening sowie digitaler Zwillinge erkannt. [11]

2.4 Datennutzung in der Produktionssystementwicklung

Die heutige Produktionssystementwicklung ist oft sehr komplex. Sie ist geprägt durch schnelllebige Änderungsbedarfe aus der Produktentwicklung sowie dynamische Marktveränderungen [12]. Zur Organisation der Produktionssysteme werden Hilfsmittel eingesetzt, die der digitalisierungsbedingten Komplexität nicht gerecht werden [7]. So ist etwa eine kurzfristige Veränderung innerhalb der Arbeitsplanung nicht umsetzbar.

Außerdem werden Produktionsdaten, etwa aus dem Enterprise Resource Planning oder Manufacturing Execution System, aus Mangel an generischen Business-Intelligence-Architekturen nur den verantwortlichen Produktionsleitern zur Verfügung gestellt, eine Auswertung und Darstellung von Daten des Unternehmens bleibt aus [11]. Demnach erweist sich nicht die Datensammlung als problematisch: Konzepte wie Cyber-Physical Production Systems (CPPS) vernetzen gekoppelte CPS und erfassen sämtliche Daten in der Produktion [13]. Die Möglichkeit einer Kommunikation zwischen Menschen, Maschinen und Produkten besteht somit zumindest aus technischer Sichtweise. Die Erwartungen an die sogenannten CPPS sind hoch: Sie sollen Kontrolle in Echtzeit ermöglichen sowie Sicherheit und Transparenz schaffen [14].

3 Potenziale und Herausforderungen

Der Status quo der Datennutzung für die Produktplanung und -entwicklung verweist auf vielfältige Potenziale und Herausforderungen. Im Verbundprojekt DizRuPt konnten Meyer et al. insgesamt sechs Hauptkonzepte für die Datennutzung in der Produktplanung identifizieren (Bild 3) [15]. Diese dienen zur Strukturierung von Implikationen für die Datennutzung in der Produktionssystementwicklung.

Bild 3. Die sechs Hauptkonzepte der Datennutzung in der Produktplanung. Grafik: [15]

Zur Datennutzung in der Produktplanung werden nutzergenerierte Daten (Erfassung des Nutzerverhaltens), Produktbetriebsdaten (Erfassung des Produktverhaltens) und Umweltdaten (Erfassung des Umweltverhaltens) erfasst [15]. Die Datenaufnahme kann dabei reaktiv oder proaktiv erfolgen. Für die Produktionssystementwicklung sind beide Vorgehensweisen eine Herausforderung: Einerseits existieren in den Betrieben diverse Datenbanken, die eine Datenaufnahme erschweren, andererseits erfolgt die Datenakquise diskontinuierlich [16]. Zum Beispiel werden Daten nur im Zusammenhang einer Leistungsabfrage durch das Qualitätsmanagement erfasst. Ebenso fehlt die Umsetzung durchgängiger Konzepte zur Datenakquise, die den heterogenen Maschinenpark und diverse Technologiestandards bespielen [17].

Zusätzlich wird der Einsatz von statistischen Analysen, Data Mining und maschinellen Lernverfahren [15] durch eine unzureichende Datenqualität erschwert: Daten liegen oft unvollständig oder in unstrukturierter Form vor und entsprechen nicht den benötigten Datenformaten [4]. Eine Auswertung dieser Daten erweist sich ohne eine Filterung als sehr komplex und zeitaufwendig. Ferner fehlt in den meisten Betrieben die Integrität unterschiedlicher Systeme [4, 18]. Beispielsweise sind Produktionssysteme, Plattformen und Datenbanken nur bedingt gekoppelt [18].

Die Rückführung der erfassten Daten in den Produktentstehungsprozess erweist sich in den frühen Phasen als besonders wertvoll [15]: Die Datennutzung in der Produktplanung führt zu einem besseren Verständnis über die Produkte im Feld. Bisher noch nicht identifizierte Informationen können erfasst und analysiert werden [15]. So können etwa zukünftige Fehler nicht nur vorhergesagt, sondern bereits zu Beginn des Produktentstehungsprozesses eliminiert werden [4, 19]. Analog können derartige Rückschlüsse durch die Datennutzung in der Produktionssystementwicklung gezogen werden: So zeigen die Datenanalyse­erkenntnisse etwa die Korrelation zwischen dem Produktions­system und einer unzureichenden Qualität des Endproduktes.

