Refine
Document Type
- Book (1)
- Part of a Book (3)
- Conference Proceeding (4)
- Contribution to a Periodical (12)
- Lecture (1)
- Internet Paper (1)
- Report (2)
- Working Paper (6)
Language
- German (22)
- English (5)
- Multiple languages (3)
Is part of the Bibliography
- no (30)
Keywords
- 01 (2)
- 02 (5)
- 03 (1)
- Anomaly detection (1)
- Auftragsabwicklung (1)
- Blockchain (1)
- CPSL (1)
- Crisis management (1)
- DaFuER (4)
- Data Quality (1)
- Data set (1)
- Daten (1)
- Datenanalyse (1)
- Datenaustausch (1)
- Datenauswertung (1)
- Datenfusion (5)
- Datengestützt (1)
- Datenqualität (3)
- Datenräume (1)
- Datensouveränität (2)
- Deviation identification strategies (1)
- Digitalisierung (1)
- EPCIS (2)
- End-2-End-Transparenz (1)
- Entscheidungsfusion (1)
- Event Data (1)
- FIR-Leitfaden (1)
- Fallstudien (1)
- GAIA-X (1)
- Humanitarian logistics (1)
- Incorrect Data (1)
- Industrie 4.0 (1)
- Insufficient Data (1)
- KI (1)
- Knowledge representation (1)
- Konferenz (1)
- Kongress (1)
- Krisen (1)
- Krisenmanagement (1)
- Künstliche Intelligenz (1)
- Lieferkette (1)
- Marktspiegel (1)
- Marktübersicht (1)
- Operations planning (1)
- PPC (1)
- Process-Mining (1)
- Production Planning (1)
- Produktionsprozess (1)
- Prozessanalyse (1)
- Reifegradmodell (2)
- Resilienz (1)
- Resource deployment (1)
- Risiko-Assessment (1)
- Risikomanagement (2)
- Rückmeldedaten (2)
- SCEM (1)
- SCM (3)
- SV7291 (1)
- SV7315 (1)
- Scenario pattern (1)
- Scenario technique (1)
- Software (2)
- Studie (2)
- Supply Chain Event Management (2)
- Supply Chain Management (1)
- Supply chain (1)
- Supply chain event management (1)
- Supply chain management (2)
- Supply-Chain (1)
- Supply-Chain-Design (1)
- Supply-Chain-Event-Management (1)
- Supply-Chain-Management (9)
- Supply-Chain-Partner (1)
- Supply-Chain-Risiko-Management (1)
- Supply-Chain-Risk-Management (1)
- Technologieauswahl (1)
- Tracking & Tracing (2)
- Typification (1)
- U1032 (1)
- URANOS-X (1)
- Vorgehen (1)
- betriebliche Rückmeldedaten (1)
- betriebliche Rückmeldung (1)
- incorrect data (1)
- rev (4)
- unternehmensübergreifender Datenaustausch (1)
Institute
- FIR e. V. an der RWTH Aachen (30) (remove)
Produzierende Unternehmen sind heutzutage aufgrund zunehmender Konkurrenz aus Niedriglohnländern und eines schrumpfenden Technologievorsprungs einem enormen Kostendruck ausgesetzt, sodass Konzepte zur Steigerung der Produktivität erforderlich werden. Diese Konzepte sind vor allem auf die Optimierung innerbetrieblicher Abläufe auf Basis von Rückmeldedaten ausgerichtet. Eine notwendige Bedingung für das Ausschöpfen datenbasierter Wertschöpfungspotenziale ist eine konsistente und widerspruchsfreie Datenbasis. Mit dem Forschungsprojekt „Anwendung der Datenfusion bei der Erfassung und Speicherung betrieblicher Rückmeldedaten (DaFuER)“ wird demgemäß das Ziel verfolgt, die Erhöhung der Datenqualität von betrieblichen Rückmeldedaten durch die Anwendung von Methoden der Datenfusion zu ermöglichen.
Als Ergebnis des Forschungsprojekts wird in diesem Leitfaden eine Methode zur anwendungsfallspezifischen Ableitung geeigneter Methoden der Datenfusion dargelegt. Zunächst erfolgt die Definition des Anwendungsfalls. Dabei wird zur Ermittlung relevanter Informationsbedarfe den Anwendenden der Methodik eine Übersicht bereitgestellt, welche die verschiedenen für die Produktionsplanung und steuerung benötigten Informationen enthält. Außerdem werden Datenquellen anhand der Art der Datenerfassung klassifiziert. Diese Klassifikation ist die Grundlage für die Identifikation der im jeweiligen Anwendungsfall zur Verfügung stehenden Datenquellen.
