Refine
Year of publication
Document Type
- Conference Proceeding (12)
- Part of a Book (8)
- Contribution to a Periodical (4)
- Working Paper (3)
- Article (2)
- Book (1)
- Internet Paper (1)
- Report (1)
Is part of the Bibliography
- no (32)
Keywords
- 02 (2)
- Aachener PPS-Modell (1)
- Adaptability (1)
- Anlaufmanagement (1)
- Automobilindustrie (1)
- Beratung (1)
- Big Data (1)
- CPSL (1)
- Change Management (1)
- Change Request (2)
Institute
- Produktionsmanagement (32) (remove)
Künstliche Intelligenz (KI) hat sich über die letzten Jahre stetig zu einem Thema mit strategischer Priorität für Unternehmen entwickelt. Das zeigt sich nicht zuletzt in der gesteigerten Investitionsbereitschaft deutscher Unternehmen in KI-Projekte. Wirtschaftliche Akteure haben erkannt, dass durch eine sinnvolle Nutzung von KI-Technologien Wettbewerbsvorteile erzielt werden können. Die vorliegende Studie legt das Augenmerk auf den industriellen Einsatz einer KI-Technologie, die bereits heute von vielen Unternehmen erfolgreich genutzt wird: Die natürliche Sprachverarbeitung (engl. Natural Language Processing, kurz NLP). Die wirtschaftlichen Potenziale der Technologie liegen dabei in ihrer Fähigkeit, betriebliche Abläufe zu automatisieren und die Schnittstelle zwischen Mensch und Maschine zu verbessern und zu vereinfachen. Ziel der Studie ist es, die Potenziale der NLP-Technologie für Unternehmen nutzbar zu machen, indem konkrete Anwendungsfälle und allgemeine Handlungsempfehlungen sowie Nutzen und Risiken aufgezeigt werden.
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.
Die Verschärfung des Wettbewerbsumfelds produzierender Unternehmen und die als Antwort hierauf in den Fokus rückenden agilen Methoden vergrößern die Bedeutung einer effizienten Handhabung von Änderungsprozessen. Am Beispiel des Maschinen- und Anlagenbauers Ortlinghaus zeigt der Beitrag, dass eine Kombination aus ungeeigneten Änderungsprozessen und mangelhaftem IT-Support in der Praxis oft die schnelle und gleichzeitig qualitätsgesicherte Durchführung von Änderungsprozessen verhindert. Der Zielkonflikt aus geringem Zeitbedarf und hoher Prozessqualität lässt sich durch Anpassungen in der IT-Unterstützung reduzieren. Hierdurch können Erfolgsfaktoren für ein effizientes Änderungsmanagement gehoben und die Problemfelder der Workflowunterstützung, Informationsverteilung und Datenhandhabung verbessert werden. Zentrales Hindernis zur Adressierung der Erfolgsfaktoren stellt die aktuell zur Abwicklung von Change Requests genutzte Arbeitsumgebung dar. Der Beitrag präsentiert hierfür als zentralen Lösungsansatz die Internet of Production Infrastruktur. Das Potenzial der Internet of Production Infrastruktur im Kontext des Änderungsmanagements wird anhand von drei Anwendungsbeispielen verdeutlicht. Abschließend wird der Migrationspfad für Unternehmen bei der Einführung eines effizienten Änderungsmanagements aufgezeigt.
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.
One major problem of today’s producing companies is to reach a high adherence to delivery dates while considering the volatile market situation as well as economic aspects. This problem can only be solved by using a production control that is optimally adapted to the processes. A good working, process-oriented production control is essential for being able to control the production situation and to ensure a high adherence to delivery dates. Data generation and processing determine the success of production control. Current processes and IT systems have several shortcomings in meeting these challenges.
The solution for this problem is the so called “cyber physical production control” (CPPC). It optimally supports the production scheduler in his decision making process based on real-time high-resolution data. With the help of data analytics, the production controller receives decision support over various steps. Due to CPPC, the overall goal of a high adherence to delivery dates can be fundamentally increased.
