Refine
Document Type
- Article (1)
- Part of a Book (2)
- Conference Proceeding (4)
- Contribution to a Periodical (9)
- doctorallecture (1)
- Doctoral Thesis (1)
- Report (1)
- Working Paper (2)
Language
- German (14)
- English (6)
- Multiple languages (1)
Is part of the Bibliography
- no (21)
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
Deutschland als Produktionsstandort befindet sich in einem revolutionären Wandel und sieht sich mit komplexen Anforderungen konfrontiert. Neben kurzen Lieferzeiten und günstigen Preisen fordert der Markt ständig differenziertere und qualitativ hochwertigere Produkte. Gleichzeitig steigt die Marktdynamik aufgrund der starken Kundenorientierung und der damit verbundenen Auftragsschwankungen. Dadurch nimmt die Komplexität von Koordination, Planung und Steuerung der betrieblichen Abläufe zu, wodurch Unternehmen oftmals an ihre Grenzen stoßen. Um den Kundenanforderungen dennoch gerecht zu werden, sehen Unternehmen die Digitalisierung als einen entscheidenden Faktor für den Unternehmenserfolg an. Jedoch stehen die Unternehmen vor der Herausforderung, jene im Rahmen von Industrie 4.0 erfolgreich in ihrem Unternehmen umzusetzen.
Manufacturing-Execution-Systeme (MES) bieten durch ihren Funktionsumfang eine gute Möglichkeit, die Digitalisierung des eigenen Produktionsbetriebes voranzutreiben. Die Auswahl, Beschaffung und Einführung von IT-Systemen stellen Unternehmen meist vor große Herausforderungen. In diesem Beitrag werden anhand des 3Phasen-Konzepts Herausforderungen sowohl in zeitlicher Abfolge als auch in Handlungsfelder strukturiert und beschrieben. Ziel ist es, Unternehmen zu befähigen, eine optimale Auswahl durchzuführen, um eine reibungslose und risikoarme Implementierung durchzuführen.
Unternehmen sind mit einem zunehmend dynamischen Marktumfeld und komplexen Wertschöpfungsbeziehungen konfrontiert. Von besonderer Bedeutung ist die Sicherstellung effizienter und flexibler Prozesse und Abläufe entlang der gesamten Supply-Chain. Gerade im zwischenbetrieblichen Kontext müssen Entscheidungen möglichst schnell und richtig getroffen werden. Die Grundlagen für eine optimierte Entscheidungsfindung stellen die durchgängige Erfassung, Aufbereitung und gezielte Bereitstellung von Daten dar. Derzeit mangelt es innerhalb der Supply-Chains jedoch oft an der notwendigen Transparenz. In diesem Beitrag wird ein Konzept für ein Assistenzsystem zur Entscheidungsunterstützung auf Supply-Chain-Ebene vorgestellt.
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 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.
Aktuell ist noch nicht geklärt, wie sich das Zusammenwirken von Menschen und betrieblichen Anwendungssystemen bei der Bearbeitung der Aufgaben der PPS nach der Umsetzung von Industrie 4.0 entwickelt. Zur Systematisierung der Auswirkungen von Industrie 4.0 auf die PPS werden in diesem Beitrag die sechs Reifegradstufen des acatech Industrie-4.0-Maturity-Index mit der Aufgabensicht des Aachener PPS-Modells kombiniert und die Reifegradstufen für ausgewählte Unteraufgaben der PPS spezifiziert.
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.
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.
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.
The Impact Of Manufacturing Execution Systems On The Digital Transformation Of Production Systems
(2021)
With the focus of manufacturing companies on the digital transformation, Manufacturing Execution Systems are market-ready, modular software solutions for manufacturing companies to integrate the value-adding and supporting processes horizontal and vertical in the company. Companies, especially small and mediumsized companies, face high internal and external costs for the implementation of the MES modules. An advantage of MES is the possibility to implement the systems in a continually, module-by-module approach, with the benefit of timely distributed investments. By realizing fast improvements, companies can use the benefits for further module implementations. This paper proposes a maturity model to measure the impact of an MES on the digital transformation of the company’s production systems. The model fulfils two purposes. The first, companies can measure the impact based on the difference between its current maturity index and the potential index of an implemented MES. The second is, the user can identify what impact an MES has in general on the digital transformation since the developed maturity model is derived from an established industry 4.0 maturity model. The development of the maturity model is based on the methodologies of AKKASOGLU and focuses on the further development of an established model. As an outlook, the application of the model will be described briefly. The proposed maturity model can directly be used by practitioners and offers implications for further development of MES functionalities.