Durch ein besseres Verständnis über Produkte beziehungs­weise Produktionssysteme im Feld sowie Rückschlüsse auf den Kunden beziehungsweise Nutzer des Produkts [20–22] können bereits bestehende Produkte sowie zukünftige Produkte verbessert werden. So kann die tatsächliche Verwendung einer bestimmen Produktfunktion über die Nutzungshäufigkeit erkannt werden. Für die Produktionssystementwicklung ist dies ebenfalls eine Verbesserung, da beispielsweise eine fehlerhafte Bedienung der Maschinen im Feld erkannt wird.

Erfahrungswerte innerhalb der Produktion sind von hoher Bedeutung, jedoch nicht maßgebend. So kann ein Mischverhältnis zweier Komponenten auch in Abhängigkeit zur Temperatur sein. Datenanalyse und -auswertung ermöglichen hier ein fundiertes Verfahren und schaffen Transparenz über die einzelnen Produktionsschritte. Die Sammlung, Analyse und Auswertung von Daten ermöglicht einen faktenbasierten Entscheidungsprozess [15]. Die Durchführung von Prototyping oder Feldtests kann somit reduziert werden [23, 24]. Gleichermaßen können die Daten in der Produktionssystementwicklung sowohl die Konzipierung als auch Integration von Produktionssystemen verbessern.

Allgemein beschreibt die Datennutzung in der Produktplanung einen inversen Planungsansatz: Bestehende, traditionelle Methoden werden nicht ersetzt, sondern durch die Nutzung von Daten ergänzt [15]. Im Rahmen der Produktionssystementwicklung sollte dieser Ansatz ebenfalls verfolgt werden. So kann sicher­gestellt werden, dass die Daten zur Verbesserung des Produktionssystems genutzt werden und gleichzeitig zukünftige Chancen erkannt und bespielt werden.

4 Fazit und Ausblick

Dieser Beitrag greift den Status quo der Datennutzung im Produktentstehungsprozess auf und zeigt anhand der sechs Hauptkonzepte bestehende Potenziale sowie Herausforderungen für die Produktionssystementwicklung: Beispielhaft genannt ist der Rückschluss zwischen Produktionssystem und Endprodukt sowie die fehlende Integration zwischen Produktionssystemen, Plattformen und Datenbanken. Zudem erweisen sich fehlende Kompetenzen zur Durchführung des Business-Intelligence-Ansatzes sowie der unzureichende Schutz gegen Cyberrisiken als besondere Herausforderungen in der Produktionssystementwicklung [11].

Es gilt, den datengestützten Produktentstehungsprozess weiter zu erforschen. Dabei sollte die Parallelisierung der einzelnen Bereiche forciert werden, sodass eine frühzeitige interdisziplinäre Kollaboration entsteht.

Das Forschungs- und Entwicklungsprojekt „DizRuPt – Daten­gestützte Retrofit- und Generationenplanung im Anlagen und Maschinenbau“ wird durch das Bundesministerium für Bildung und Forschung (BMBF) im Programm „Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistung und Arbeit“ gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.