Im Folgenden werden aus den verfügbaren Datenquellen diejenigen ermittelt, welche fusioniert werden sollen. Dazu wurde eine tabellarische Übersicht erstellt, mit Hilfe derer Datenquellen den Informationen zugeordnet werden, die sie bereitstellen. Weiterhin werden diese Datenquellen hinsichtlich ihrer Datenqualität auf Basis ausgewählter Qualitätsmerkmale bewertet. Für eine benötigte Information wählen die Anwendenden aus den ihnen zur Verfügung stehenden Datenquellen diejenigen zur Fusion aus, welche den Informationsbedarf decken und sich hinsichtlich der Erfüllung der Qualitätsmerkmale komplementieren.
Zuletzt wird eine für den konkreten Anwendungsfall geeignete Fusionsmethode der ausgewählten Datenquellen bestimmt. Grundlage dafür ist eine morphologische Untersuchung von Datenquellen. Durch eine Clusteranalyse möglicher Fehlerarten in Abhängigkeit der Kombination von verschiedenen morphologischen Merkmalsausprägungen werden prozesstypische Fehler der Datenfusion abgeleitet. Somit ist man in der Lage, anhand der ausgewählten Datenquellen die spezifischen Herausforderungen bei der Datenfusion zu identifizieren. Für die finale Auswahl einer für den Anwendungsfall geeigneten Datenfusionsmethode wurden für die ermittelten Prozessfehler die jeweiligen Eignungen der verschiedenen Methoden bewertet. Auf Grundlage dieser Bewertung wählen die Anwendenden schlussendlich diejenige Methode aus, die für die von ihnen identifizierten Herausforderungen am besten geeignet ist.
DaFuER - Anwendung der Datenfusion bei der Erfassung und Speicherung
betrieblicher Rückmeldedaten
(2021)
Zentrale Herausforderung der Globalisierung und Digitalisierung für produzierende Unternehmen in Deutschland sind steigende Kundenanforderungen nach individuelleren Produkten bei gleichzeitig stetig kürzer werdenden Lieferzeiten. Insbesondere für kleine und mittlere Unternehmen steigt der Kosten- und Innovationsdruck durch wachsende Konkurrenz aus Niedriglohnländern und einen schrumpfen-den Technologievorsprung. Aus diesen Herausforderungen entsteht die Anforderung einer echtzeitfähigen und effizienten Produktionsplanung und -steuerung, die eine fundierte und kurzfristige Entscheidungsfindung erlaubt. Grundlage für eine leistungsstarke Produktionsplanung und -steuerung ist eine hohe Informationsverfügbarkeit. Das allein ist jedoch keine hinreichende Bedingung für eine effiziente Produktionsplanung und -steuerung, da nur bei einer ausreichenden Datenqualität eine zuverlässige Entscheidungsfindung möglich ist. Ferner bieten die zunehmende Digitalisierung und Vernetzung steigendes Nutzenpotenzial für datenbasierte Wertschöpfung, was die Relevanz einer hohen Datenqualität zusätzlich verstärkt. Zentrale Herausforderung der Steigerung der Datenqualität sind die Investitionskosten der Implementierung von entsprechenden Maßnahmen. Dabei zeichnen sich kleine und mittlere Unternehmen (KMU) insbesondere durch eine beschränkte Investitionsfähigkeit aus.
Auf die Erhöhung der Datenqualität eines aggregierten Datensatzes zielt die Datenfusion durch Kombination verschiedener Datenquellen ab. Die unterschiedlichsten Methoden der Datenfusion werden bereits seit längerem in nicht produktionsnahen Bereichen an-gewendet. Das Forschungsprojekt „DaFuER“ unterstützt bei dem Transfer der Methoden in das Produktionsumfeld. Hierbei werden vor allem kleine und mittlere Unternehmen bei der Optimierung ihrer Datenqualität angeleitet, indem eine transparente Entscheidungsunterstützung u. a. durch einen Leitfaden zur Datenfusion und ein Online-Tool ermöglicht wird.
Das Projekt ‚EDI-Multiply‘ ist der Beitrag des FIR an der RWTH Aachen und des Centers Integrated Business Applications im Cluster Smart Logistik auf dem RWTH Aachen Campus im EU-Projekt ‚MARKET4.0‘, das auf dem quelloffenen SCSN Kommunikationsstandard aufbaut. Ziel dieses Teilvorhabens ist es, einen Multiplikatoreffekt hinsichtlich potenzieller Geschäftsverbindungen zu erzielen. Anstatt einzelne Unternehmen direkt an die MARKET4.0-Plattform anzubinden, adressiert dieser Ansatz ganze Plattformen und ERP-Systeme. Mit der Anbindung des Konsortialpartners myOpenFactory Software GmbH beispielsweise erhalten über 1 300 Unternehmen der Fertigungsindustrie „auf einen Schlag“ die Möglichkeit, mit einer Vielzahl potenzieller Geschäftspartner elektronisch Daten auszutauschen. MARKET4.0 stellt hierbei die entsprechende E-Commerce-Plattform für den Verkauf und die Bereitstellung komplexer Industrieanlagen dar.
