Produktionsmanagement
Refine
Year of publication
- 2022 (38) (remove)
Document Type
- Contribution to a Periodical (14)
- Article (4)
- Conference Proceeding (4)
- doctorallecture (4)
- Doctoral Thesis (3)
- Working Paper (3)
- Part of a Book (2)
- Lecture (2)
- Book (1)
- Internet Paper (1)
Language
- German (24)
- Multiple languages (8)
- English (6)
Is part of the Bibliography
- no (38)
Keywords
- 3D-Druck (1)
- Additive Manufacturing (1)
- Agil (1)
- Bewegungsdaten (1)
- Business Software (1)
- CO2-Bilanzierung (1)
- CO2-Emission (1)
- CPSL (1)
- Datenaustausch (1)
- Datengestützt (1)
Institute
Forschungsarbeit trägt wesentlich der Weiterentwicklung und Adoption neuer Technologien bei. Oftmals werden in Forschungsprojekten jedoch spezifische Ergebnisse im wissenschaftlichen Kontext erarbeitet, die für themenfremde Interessenten nicht immer leicht verständlich beziehungsweise zugänglich sind. Damit Unternehmen einen Mehrwert aus den Ergebnissen der Forschungsprojekte beziehen können, müssen die Ergebnisse für den Transfer in die Industrie entsprechend vorbereitet werden. Daher spielen der Wissenstransfer und die gewählte Methode des Transfers eine große Rolle.
Implementierung von Manufacturing Execution Systems basierend auf Industrie-4.0-Reifegradmodellen
(2022)
Steigende Kundenanforderungen hinsichtlich Qualität, Lieferzeit und Termintreue führen zur steigenden Dynamisierung der Märkte. Unternehmen stehen dabei vor der Herausforderung, die externe Dynamisierung und die daraus resultierenden, unternehmensinternen Herausforderungen zu bewältigen. Hierbei stellt die vierte industrielle Revolution einen möglichen Befähiger zur Bewältigung der zunehmenden externen und internen Herausforderungen dar. Zur Umsetzung der Vision von Industrie 4.0 existieren verschiedene Rahmenwerke, jedoch sind in Unternehmen bisweilen nur vereinzelt Use-Cases sowie Leuchtturmprojekte umgesetzt worden. Eine durchgängige, unternehmensweite Umsetzung der Rahmenwerke steht bis heute aus. Für eine digitale Unterstützung in der Produktion und den angrenzenden Bereichen des Produktionsmanagement stellen Manufacturing-Execution-Systeme (MES) ein mögliches Informationssystem dar. ME-Systeme sind bereits erprobt und haben sich durch die stetige Weiterentwicklung als marktreife Lösung zur Umsetzung von Industrie-4.0-Ansätzen etabliert. Für Unternehmen stellen Implementierungsprojekte von ME-Systemen häufig strategische Projekte mit Bezug zu Industrie 4.0 dar. Durch die Anzahl an betroffenen Unternehmensfunktionen und eingebundenen Stakeholder sind sie – wie andere IT-System-Einführungsprojekte – häufig komplex. Auf Grund des modularen, funktionalen Aufbaus der ME-Systeme sowie möglicher Lerneffekte und der frühzeitigen Ausschöpfung des Systemnutzens bietet sich die sukzessive, also schrittweise, Implementierung an. In der Praxis wird dies häufig als Vorgehen gewählt, wodurch Unternehmen vor der Herausforderung stehen, die Implementierungsreihenfolge – also zeitliche Abfolge und Ort der zu implementierende Funktionsmodule – zu bestimmen.
Zur Unterstützung der Unternehmen bei der Implementierung von ME-Systemen wird in dieser Dissertationsschrift daher das Ziel verfolgt,
ein Vorgehensmodell zur sukzessiven Implementierung, basierend auf Industrie-4.0-Reifegradmodellen, zu entwickeln. Mit der umfangreichen
Analyse der Wechselwirkungen zwischen den betroffenen Kernaufgaben eines Unternehmens, den MES-Funktionen sowie den Zielen der digitalen Transformation wird den Anwender:innen mit dieser Dissertationsschrift nun ein Reifegradmodell sowie ein anwendbares Vorgehen zur Verfügung stellt. Dieses befähigt sie, eine nutzenzentrierte, sukzessive Einführung von MES unternehmensspezifisch zu strukturieren.
SCM-Software ist heute zur Unterstützung der übergreifenden Herstellabwicklung zwischen den Unternehmen bzw. Unternehmensstandorten etabliert. Der Blick in die Praxis verdeutlicht allerdings unterschiedlichste Leitideen, Anforderungsschwerpunkte und Lösungsansätze. Außerdem setzen die Softwareanbieter verschiedenste Branchenund Funktionsschwerpunkte, was die Vergleichbarkeit zusätzlich einschränkt. Der vorliegende Beitrag gibt einen Überblick über ein SCM-Funktionsmodell zur durchgängigen standortübergreifenden und -internen Herstellabwicklung zur Bewertung der verfügbaren SCM-Software.