Literatur

  1. Porter, M. E.; Heppelmann J. E.: How smart, connected products are transforming competition. Harvard Business Manager (2014) 3, pp. 1–23
  2. Pflaum, A.; Hohmann, C.; Hofmann, B. et al.: Industrie 4.0 und CPS – Bedarfe und Lösungen aus Sicht des Mittelstands. Kurzstudie. Stand: 2014. Internet: www.baymevbm.de/Redaktion/Frei-zugaengliche-Medien/Abteilungen-GS/Regionen-und-Marketing/2016/Downloads/Kurzstudie_CPS_20141007.pd. Zugriff am 17.03.2022
  3. Reichel, J.; Müller, G.; Mandelartz, J.: Betriebliche Instandhaltung. Berlin: Springer Verlag 2009
  4. Dienst, S.: Analyse von Maschinendaten zur Entscheidungsunterstützung bei der Produktverbesserung durch die Anwendung eines Feedback Assistenz Systems. Dissertation, Universität Siegen, 2014
  5. Acatech (Hrsg.): Cyber-Physical Systems. Innovationsmotor für Mobilität, Gesundheit, Energie und Produktion. Berlin: Springer Verlag 2011
  6. Gausemeier, J.; Dumitrescu, R.; Echterfeld, J. et al.: Innovationen für die Märkte von morgen. Strategische Planung von Produkten, Dienstleistungen und Geschäftsmodellen. München: Carl Hanser Verlag, S. 92, 2019
  7. Sinnwell, C.; Haße, A.; Fischer, J. et al.: Kollaborative Produktionssystemplanung unter Verwendung eines modellbasierten, PLM- gestützten Entwicklungsprozesses. Automatisierungstechnik 66 (2018) 5, pp. 406–417. doi.org/10.1515/auto-2017–0109
  8. Herstatt, C.; Verworn, B.: The ‘Fuzzy Front End’ of Innovation. In: European Institute for Technology and Innovation Management (eds.): Bringing Technology and Innovation into the Boardroom. London: Palgrave Macmillan 2004, pp. 347–372. doi.org/10.1057/9780230512771_16
  9. Meyer, M.; Wiederkehr, I.; Panzner, M.; et al.: A Reference Process Model for Usage Data-Driven Product Planning. 55th Hawaii International Conference on System Sciences (HICSS), Hawaii, USA, 2022. DOI:10.24251/HICSS.2022.741
  10. Lashin G.; Stark R. (Hrsg.): Pahl/Beitz Konstruktionslehre. Methoden und Anwendung erfolgreicher Produktentwicklung. 9. Auflage. Wiesbaden: Springer Vieweg Verlag 2021
  11. Geissbauer, R.; Schrauf, S.; Morr, J.-T.: Industrie 4.0: Digitale Produktentwicklung verschafft Industrieunternehmen klare Wettbewerbsvorteile. PwC Studie. Stand: 2019. Internet: www.pwc.de/de/pressemitteilungen/2019/industrie-4–0-digitale-produktentwicklung-verschafft-industrieunternehmen-klare-wettbewerbsvorteile.html. Zugriff am 17.03.2022
  12. Gröger, C.: Advanced Manufacturing Analytics – Datengetriebene Optimierung von Fertigungsprozessen. Köln: Josef Eul Verlag. 2015
  13. Monostori, L.: Cyber-physical production systems: Roots, expectations and R&D challenges. Procedia CIRP 17 (2014), pp. 9–13
  14. Mayer, L.; Fettke, P.: Challenges and potentials of order-specific individual manufacturing: A case study from tool making. In IEEE Conference on Business Informatics (CBI-2021), Bolanzo, Italy, 2021
  15. Meyer, M.; Wiederkehr, I.; Koldewey, C.: Understanding Usage Data-Driven Product Planning: A Systematic Literature Review. Proceedings of the Design Society, 23rd International Conference on Engineering Design (ICED21), Gothenburg, Sweden, 2021, pp. 3289–3298
  16. Seliger, G.; Gegusch, R.; Gestrich, K.: Software Agents for Automated Knowledge Generation in IPS². Proceedings of the 2nd CIRP IPS² Conference. Linköping, 2010
  17. Folz, M., Falke, D.: Retrofit 4.0 – Wie Sie alte Maschinen ins digitale Zeitalter bringen? Mittelstand 4.0 Kompetenzzentrum Chemnitz. Stand: 2019. Internet: https://www.mittelstand-digital.de/MD/Redaktion/DE/Publikationen/zentrum-chemnitz-retrofit-wie-sie-alte-maschinen-ins-digitale-zeitalter-bringen.pdf?__blob=publicationFile&v=2. Zugriff am 17.03.2022
  18. Ellenrieder, S.: Dinge für das IoT entwickeln. Die Zukunft des Product Lifecycle Managements. Stand: 2015. Internet: www.it-production.com/allgemein/die-zukunft-des-product-lifecycle-managementsdinge-fuer-das-iot-entwickeln/. Zugriff am 17.03.2022
  19. Holler, M.; Stoeckli, E.; Uebernickel, F. et al.: Towards Understanding closed-loop PLM: The Role of Product Usage Data for Product Development enabled by intelligent Properties. 29th Bled eConference on Digital Economy (Bled), Bled, Slovenia, 2016, Association for Information Systems, AIS Electronic Library, pp. 479–491
  20. Timoshenko, A.; Hauser, J. R.: Identifying Customer Needs from User-Generated Content. Marketing Science 38 (2019) 1, pp. 1–20, doi.org/10.1287/mksc.2018.1123, 31.01.2022
  21. Hou, L.; Jiao, R. J.: Data-informed inverse design by product usage information: a review, framework and outlook. Journal of Intelligent Manufacturing 31 (2020) 3, pp. 529–552. doi.org/10.1007/s10845–019–01463–2
  22. Porter, M. E.; Heppelmann, J. E.: How Smart, Connected Products Are Transforming Companies. Harvard Business Review 93 (2015) 10, pp. 96–112
  23. Holler, M.; Uebernickel, F.; Brenner, W.: Understanding the Business Value of Intelligent Products for Product Development in Manufacturing Industries. 8th International Conference on Information Management and Engineering (ICIME), Istanbul, Turkey, 2016, pp. 18–24. doi.org/10.1145/3012258.3012266
  24. Holler, M.; Neiditsch, G.; Uebernickel, F. et al.: Digital Product Innovation in Manufacturing Industries – Towards a Taxonomy for Feedback-driven Product Development Scenario. 50th Hawaii International Conference on System Sciences (HICSS), Waikoloa Village, Hawaii, USA, 2017. doi.org/10.21256/zhaw-3365
  25. Meyer, M.; Wiederkehr, I.; Koldewey, C. et al.: Planning the Analysis of Use Phase Data in Product Planning, Proceedings of the International Design Conference – DESIGN 2022 (Eingereicht)
Von I. Wiederkehr, D. Panick, C. Koldewey, R. Dumitrescu, M. Marré

