Produktionsmanagement
Refine
Year of publication
Document Type
- Contribution to a Periodical (19)
- Conference Proceeding (8)
- Working Paper (8)
- Book (7)
- Lecture (3)
- Part of a Book (2)
- Internet Paper (2)
- Report (2)
Language
- German (39)
- English (10)
- Multiple languages (2)
Is part of the Bibliography
- no (51)
Keywords
- 02 (1)
- 3PhasenKonzept (1)
- Anforderungsmanagement (1)
- Auftragsabwicklung (1)
- Beratung (1)
- Big Data (5)
- BigPro (2)
- Blockchain (2)
- Blockchaintechnologie (1)
- Business Applications (1)
Institute
- Informationsmanagement (51) (remove)
"Tracking & Tracing"-Systeme steigern merklich die Transparenz in der Produktion und der Lieferkette. Insbesondere Such-, Buchungs-, und Inventuraufwände sowie Schwund, Engpässe und Transportkosten lassen sich dadurch reduzieren. Die gewonnene Transparenz hilft bei der Erreichung einer flexiblen Produktion, sodass sich durch eine adaptive Planung und Steuerung bestehende Prozesse kontinuierlich verbessern lassen. Das jetzt erschienene Whitepaper beleuchtet Nutzen und Potenziale von Tracking & Tracing, stellt einen systematischen Ansatz zur Einführung von Tracking- und Tracing-Systemen vor und beschreibt hierbei anfallende Herausforderungen.
Die vorliegende Publikation beinhaltet die Projektergebnisse des Forschungsprojekts „FlAixEnergy – Innovative Energieflexibilitätsplattform zur Synchronisation und Vermarktung des regionalen Stromverbrauchs industrieller Anwender mit dezentraler Energieerzeugung in der Modellregion Aachen“ (Förderkennzeichen 0325819A-I). Dieses Forschungs- und Entwicklungsprojekt wurde mit Mitteln des Bundesministeriums für Wirtschaft und Energie (BMWi) gefördert und vom Projektträger Jülich (PTJ) betreut. Die Autoren sind für den Inhalt der Veröffentlichung verantwortlich.
Im Rahmen des Forschungsprojekts "FlAixEnergy" sollen kleine und mittlere Unternehmen (KMU) sowohl als dezentrale Erzeuger von regenerativer Energie als auch als Energieverbraucher (Smart Industrial Customer) zu Flexibilitätsclustern zusammengefasst werden. Ziel des Projekts ist die Entwicklung einer Plattform zwischen Energieversorgungsunternehmen (EVU) und Unternehmen, mittels derer die bewertete Energieflexibilität der energieverbrauchenden Unternehmen aggregiert und so die Partizipation am Energiemarkt ermöglicht wird. Ein in diesem Kontext relevantes Thema ist die Charakterisierung der eingebundenen industriellen Verbraucher bezüglich ihres Energiebedarfsverhaltens und ihrer Flexibilität. Hierzu soll ein sogenannter "energetischer Fingerabdruck" entwickelt werden, der dazu dient, Flexibilitätspotenziale und Lastprognosen von industriellen Stromverbräuchen systematisch an Energieversorgungsunternehmen zu kommunizieren. Das Projekt wird mit Mitteln des Bundesministeriums für Wirtschaft und Energie (BMWi) gefördert.
Die digital vernetzte industrielle Produktion verspricht schnellere und effizientere Prozesse - in Entwicklung und Produktion wie auch in Service, Marketing und Vertrieb oder bei Anpassung ganzer Geschäftsmodelle. Agil zu handeln und in Echtzeit Veränderungen vorzunehmen, wird in der Industrie 4.0 zur strategischen Erfolgseigenschaft eines Unternehmens. Voraussetzung dafür ist der Aufbau einer immer breiteren Datenbasis. Ob deren Potenzial effektiv genutzt wird, hängt jedoch auch wesentlich von der Organisationsstruktur und Kultur eines Unternehmens ab.
Die vorliegende acatech STUDIE stellt ein neues Instrument vor, mit dem produzierende Unternehmen den Weg zum lernenden, agilen Unternehmen individuell gestalten können. Der acatech Industrie 4.0 Maturity Index ist als sechsstufiges Reifegradmodell aufgebaut und analysiert die in der digitalisierten Industrie benötigten unternehmerischen Fähigkeiten in den Gestaltungsfeldern Ressourcen, Informationssysteme, Kultur und Organisationsstruktur. Jede erreichte Entwicklungsstufe verspricht produzierenden Unternehmen einen konkreten Zuwachs an Nutzen. Das Modell wurde in der praktischen Anwendung in einem mittelständischen Betrieb validiert.