Besonders in den letzten Krisen konnte die Anfälligkeit unserer gesamten Wert-schöpfungsnetzwerke beobachtet werden. Auch, wenn sich alle Krisen im Detail fundamental unterscheiden, haben alle Eines gemeinsam: eine frühzeitige Risiko-bewertung sowie eine gezielte Reaktion sind zur Bewältigung einer Krise notwen-dig. Um dies zu ermöglichen, wird im Forschungsprojekt PAIRS (Privacy-Aware, In-telligent and Resilient CrisiS Management) eine szenariobasierte Krisenmanage-mentplattform entwickelt, in welcher auf Basis von hybriden KI-Methoden Krisen identifiziert und deren Entwicklung antizipiert werden können. Hierfür wurden ver-schiedene Anwendungsfälle erfasst und deren domänenübergreifenden Wechselwirkungen systematisch untersucht.
Crises pose significant short and long-term threats to companies. The research project PAIRS aims to strengthen the resilience of actors in the supply-chain, en-ergy, and healthcare sectors in crisis situations. The basis for this is the newly created potential in data exchange, which is leveraged by combining internal with external (company-)data, e.g. in the GAIA-X network. AI is then the key to iden-tifying the time of the crisis and deriving appropriate actions to deal with it. Therefore, crisis scenarios are generated, and risks are assessed. In this paper, the project fundamentals are discussed. This includes the development of a project definition of the term "crisis", which is based on literature research of various scientific disciplines (e.g. economics or political science), as well as interviews with professional and academic experts from different fields. Moreover, a specif-ic example from the supply-chain domain is introduced to illustrate the process of requirement identification.
Im neu gestarteten Forschungsprojekt ‚STAFFEL‘ soll eine Internetplattform entstehen, die mithilfe von KI-Algorithmen Langstrecken des Straßengüterverkehrs in Teilstrecken
zerlegt. Speditionen können dann die Teilstrecken ihrer Touren über einen Lenkzeiten-Marktplatz an geeignete Frachtführer vermitteln. Am Ende einer Teilstrecke sollen die Trailer durch digitalisierte IoT-Schlösser schlüssellos an den nächsten, ausgeruhten Fahrer übergeben werden. Durch die IoT-Schlösser soll ein sicherer und robuster Übergabeprozess etabliert werden, sodass die Übergabe des Trailers auch speditionsübergreifend gewährleistet werden kann. Zudem sollen weiterführende Services für Fahrer wie Hotelreservierung oder Mautbuchung inkludiert und so der Planungsprozess für die
Fahrer vereinfacht werden.
Um in komplexen Wertschöpfungsnetzwerken und an der Schnittstelle zwischen Kunden und Lieferanten valide, datenbasierte Entscheidungen treffen zu können, muss eine hohe Datenqualität vorliegen. Dabei mangelt es oft an einem Datenqualitätsmanagement (DQM), das den konkreten Anwendungsfall und den überbetrieblichen Austausch berücksichtigt. Wir stellen ein universales Rahmenwerk für das überbetriebliche DQM vor, das Ziele, Prozesse, relevante Daten und Akteure erfasst und den Grundstein für eine ganzheitliche Datenqualitätsstrategie legt.
Obwohl Sprachassistenzsysteme im privaten Alltag immer beliebter werden, finden solche Systeme noch kaum Anwendung in der Industrie. In der Theorie werden diverse Potenziale wie Zeiteinsparungen, verbesserte Ergonomie oder optimierter Informationsfluss durch den industriellen Einsatz von Sprachassistenten erwartet. Jedoch wurde dieser Einsatz im industriellen Kontext noch nicht praxisnah erforscht. Aus diesem Grund wurde im Rahmen des Forschungsprojektes „Smart Speaker“ eine Laborstudie durchgeführt, um den Einsatz von Sprachassistenzsystemen am Beispiel eines Montageprozesses zu untersuchen. Es konnten dabei drei wichtige Faktoren identifiziert werden, die maßgeblich die Nutzungseffizienz eines Sprachassistenzsystems beeinflussen.
Die verarbeitende Industrie in Deutschland steht vor der Transformation von der bisher vorherrschenden ökonomisch orientierten Produktion hin zu einer nachhaltigen Produktion. Durch die Anpassung von Parametern der Produktionsplanung und -steuerung, wie z. B. der Losgröße durch u. a. die Konsolidierung von Transportaufwänden oder geringe Reinigungsaufwände, kann dabei eine nachhaltigere Produktion erreicht werden. Hierfür wurde mittels einer systematischen Methodik ein digitaler Schatten konzeptioniert, der eine nachhaltige Konfiguration von Losgrößen ermöglicht. Dafür erfolgen eine Aggregation von Daten aus verschiedenen Informationssystemen und die Simulation des Verhaltens eines Produktionssystems bei veränderten Losgrößen. Diese ermöglichen eine optimierte Auslegung der Losgröße, basierend auf ökonomischen und ökologischen Zielgrößen.