Refine
Document Type
- Contribution to a Periodical (9)
- Conference Proceeding (4)
- Part of a Book (2)
- Working Paper (2)
- Article (1)
- doctorallecture (1)
- Doctoral Thesis (1)
- Report (1)
Language
- German (14)
- English (6)
- Multiple languages (1)
Is part of the Bibliography
- no (21) (remove)
Keywords
- 02 (1)
- 3-Phasen-Konzept (1)
- Agil (1)
- Artificial intelligence (1)
- Auswahl von IT-Systemen (1)
- Business Software (1)
- Data Lakes (1)
- Datenintegration (1)
- Decision Support System (1)
- Deviation detection (1)
Institute
- FIR e. V. an der RWTH Aachen (21) (remove)
Industrie-4.0-Technologien können dazu beitragen, die deutlich ge-steigerte Daten- und Informationsverfügbarkeit während des Produk-tionsprozesses gezielt zu verwerten und den Austausch zwischen pro-duzierenden Unternehmen und Logistikdienstleistern für effiziente und nachhaltige Lieferketten zu fördern. Im Projekt 'SynLApp' wird hierzu ein webbasiertes Assistenzsystem konzipiert, das Prognosen innerhalb der Lieferketten ermöglicht. Dieser Beitrag zeigt aktuelle Rechercheergebnisse zu bestehenden Methoden und Best Practices hinsichtlich der unternehmensübergreifenden Synchronisierung und beschreibt das Projektvorgehen und den Ansatz einer technischen Umsetzung via Simulation.
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.
Die sich ständig ändernden Kundenanforderungen sorgen für eine immer komplexere und dynamischer werdende Produktionsumgebung. In diesem Umfeld ist es die Aufgabe der Produktionssteuerung, die Erfüllung der Nachfrage des Kunden in der richtigen Qualität zum richtigen Zeitpunkt und mit möglichst geringen Kosten sicherzustellen. Abweichungen vom Soll-Zustand sollen dabei im Rahmen des Störungsmanagements möglichst früh erkannt und schnell durch die Wahl der richtigen Gegenmaßnahme beseitigt werden. In der Praxis stehen dem Entscheider dafür jedoch nur selten entsprechende Tools zur Verfügung, sodass Entscheidungen häufig auf Basis der Erfahrung der Mitarbeiter getroffen werden. Daher wird im Folgenden ein Referenzmodell für die Entwicklung eines Decision-Support-Systems, das eine schnelle Erkennung potenzieller Störungen und eine datenbasierte Entscheidung bezüglich einzuleitender Gegenmaßnahmen ermöglicht, vorgestellt.
Task-Specific Decision Support Systems in Multi-Level Production Systems based on the digital shadow
(2019)
Due to the increasing spread of Information and Communication Technologies (ICT) suitable for shop floors, the production environment can more easily be digitally connected to the various decision making levels of a production system. This connectivity as well as an increasing availability of high-resolution feedback data, can be used for decision support for all levels of the company and supply chain. To enable data driven decision support, different data sources were structured and linked. The data was combined in task-specific digital shadows, selecting clustering and aggregation rules to gain information. Visual interfaces for task-specific decision support systems (DSS) were developed and evaluated positively by domain experts. The complexity of decision making on different levels was successfully reduced as an effect of the processed amounts of data. These interfaces support decision making, but can additionally be improved if DSS are extended with smart agents as proposed in the Internet of Production.
Im vorliegenden Positionspapier wird das Konzept einer Produktionsregelung beschrieben. Zunächst wird der Begriff der Produktionsregelung erläutert. Durch die kontinuierliche Erfassung und Überwachung des Ist-Zustands und den Abgleich mit den Soll-Werten werden Anpassungen am Produktionssystem möglich.
Zur erfolgreichen Einführung dieses Konzepts sind zwei Dimensionen in folgenden vier Handlungsfeldern zu entwickeln:
• Hochauflösende Auftragsüberwachung,
• datengestützte Produktionssteuerung,
• Production-Analytics,
• Produktionsregelung.
Für produzierende Unternehmen ergeben sich hieraus folgende Vorteile:
• Höhere Transparenz über betriebliche Abläufe
auf dem Shopfloor,
• Erhöhung der Reaktionsfähigkeit (geringe Reaktionszeit, bessere Lösungsqualität) der Fertigungssteuerung,
• Steigerung der Stamm- und Plandatenqualität durch kontinuierlichen Abgleich,
• Steigerung der logistischen Leistungsfähigkeit des Produktionssystems.