Digitally connected industrial production promises faster and more efficient processes - in development and production, services, marketing & sales and for adapting entire business models. Agility and the ability to make changes in real time are strategic chracteristics of successful companies in Industrie 4.0. To acquire these features, it is necessary to create a continuously expanding data base. However, a company's organisational structure and culture also play an important part in determining whether this data's potential is leveraged effectively.
This acatech STUDY describes a new tool for helping manufacturing enterprises to forge their own individual path towards becoming a learning, agile company. The acatech Industrie 4.0 Maturity Index is a six-stage maturity model that analyses the capabilities in the area of resources, information systems, culture and organisational structure that are required by companies operating in a digitalised industrial environment. The attainment of each development stage promises concrete additional benefits for manufacturing companies. The model's practical application was validated in a medium-sized company.
Rund ein Jahr haben DIN und DKE in einem gemeinsamen Projekt mit dem Bundesministerium für Wirtschaft und Energie und zusammen mit ca. 300 Fachleuten aus Wirtschaft, Wissenschaft, öffentlicher Hand und Zivilgesellschaft an der Normungsroadmap Künstliche Intelligenz gearbeitet. Eine hochrangige Steuerungsgruppe unter dem Vorsitz von Prof. Wolfgang Wahlster hat die Erarbeitung koordiniert und begleitet.
Ziel der Roadmap ist die frühzeitige Entwicklung eines Handlungsrahmens für die Normung und Standardisierung, der die internationale Wettbewerbsfähigkeit der deutschen Wirtschaft unterstützt und europäische Wertmaßstäbe auf die internationale Ebene hebt. Mit der Normungsroadmap KI wird eine wesentliche Maßnahme der KI-Strategie der Bundesregierung umgesetzt, in der eines von zwölf Handlungsfeldern sich explizit dem Thema "Standards setzen" widmet.
Die ersten Fahrzeuge sind übergeben, viele weitere sollen es demnächst werden. Besucher, die das Werk 1 der e.GO Mobile AG (kurz e.Go) auf dem ehemaligen Philips-Gelände in Aachen-Rothe Erde betreten, sehen zunächst eines: e.GO-Life-Fahrzeuge, die nur darauf warten, das Werk zu verlassen und das Straßenbild um ein weiteres Fahrzeugmodell zu ergänzen. Danach fällt der Blick auf die Montagelinie. Besuchern, die bereits Montagen anderer Automobilhersteller kennengelernt haben, fällt sofort auf, dass in dieser Fabrik etwas anders ist: Anstelle von Förderbändern und Hängebahnen bewegen sich die Fahrzeuge in der Montagelinie auf sogenannten „Fahrerlosen Transportsyste- men“ (kurz „FTS“) durch die verschiedenen Stationen.1 Vernetzt werden die FTS, wie auch andere Geräte, deren Daten erfasst werden sollen, über 5G. Im Juni 2019 stellte e.GO zusammen mit seinen Partnern Vodafone und Ericsson die erste auf Basis von 5G vernetzte Automobilproduktion in Deutschland vor.2 Mitarbeiter des FIR an der RWTH Aachen waren dabei intensiv an den Vorbereitungen, Planungen und der Umsetzung beteiligt. Durch 5G sollen eine komplette Vernetzung und die Industrie-4.0- Referenzfabrik entlang des Internet of Pro- duction (im Folgenden „IoP“ genannt, s. Bild 1, S. 15) realisiert werden. Damit soll es möglich sein, ein Produkt wie den e.GO Life in einem Hochlohn- land wie Deutschland zu fertigen und zu einem konkurrenzlosen Preis in dieser Fahrzeugklasse anbieten zu können. Als Partner der ersten Stunde war und ist das FIR in den vielfältigsten Aufgaben- bereichen bei e.GO involviert. Als Experten für Digitalisierung und Industrie 4.0 haben die Mitarbeiter des FIR entlang der drei Zyklen des IoP und an dem Infrastrukturaufbau sowie an der Umsetzung der Industrie-4.0-Referenzfabrik maßgeblich mitgewirkt.
The COVID-19 pandemic has shown companies that their on-premise infrastructures often reach their limits with a large number of remote accesses. The transition to cloud-based solutions could represent a more efficient alternative. However, many German companies, especially small and medium-sized enterprises (SME), are still hesitant to take this big step of transferring applications to the cloud. For this reason, this paper examines the question of whether existing migration approaches in the analysis phase fit the specific requirements of SMEs. Using a literature review methodology, we first identify and analyze determinant factors for cloud adoption in SMEs. On this basis, we analyze existing methods in the analysis phase for migrations from on-premise software to cloud solutions. We investigate whether these factors are considered in the analysis phase of the approaches and conclude their suitability for SMEs. Of the migration approaches we examined, none included all the factors we identified as relevant to SMEs. Fewer have considered all factors fully and in detail. We present the results of the literature search process in tabular form and conclude this paper with a discussion and synthesis of the literature as well as an outlook on further research fields.