Mit dem Forschungsprojekt ‚DaFuER‘ sollten, mit Blick auf betriebliche Rückmeldedaten, Methoden der Datenfusion zur Steigerung der Datenqualität unter die Lupe genommen werden. Lesen Sie hier die wichtigsten Ergebnisse, die am Anwendungsfall in der Demonstrationsfabrik Aachen veranschaulicht werden.
Besonders in Krisenzeiten haben sich souveräne Lieferketten als essenziell herausgestellt, um systemrelevante Prozesse störungsfrei gewährleisten zu können. Allerdings ähnelt keine Krise der anderen. Hochwasser oder eine Wirtschaftskrise unterscheiden sich signifikant von einer Pandemie, sodass hier verschiedene politische, aber auch wirtschaftliche Maßnahmen der beteiligten Akteure gefordert sind. Dennoch haben Krisen eines gemein: Die frühzeitige Risikobewertung sowie das gezielte Agieren sind zur Bewältigung einer Krise notwendig.
Im Forschungsprojekt ‚PAIRS (Privacy Aware, Intelligent and Resilient CrisiS Management)‘ wurde ein domänenübergreifender Ansatz gewählt, um auf Basis einer hybriden KI-Methodik Krisenszenarien identifizieren und deren Entwicklung antizipieren zu können. Zusätzlich unterstützt die angestrebte servicebasierte Plattform die Akteure bei der Krisenfrühwarnung, dem Krisenmonitoring und der Bewertung von Reaktionsstrategien. Dadurch werden sie in die Lage versetzt, schnell auf Krisensituationen zu reagieren und Maßnahmen einzuleiten, um so negative Wirkungen zu minimieren. Gleichzeitig ermöglicht der Plattformansatz den Zugang zu diversen und verteilten Datenquellen sowie die Interaktion und Kooperation zwischen verschiedenen Services.
Schwerwiegende Gesundheits- und Wirtschaftskrisen wie die Weltfinanzkrise (ab 2007) oder die Covid-19-Pandemie im Jahr 2020 haben aufgezeigt, in welch turbulentem Umfeld sich die globalisierte Welt heutzutage befindet und wie schnell gewohnte Abläufe in Wertschöpfungsketten unterbrochen und angepasst werden müssen. Die alltäglichen Anforderungen in dem sich immer schneller wandelnden digitalen Zeitalter wachsen stetig und sind komplexer denn je.
Unternehmen sind angehalten, immer kurzzyklischer auf sich ändernde
Bedingungen und Störungen zu reagieren und strategische Entscheidüngen
zur Gestaltung von Wertschöpfungsketten zu treffen. Nur mithilfe
einer umfassenden Datengrundlage und -kommunikation kann die strategische Planung der Supply-Chain effektiv erfolgen und somit die benötigte Robustheit und Agilität ermöglicht werden.
Due to shorter product life cycles and the increasing internationalization of competition, companies are confronted with increasing complexity in supply chain management. Event-based systems are used to reduce this complexity and to support employees' decisions. Such event-based systems include tracking & tracing systems on the one hand and supply chain event management on the other. Tracking & tracing systems only have the functions of monitoring and reporting deviations, whereas supply chain event management systems also function as simulation, control, and measurement. The central element connecting these systems is the event. It forms the information basis for mapping and matching the process sequences in the event-based systems. The events received from the supply chain partner form the basis for all downstream steps and must, therefore, contain the correct data. Since the data quality is insufficient in numerous use cases and incorrect data in supply chain event management is not considered in the literature, this paper deals with the description and typification of incorrect event data. Based on a systematic literature review, typical sources of errors in the acquisition and transmission of event data are discussed. The results are then applied to event data so that a typification of incorrect event types is possible. The results help to significantly improve event-based systems for use in practice by preventing incorrect reactions through the detection of incorrect event data.
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.
Um auf steigende Kundenanforderungen und das sich änderndes Unternehmensumfeld reagieren zu können, müssen Unternehmen ihre Agilität und Reaktionsfähigkeit, insbesondere in Produktionsprozessen, erhöhen. Dafür müssen die Auswirkungen der möglichen Änderungen im Unternehmensumfeld auf die eigenen Geschäfts- und Produktionsprozesse untersucht und verstanden werden. Das Prozessverständnis allein reicht jedoch nicht: Es werden Daten aus unterschiedlichen Quellen benötigt, um die Ereignisse in der Prozess- und Lieferketten nachzuverfolgen, um das Material eindeutig zu charakterisieren und in Unternehmen vorhandene Algorithmen oder Modelle mit Eingangsdaten zu versorgen. Daher spielt die Datenverfügbarkeit eine wichtige Rolle auf dem Weg zur adaptiven Produktion. In diesem Beitrag wird die Wichtigkeit der Datenverfügbarkeit erläutert sowie ein Konzept der Datenplattform zum sicheren, überbetrieblichen Datenaustausch vorgestellt.