Künstliche Intelligenz (KI) hat als Technologie in den vergangenen Jahren Marktreife erlangt. Es existiert eine Vielzahl benutzerfreundlicher Produkte und Services, welche die Anwendung von KI im Alltag und im Unternehmen vereinfachen. Die Herausforderung, vor denen Anwendende, gerade im betriebswirtschaftlichen Kontext, stehen, ist nicht die technische Machbarkeit einer KI-Applikation, sondern deren organisatorisch und rechtlich zulässige Gestaltung. Zu einer zunehmenden Dynamik in der Gesetzgebung kommt ein gesellschaftliches Interesse an der Kontrolle und Transparenz über die für KI-Modelle erhobenen Daten. Die Diskussion über Datensouveränität im geschäftlichen und privaten Alltag rückt mehr und mehr in das Zentrum der öffentlichen Aufmerksamkeit.
Datenbasierte KI-Anwendungen stehen damit in einem Spannungsfeld zwischen den Potenzialen, die das Erheben und Teilen von Daten über Unternehmensgrenzen hinweg bietet, und der Herausforderung, die Datensouveränität der involvierten Personen zu wahren. Die vorliegende Studie soll erstens über die Auswirkungen der Datensouveränität und die damit verbundenen aktuellen und kommenden Regularien auf KI-Anwendungsfälle aufklären. Dafür wurden Expertinnen und Experten aus den Bereichen Recht, KI- und Organisationsforschung befragt. Zweitens zeigt die Studie Potenziale und Best Practices von KI-Anwendungsfällen mit überbetrieblichem Datenaustausch auf. Dafür wurden Fallstudien in Unternehmen durchgeführt, die bereits erfolgreich Datenaustausch in ihre Geschäftsmodelle integriert haben, um ihre KI-Applikationen zu betreiben und zu verbessern.
Ziel des Forschungsbereichs "Selbstoptimierende Produktionssysteme" ist es, sowohl technische als auch soziotechnische Produktionssysteme zu entwickeln, die durch Selbstoptimierung eine bessere Performance erreichen, als bei der Auslegung geplant und erwartet werden kann. Im Fokus steht die Steigerung der Produktivität in der Produktion direkt vor Ort. Bedeutend ist die dezentrale Entscheidungsfähigkeit der Mitarbeiter auf dem Shopfloor und in unterstützenden Bereichen, sowie der kognitiven und adaptiven Systeme und Netzwerke in der Produktion.
Ein ständig wachsender Preisdruck und immer individuellere Kundenaufträge sind nur zwei Kennzeichen der industriellen Produktion im europäischen Wirtschaftsraum. Gerade in Deutschland ansässige Unternehmen können im internationalen Wettbewerb in den wenigsten Fällen allein aufgrund des Produktpreises konkurrenzfähig bleiben. Stattdessen bauen diese Unternehmen ihre Wettbewerbsvorteile anderweitig aus und verfolgen vielmehr eine konsequente Kundenorientierung, hohe Logistikleistung oder Prozessbeherrschung. In diesem Umfeld setzten zahlreiche Unternehmen bereits frühzeitig auf eine Reduzierung ihrer Wertschöpfungstiefe und verlagerten verschiedene Entwicklungs- oder Produktionsschritte auf andere Unternehmen mit komplementären Kompetenzen. Damit rückte die überbetriebliche Zusammenarbeit bzw. Koordination der Auftragsabwicklung entlang einer mehrstufigen Lieferkette oder innerhalb eines polyzentrischen Unternehmensnetzwerks zunehmend in den Mittelpunkt betrieblicher Anstrengungen. So gilt es also heute, in Netzwerkstrukturen zu denken, diese ganzheitlich zu gestalten und effizient zu organisieren. Der Beitrag konkretisiert am Beispiel des Aachener PPS-Modells geeignete Referenzmodelle und zeigt Entwicklungspfade einer wertorientierten Logistikgestaltung auf.
Eine wesentliche Bedingung zur Optimierung der Wertschöpfungsprozesse ist die Transparenz über die leistungsbestimmenden Faktoren eines Unternehmens. Die Ermittlung dieser Faktoren stellt für viele Industriebetriebe eine Herausforderung dar. Im Rahmen der Veröffentlichung wird daher eine Vorgehensweise zur systematischen Identifikation von Einflussfaktoren der Unternehmenskennzahlen vorgestellt, welche die Grundlage zur Ableitung von individuellen Stellhebeln zur Steigerung der Unternehmensleistungsfähigkeit darstellt.