„Daten sind das Öl des 21. Jahrhunderts.“ Dieser Satz impliziert die große Bedeutung, die Daten heutzutage zugerechnet wird. Während die technischen Systeme immer ausgereifter werden und die Erzeugungsrate von Daten unaufhaltsam steigt, stehen viele Unternehmen, gerade im Produktionsumfeld, vor der Herausforderung, diese Daten zu nutzenbringenden Informationen zu verarbeiten.
In BigPro haben Experten aus dem Informations- und Kommunikationstechnik-Umfeld mit Anwendungspartnern aus der Fertigungsbranche zusammengearbeitet, um dieses Problem zu adressieren. Ziel des gemeinsamen Vorhabens war es, das Reaktionsmanagement von Störungen in fertigenden Unternehmen mittels Big-Data-Technologien zu verbessern und so die durch Produktionsausfälle entstehenden hohen Kosten zu reduzieren. Hierzu wurde eine Big-Data-Plattform entwickelt, die in der Lage ist, heterogene Daten aus unterschiedlichsten Quellen des Produktionsumfelds aufzunehmen, zu verarbeiten und in einen Kontext miteinander zu setzen. Neben den klassischen Datenquellen im Produktionsumfeld wurde die Datenbasis in BigPro um den „Sensor“ Mensch erweitert, um das digitale Abbild der Produktionsumgebung durch die Wahrnehmung, Stimmung und Sprache der Mitarbeiter noch transparenter darzustellen.
Durch den Einsatz der im Projektverlauf entwickelten Mustererkennung ist die BigPro-Plattform in der Lage, die generierten und gesammelten Daten expliziten Störungsmustern zuzuordnen. Diese bilden die Grundlage, aufgezeichnete Datenkonstellationen in Echtzeit mit bekannten Störungsmustern im Produktionsumfeld abzugleichen und bei sich anbahnender Übereinstimmung geeignete Maßnahmen einzuleiten, um den Störungen proaktiv entgegenzuwirken. Hierzu wurde ein Katalog mit störungsbehebenden Maßnahmen methodisch aufgebaut, aus welchem, je nach Anwendungsfall, manuell oder automatisch geeignete Maßnahmen initiiert werden. Eine Methodik, welche die Effektivität der Maßnahmen analysiert und bewertet, stellt sicher, dass etwa fehlgeschlagene Maßnahmen erkannt und überprüft werden können. Sollte für eine Störung keine geeignete Maßnahme hinterlegt sein, wird der Maßnahmenkatalog dynamisch durch situationsabhängig neu generierte Maßnahmen erweitert. Die Informationsbereitstellung sowie -rückführung des Reaktionsmanagements erfolgt in Form einer skalierbaren Visualisierung bedarfsgerecht für die unterschiedlichen Nutzergruppen. Durch ein hinterlegtes Eskalationsmodell werden den Mitarbeitern alle nötigen Informationen entsprechend der Maßnahme direkt und vor allem nutzerspezifisch (z. B. aggregiert für die Produktionsleitung, detailliert für den Analysten, etc.) zur Verfügung gestellt.
Die entwickelte BigPro-Plattform trägt durch die technologische Integration einer Störungsfrüherkennung, einem dynamischen Maßnahmenkatalog sowie einer bedarfsgerechten Informationsbereitstellung essentiell dazu bei, die von zunehmender Dynamik geprägte Produktion durch ein proaktives Reaktionsmanagement robuster gegenüber Abweichungen zu machen, um kostspielige Produktionsausfälle zu vermeiden.
Ziel des Forschungsvorhabens "SurE" ist die Erhöhung der Effizienz und Effektivität von Suchanfragen in ERP-Systemen. Dabei soll der Aufwand für den Nutzer reduziert und die Qualität der Ergebnisse verbessert werden. Die Ziele werden durch die Entwicklung einer selbstlernenden, kontextbasierten Suchmaschine für ERP-Systeme realisiert. Mit der Berücksichtigung des Kontextes einer Suchanfrage, des Benutzerverhaltens und einer Ergebnisbewertung durch den Anwender wird die Ergebnisqualität von Suchanfragen kontinuierlich gesteigert. Durch die Entwicklung eines Demonstrators gegen Ende des Projekts soll der Nutzen des Konzepts veranschaulicht werden. Zudem soll der Demonstrator in verschiedenen Szenarien erprobt und anhand einer Wirtschaftlichkeitsbetrachtung bewertet werden.