Open Access

In der vorliegenden Arbeit wird der Zusammenhang zwischen den Persönlichkeitsfacetten und den Führungsverhaltenspräferenzen von Mitarbeitenden überprüft. Dazu wurden 55 Studierende, welche in einem Arbeitsverhältnis stehen oder standen, zu Persönlichkeit und Führungsverhaltenspräferenzen befragt. Zur Erfassung von Persönlichkeitsfacetten wurde der NEO-PI-R (Ostendorf & Angleitner, 2004) eingesetzt. Zur Erfassung von Führungspräferenzen wurde eine modifizierte Form des MLQ (Felfe, 2006a) genutzt. Die Ergebnisse veranschaulichen, dass zwischen einzelnen Persönlichkeitsfacetten der Mitarbeitenden und deren präferiertem Führungsverhalten ein Zusammenhang besteht. Es konnte eine negative Korrelation zwischen den Persönlichkeitsfacetten Ängstlichkeit, Besorgtheit und Befangenheit mit der Führungsverhaltensweise der idealisierten motivierenden Führungskraft festgestellt werden. Ein besonders starker Zusammenhang konnte außerdem zwischen der Persönlichkeitsfacette Herzlichkeit und dem transformationalen Führungsverhalten festgestellt werden. Zudem konnte eine positive Korrelation mit den Persönlichkeitsfacetten Kompetenz, Pflichtbewusstsein, Leistungsstreben, Selbstdisziplin und Besonnenheit der Persönlichkeitsdimension Gewissenhaftigkeit mit einem inspirierenden, motivierenden Führungsverhalten festgestellt werden. Des Weiteren veranschaulichen die Ergebnisse, dass die Persönlichkeitsfacetten einer Persönlichkeitsdimension nicht nur mit der Präferenz einer einzelnen Führungsverhaltensweise korrelieren, sondern zumeist mehrere substanzielle Zusammenhänge mit dem aggregierten Führungsverhalten aufweisen.

Inspection, disassembly and recycling decision-making in remanufacturing is crucial for improving the production management and competitiveness. However, optimizing multi-process production by multiple components, complex workflows and uncertain defect rates is facing the challenges. This paper proposes a novel production decision-making model based on a hybrid representation of circuit networks and transfer functions to optimize the inspection and processing of components and semi-finished products across different processes for maximum profit. By adopting a recursive approach, the multi-process problem is decomposed into multiple single-process to compute semi-finished product quantities, pass rates, inspection costs and recycling revenues at each process. Then, genetic algorithm (GA) that solves the complex non-linear solution space is adopted, and the maximum expected profit is achieved. Finally, simulation experiments of single-process and multi-process production are conducted, and experimental results have verified the effectiveness and practicality of the proposed production decision-making model.

Das Projekt LaneCharge entwickelte ein induktives Ladesystem für Elektrofahrzeuge mit dem Ziel, kabelloses Laden im städtischen Raum zu ermöglichen. Im Fokus stand dabei der Einsatz bei Taxis und Car-Sharing-Fahrzeugen, da diese aufgrund der begrenzten Ladeinfrastruktur und baulichen Einschränkungen im urbanen Umfeld bisher kaum in bestehende Elektromobilitätskonzepte integriert werden konnten. Unter Leitung der Hochschule Hannover wurde ein System konzipiert, das Energie über im Straßenbelag eingebrachte Primärspulen kontaktlos an fahrzeugseitige Sekundärspulen überträgt. Zusätzlich wurde eine robuste Kommunikationsinfrastruktur, ein Regelalgorithmus sowie ein RFID-basiertes Positionierungsassistenzsystem zur exakten Fahrzeugausrichtung entwickelt. Trotz pandemiebedingter Verzögerungen und Lieferengpässen konnten Prototypen erstellt, ein Fahrzeug entsprechend umgerüstet und zwei Testfelder aufgebaut werden. Die finale Einweihung der Teststrecke im Dezember 2023 markierte den erfolgreichen Abschluss der technischen Validierung. Das System überzeugte durch zuverlässige Energieübertragung, hohe Automatisierung und gute städtebauliche Integrierbarkeit. Der ursprünglich geplante Feldversuch am Hauptbahnhof Hannover konnte innerhalb der Projektlaufzeit nicht mehr umgesetzt werden, befindet sich aber in Vorbereitung. Insgesamt zeigt das Projekt großes Potenzial für die künftige Integration induktiver Ladesysteme im öffentlichen Raum.

Detecting small objects in complex outdoor conditions remains challenging. This paper proposes an improved version of YOLOv8n for the detection of blueberry in challenging outdoor scenarios. In this context, this article addresses feature extraction, small-target detection, and multi-scale feature fusion. Specifically, the C2F-RFAConv module is introduced to enhance spatial receptive field learning and a P2-level detection layer is introduced for small and distant targets and fused by a four-head adaptive spatial feature fusion detection head (Detect-FASFF). Additionally, the Focaler-CIoU loss is chosen to mitigate sample imbalance, accelerate convergence, and improve overall model performance. Experiments on our blueberry maturity dataset show that the proposed model outperforms YOLOv8n, achieving 2.8% higher precision, 4% higher recall, and a 4.5% increase in mAP@0.5, with an FPS of 80. It achieves 89.1%, 91.0%, and 85.5% AP for ripe, semi-ripe, and unripe blueberries, demonstrating robustness under varying lighting, occlusion, and distance conditions. Compared to other lightweight networks, the model offers superior accuracy and efficiency. Future work will focus on model compression for real-world deployment.

A significant risk following a kidney transplantation is graft loss. The Screen Reject Project has developed a Clinical Data Warehouse (CDWH) as a foundation for a clinical decision support system designed to improve the diagnosis of graft rejections. The CDWH integrates patient data and event records of n = 141 kidney transplant patients. These data are not directly comparable within the cohort as they consist of irregular time series, particularly of laboratory values. Therefore, a pre-processing routine was developed which divides a relative time window before the last biopsy (the relevant end event of the reference period for subsequent machine learning procedures) into equal time intervals for each patient. For each of these intervals a representative value is calculated from the contained laboratory values. These representative values are used to train models for predicting kidney rejection. The comparison with an existing study from the project, in which a classification model was developed without considering the temporal dependencies, shows an improved sensitivity and specificity in predicting kidney rejection for the harmonised data using the same random forest model.