Towards the Generation of Setup Matrices from Route Sheets and Feedback Data with Data Analytics
(2018)
The function or department of production control in manufacturing companies deals with short-term scheduling of orders and the management of deviations during order execution. Depending on the equipment and characteristics of orders, sequence dependent setup times might occur. In these cases for companies that focus on high utilization of their assets due to long phases of ramp up and high energy costs, it might be optimal to choose sequences with minimal setup time times between orders. Identifying such sequences requires detailed and correct information regarding the specific setup times. With increasing product variety and shorter lot sizes, it becomes more difficult and rather time intense to determine these values manually. One approach is to analyse the relevant features of the orders described in the route sheets or recipes to find similarities in materials and required tools. This paper presents a methodology, which supports setup optimized sequencing for sequence dependent setup times through constructing the setup matrix from such route sheets with the use of data analytics.
Im Rahmen der digitalen Transformation und der damit verbundenen Gestaltung digitaler und durchgängiger Prozesse müssen Unternehmen häufig neue Business-Software auswählen und beschaffen. Sie modernisieren hierbei ihre in die Jahre gekommene Software oder führen eine zusätzliche ein. Häufig erfolgen Auswahl und Beschaffung mittels klassischer Projektmanagementmethoden, die im Kontrast zu den agilen Methoden während der Implementierung stehen. Dieser Beitrag zeigt, wie agile Methoden schon in der Auswahl genutzt werden, um einerseits den Einstieg in die Implementierung zu erleichtern und andererseits aktives, nutzerzentriertes Change-Management von der Auswahl bis zum Einsatz der Software ermöglichen. Sie sind daher von Beginn an ein wichtiger Baustein zur Sicherung des Projekterfolgs.
In short-term production management of the Internet of Production (IoP) the vision of a Production Control Center is pursued, in which interlinked decision-support applications contribute to increasing decision-making quality and speed. The applications developed focus in particular on use cases near the shop floor with an emphasis on the key topics of production planning and control, production system configuration, and quality control loops.
Within the Predictive Quality application, predictive models are used to derive insights from production data and subsequently improve the process- and product-related quality as well as enable automated Root Cause Analysis. The Parameter Prediction application uses invertible neural networks to predict process parameters that can be used to produce components with desired quality properties. The application Production Scheduling investigates the feasibility of applying reinforcement learning to common scheduling tasks in production and compares the performance of trained reinforcement learning agents to traditional methods. In the two applications Deviation Detection and Process Analyzer, the potentials of process mining in the context of production management are investigated. While the Deviation Detection application is designed to identify and mitigate performance and compliance deviations in production systems, the Process Analyzer concept enables the semi-automated detection of weaknesses in business and production processes utilizing event logs.
With regard to the overall vision of the IoP, the developed applications contribute significantly to the intended interdisciplinary of production and information technology. For example, application-specific digital shadows are drafted based on the ongoing research work, and the applications are prototypically embedded in the IoP.
The shop floor is a dynamic environment, where deviations to the production plan frequently occur. While there are many tools to support production planning, production control is left unsupported in handling disruptions. The production controller evaluates the deviations and selects the most suitable countermeasures based on his experience. The transparency should be increased in order to improve the decision quality of the production controller by providing meaningful information during his decision process. In this paper, we propose a framework in which an interactive production control system supports the controller in the identification of and reaction to disturbances on the shop floor. At the same time, the system is being improved and updated by the domain knowledge of the controller. The reference architecture consists of three main parts. The first part is the process mining platform, the second part is the machine learning subsystem that consists of a part for the classification of the disturbances and one part for recommending countermeasures to identified disturbances. The third part is the interactive user interface. Integrating the user’s feedback will enable an adaptation to the constantly changing constraints of production control. As an outlook for a technical realization, the design of the user interface and the way of interaction is presented. For the evaluation of our framework, we will use simulated event data of a sample production line. The implementation and test should result in higher production performance by reducing the downtime of the production and increase in its productivity.
Die digitale Vernetzung der Wirtschaft, insbesondere im Hinblick auf hochtransparente Informationsflüsse durch betriebliche Anwendungssysteme, schreitet stetig voran. Dabei stehen die Unternehmen bei der Bewertung der bestehenden produktionsnahen IT-Infrastruktur und der Auswahl eines zur Produktionsumgebung passenden ME-Systems vor einer komplexen, aber nicht unlösbaren Herausforderung. Die Einführung der richtigen Software hat dabei nicht nur Auswirkungen auf den Produktionsprozess, sondern auch auf Themen wie die Feinplanung, das Instandhaltungs- sowie das fertigungsbegleitende Qualitätsmanagement. Um die dabei entstehenden Investitionskosten und Wartungs- bzw. Betreuungskosten sowie den internen Personalaufwand für die Auswahl und die nachfolgende Implementierung gering zu halten, benötigen Unternehmen eine gezielte Vorgehensweise. Die Experten
des FIR helfen dabei, das passende System auszuwählen.