Refine
Year of publication
Document Type
- Part of a Book (25) (remove)
Is part of the Bibliography
- no (25)
Keywords
- 02 (5)
- Aachener PPS-Modell (1)
- Adaptability (1)
- Arbeit 4.0 (1)
- Arbeitsgestaltung (1)
- Business-Ecosystems (1)
- Cluster Smart Logistik (1)
- Co-Creation (1)
- Customer-Success-Management (1)
- Cyber physical production control (1)
Institute
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.
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.
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.
This research area focuses on the management systems and principles of a production system. It aims at controlling the complex interplay of heterogeneous processes in a highly dynamic environment, with special focus on individualized products in high-wage countries. The project addresses the comprehensive application of self-optimizing principles on all levels of the value chain. This implies the integration of self-optimizing control loops on cell level, with those addressing the production planning and control as well as supply chain and quality management aspects. A specific focus is on the consideration of human decisions during the production process. To establish socio-technical control loops, it is necessary to understand how human decisions are made in diffuse working processes as well as how cognitive and affective abilities form the human factor within production processes.
Die Vernetzung von Mitarbeiter*innen und Maschinen sowie die zunehmende Automatisierung, auch von Wissensarbeit, wird die Rolle der Beschäftigten im industriellen Wertschöpfungsprozess fundamental verändern. Aus diesem Grund ist arbeitsbezogene Kompetenzentwicklung aus wirtschaftlicher, gesellschaftlicher sowie sozialer Perspektive ein zentraler Schlüsselaspekt für die mittelfristige Sicherung der Wettbewerbsfähigkeit. Personalabteilungen haben bislang jedoch meist nur bedingt Kenntnisse über die bevorstehenden Veränderungen und die sich daraus ergebenden Kompetenzanforderungen an die Mitarbeiter*innen. Ziel des Forschungsvorhabens LidA war es, die sich aufgrund der fortschreitenden Digitalisierung verändernden Kompetenzanforderungen entlang definierter Industrie-4.0-Reifegradmodelle zu spezifizieren. Hierzu wurden Beschäftigte befähigt, indem zum einen ihre Selbstlernkompetenz gefördert wurde und zum anderen individuelle Lernpfade abgeleitet worden sind. Anschließend wurden diese mit passender Didaktik in Lehr- und Lernmodule überführt und auf einer bewährten Open-Source-Plattform für eine breite Nutzergruppe verfügbar gemacht. Diese soll einem breiten Nutzerkreis, speziell KMU, eine bedarfsgerechte Schulung der Mitarbeiter*innen im Zeitalter des digitalen Wandels gewährleisten.
Long-term production management defines the future production structure and ensures the long-term competitiveness. Companies around the world currently have to deal with the challenge of making decisions in an uncertain and rapidly changing environment. The quality of decision-making suffers from the rapidly changing global market requirements and the uniqueness and infrequency with which decisions are made. Since decisions in long-term production management can rarely be reversed and are associated with high costs, an increase in decision quality is urgently needed. To this end, four different applications are presented in the following, which support the decision process by increasing decision quality and make uncertainty manageable. For each of the applications presented, a separate digital shadow was built with the objective of being able to make better decisions from existing data from production and the environment. In addition, a linking of the applications is being pursued:
The Best Practice Sharing App creates transparency about existing production knowledge through the data-based identification of comparable production processes in the production network and helps to share best practices between sites. With the Supply Chain Cockpit, resilience can be increased through a data-based design of the procurement strategy that enables to manage disruptions. By adapting the procurement strategy for example by choosing suppliers at different locations the impact of disruptions can be reduced. While the Supply Chain Cockpit focuses on the strategy and decisions that affect the external partners (e.g., suppliers), the Data-Driven Site Selection concentrates on determining the sites of the company-internal global production network by creating transparency in the decision process of site selections. Different external data from various sources are analyzed and visualized in an appropriate way to support the decision process. Finally, the issue of sustainability is also crucial for successful long-term production management. Thus, the Sustainable Footprint Design App presents an approach that takes into account key sustainability indicators for network design. [https://link.springer.com/referenceworkentry/10.1007/978-3-030-98062-7_15-1]
Vor dem Hintergrund zunehmend komplexer und vernetzter Wertschöpfungsnetzwerke und in Zeiten sich ständig verändernder Rahmenbedingungen steigt für Unternehmen die Bedeutung einer resilienten Gestaltung ihrer Wertschöpfungsnetzwerke. Durch die hohe Vernetzung in einem Wertschöpfungsnetzwerk entsteht eine starke Abhängigkeit zwischen den einzelnen Akteuren. Störungen haben somit häufig nicht nur Auswirkungen auf einzelne Unternehmen, sondern betreffen verschiedene Akteure der Wertschöpfungsnetzwerke. Tritt nun eine Störung auf, kann sich diese im gesamten Netzwerk ausbreiten. Erst der konkrete Eintritt solcher Störungen im großen Umfang – wie zuletzt im Zuge der Corona-Pandemie oder der Blockierung des Suez-Kanals – führt Unternehmen regelmäßig dazu, sich mit ihren Wertschöpfungsnetzwerken auseinander zu setzen. Eine Möglichkeit zur Sicherung der Leistungsfähigkeit in einem volatilen Umfeld stellt der Aufbau von Resilienz dar. Insgesamt ist es hierbei das Ziel, Wertschöpfungsnetzwerke so zu gestalten, dass sie im Falle einer Störung möglichst wenig beeinträchtigt sind und schnell in den ursprünglichen oder einen besseren Zustand zurückkehren können.
Europa als erster klimaneutraler Kontinent bis 2050 – unter diesem ambitionierten Ziel treibt die Europäische Union eines der größten Transformationsprogramme dieses Jahrhunderts voran. Das Leben und die Gesellschaft wie sie heute existiert, werden in allen Bereichen signifikanten Musterwechseln unterliegen. Von zentraler Bedeutung bei dieser Transformation wird die Mobilität von Personen und Gütern sein. Eine Reduktion von 90 % der Treibhausgasemissionen soll in weniger als drei Dekaden realisiert werden. Insbesondere im Bereich der Urbanen Logistik ist ein nahtloses Zusammenspiel der verschiedensten Akteure, unterstützt durch neuartige digitale und physische Infrastrukturen, notwendig, um eine nachhaltige Zielerreichung bei mindestens konstantem Serviceniveau sicherzustellen. Cross-industrielle Ansätze, die über das Zusammenspiel von komplementären Lösungsbausteinen Co-Creation ermöglichen, werden zum zentralen Wettbewerbsvorteil für alle Akteure. Die Gestaltung von Business Ecosystems rückt deshalb zunehmend in den Fokus und wird aufgrund des enormen Potenzials für die Urbane Logistik in diesem Beitrag beleuchtet.
Anwendungsfälle wie intelligente Routenoptimierung und fortschrittliche Simulationsalgorithmen repräsentieren das riesige Einsatzspektrum von Methoden der künstlichen Intelligenz. Steigende Anforderungen an Liefertermintreue, Flexibilität und Transparenz wie bspw. Emissionsverfolgung, erfordern zunehmend den Einsatz von KI. Die Nutzung dieser Schlüsseltechnologie und die Hebung der Potenziale scheitern oft an der Komplexität in Bezug auf die Eingrenzung und Identifikation von wirtschaftlich relevanten Anwendungsfällen. Unternehmen müssen den Business Fit zwischen den wirtschaftlichen Erfolgsaussichten und den dafür benötigten digitalen Bausteinen herstellen. Mit dem Digital-Architecture Management lassen sich die relevanten KI-basierten Anwendungsfälle identifizieren und eine Roadmap aufbauen, um die datenbasierte Entscheidungsfähigkeit in der Logistik zu verbessern.
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.