Prof. Dr.-Ing. Roman Dumitrescu
Ingrid Wiederkehr, M. Sc.
Dr.-Ing. Christian Koldewey
Heinz Nixdorf Institut (HNI)
Universität Paderborn
Fürstenallee 11, 33102 Paderborn
Tel. +49 5251 / 606-409
ingrid.wiederkehr@hni.uni-paderborn.de
www.hni.uni-paderborn.de

Prof. Dr.-Ing. Roman DumitrescuFraunhofer-Institut für Entwurfstechnik Mechatronik IEM
Zukunftsmeile 1, 33102 Paderborn
www.iem.fraunhofer.de

Prof. Dr.-Ing. Dipl.-Wirt.-Ing. Michael Marré
Daniel Panick, M. Eng.
Labor für Massivumformung (LFM)
Fachhochschule Südwestfalen
Frauenstuhlweg 31, 58644 Iserlohn
Tel. +49 2371 / 566-198
panick.daniel@lfm-fh-swf.de
www.fh-swf.de/de/forschung___transfer_4/labore_3/labs/labore_19/index.php

Top 5

Top Stellenangebote

RHEINMETALL AG-Firmenlogo
RHEINMETALL AG Verstärkung für unsere technischen Projekte im Bereich Engineering und IT (m/w/d) deutschlandweit
Stadt Viernheim-Firmenlogo
Stadt Viernheim Stadt- und Bauleitplanung (m/w/d) Viernheim
Fachhochschule Nordwestschweiz FHNW-Firmenlogo
Fachhochschule Nordwestschweiz FHNW Professor*in für Werkstoffwissenschaften Brugg-Windisch
Frankfurt University of Applied Sciences-Firmenlogo
Frankfurt University of Applied Sciences Professur (W2) Werkzeugmaschinen Frankfurt am Main
Hochschule für angewandte Wissenschaften Kempten-Firmenlogo
Hochschule für angewandte Wissenschaften Kempten Professur (m/w/d) Werkstofftechnik und Metallkunde Kempten
Hochschule der Bayerischen Wirtschaft gemeinnützige GmbH-Firmenlogo
Hochschule der Bayerischen Wirtschaft gemeinnützige GmbH Professur (W2) für Aerodynamik, Fluidmechanik, Thermodynamik und Wärmeübertragung München
OOWV Oldenburgisch-Ostfriesischer Wasserverband-Firmenlogo
OOWV Oldenburgisch-Ostfriesischer Wasserverband Ingenieur (w/m/d) Leitungswesen Abwasser Brake (Unterweser)
Carl Zeiss AG-Firmenlogo
Carl Zeiss AG Projekt- und Prozessmanagement in der Halbleiterfertigungstechnik (m/w/d) Keine Angabe
Hochschule Ravensburg-Weingarten-Firmenlogo
Hochschule Ravensburg-Weingarten Professur (W2) elektrische Antriebstechnik Weingarten
Bayernwerk-Firmenlogo
Bayernwerk Mitarbeiter (m/w/d) Keine Angabe
Zur Jobbörse