Refine
Document Type
- Conference Proceeding (3)
- Contribution to a Periodical (8)
- Internet Paper (2)
- Report (2)
- Working Paper (3)
Is part of the Bibliography
- no (18)
Keywords
- Adherence To Delivery Dates (1)
- Assembly (1)
- Assistance Systems (1)
- Auftragsabwicklung (1)
- Auswahl von IT-Systemen (1)
- Datenqualität (3)
- Decision Support (2)
- Deviation Detection (1)
- Discrete Event Simulation (1)
- Disruption Management (1)
- Disturbance Management (1)
- ERP-Innovation-Lab (1)
- ERP-Systeme (1)
- Echtzeitfähige Systeme (1)
- EkuPro (1)
- Energieeffizienz (1)
- Entscheidungsunterstützung (3)
- Geschäftsmodelle (1)
- Implementierung (1)
- Innovation-Lab (1)
- Integration erneuerbarer Energien (1)
- KI (1)
- KMU (1)
- Künstliche Intelligenz (2)
- MES (1)
- Machine Learning (1)
- Mixed-Model Assembly (1)
- Natural-Language-Processing (1)
- PPS (1)
- Process-Mining (4)
- Production Control (2)
- Produktionsplanung (1)
- Produktionsplanung und -steuerung (1)
- Produktionsprozess (1)
- Produktionssteuerung (2)
- Prozessanalyse (3)
- Prozesse (2)
- Prozessmanagement (1)
- Prozessmodell (1)
- RTLS (1)
- Real Time Location System (1)
- SV7289 (1)
- SV7315 (1)
- SV7400 (1)
- SV7459 (1)
- Similarity Analysis (1)
- Simulation (1)
- Simulationsplattform (1)
- Sprachassistenzsysteme (1)
- Track & Trace (1)
- Trends (1)
- Visual Analytics (1)
- Wertschöpfung (1)
- decision making (1)
- decision support (1)
- disruption management (1)
- reaction strategy (1)
Institute
Unvorhergesehene Störungen gefährden in vielen Fällen den Kundenliefertermin. Die Produktionssteuerung hat die Aufgabe, effektiv und effizient auf diese kurzfristigen Störungen zu reagieren. Der Entscheidungsprozess beruht jedoch häufig auf einer qualitativen Analyse einer komplexen Situation anhand subjektiver Einschätzungen durch den Produktionsplaner. Zur Verbesserung der Entscheidungsfindung stellt dieser Beitrag eine App vor, die auf Basis von Echtzeitdaten und einer Simulation des Produktionssystems eine quantitative Entscheidungsfindung ermöglicht.
Die Kopplung von ERP- und Real-Time-Location-System (RTLS) ermöglicht ein effizientes Tracking und Tracing in der Produktion von morgen. Wie dies genau aussehen kann, welche technischen Grundlagen dazu geschaffen werden müssen und welche Vorteile sich daraus für Unternehmen ergeben, wurde im Konsortialprojekt "RTLS3.0" am Cluster Smart Logistik untersucht. Dazu wurde ein Living Demonstrator entwickelt, der sich nun in der dritten Ausbaustufe befindet. Das Projekt "RTLS3.0" ermöglicht einen Zugang für produzierende Unternehmen zur digitalen Welt. Durch echtzeitfähige, präzise Lokalisierungs- und Rückmeldemechanismen kann der Herausforderung des Tracking und Tracing effektiv und effizient entgegengetreten werden.
Während Sprachassistenzsysteme im privaten Kontext weit verbreitet sind, existieren im industriellen Bereich nur vereinzelte Anwendungsbeispiele. Im Rahmen des Forschungsprojekts ‚Smart Speaker‘ wird genau dieser Mangel adressiert. Ziel des Projekts ist die Entwicklung eines Vorgehensmodells, welches Industrieunternehmen zum Einsatz von Sprachassistenzsystemen befähigen soll. Das IGF-Vorhaben 20983 N der Forschungsvereinigung FIR e. V. an der RWTH Aachen wird über die AiF im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie (BMWi) aufgrund eines Beschlusses des Deutschen Bundestages gefördert.
In der Produktionssteuerung kleiner und mittlerer Unternehmen müssen verspätete Fertigungsaufträge zur Einhaltung des Kundenliefertermins mit reaktiven Maßnahmen beschleunigt werden. Die Entscheidung für die optimale Maßnahme in dieser Situation ist für Produktionssteuerer eine große Herausforderung. Um den Entscheidungsprozess zu unterstützen, werden daher im Forschungsprojekt 'EkuPro' (Förderkennzeichen 03135/17 N) eine App und eine Simulationsplattform entwickelt, die den Produktionssteuerer bei der objektiven Auswahl kompensatorischer Maßnahmen gegen Termin- und Lieferverzögerungen unterstützen sollen.
Process-Mining
(2020)
Changing customer demands lead to increasing product varieties and decreasing delivery times, which in turn pose great challenges for production companies. Combined with high market volatility, they lead to increasingly complex and diverse production processes. Thus, the susceptibility to disruptions in manufacturing rises, turning the task of Production Planning and Control (PPC) into a complex, dynamic and multidimensional problem. Addressing PPC challenges such as disruption management in an efficient and timely manner requires a high level of manual human intervention. In times of digitization and Industry 4.0, companies strive to find ways to guide their workers in this process of disruption management or automate it to eliminate human intervention altogether. This paper presents one possible application of Machine Learning (ML) in disruption management on a real-life use case in mixed model continuous production, specifically in the final assembly. The aim is to ensure high-quality online decision support for PPC tasks. This paper will therefore discuss the use of ML to anticipate production disruptions, solutions to efficiently highlight and convey the relevant information, as well as the generation of possible reaction strategies. Additionally, the necessary preparatory work and fundamentals are covered in the discussion, providing guidelines for production companies towards consistent and efficient disruption management.
Prinzipien zur erfolgreichen Umsetzung von KI-Geschäftsmodellinnovationen
In Zeiten des zunehmenden globalen Wettbewerbs und hoch vernetzter Wertschöpfungsketten entwickelt sich Künstliche Intelligenz zu einem immer wichtiger werdenden Wettbewerbsfaktor für Unternehmen am Wirtschaftsstandort Deutschland. Durch den Einsatz von KI-Verfahren können nicht nur interne Geschäftsprozesse kostensenkend optimiert, sondern auch neue, digitale Geschäftsfelder und -modelle erschlossen werden. Es lassen sich zum einen Trends identifizieren, denen der Einsatz von KI in deutschen Unternehmen folgt. Zum anderen zeigt sich, dass sich KI unterschiedlich stark auf verschiedene Dimensionen innovativer Geschäftsmodelle auswirkt. Insgesamt lassen sich so Prinzipien ableiten, die die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen beschreiben.
Neue Technologie- und Anwendungstrends kennzeichnen KI-Nutzung
Die tatsächliche KI-Landschaft in den Wertschöpfungsketten von KI-nutzenden Unternehmen ist durch Trends gekennzeichnet. Diese lassen sich in Technologie- und Anwendungstrends unterteilen. Experteninterviews zeigen beispielsweise, dass KI-Anwendungen bevorzugt auf Cloud-Infrastrukturen entwickelt und bereitgestellt werden. Das wiederum rückt die Frage nach der Wahrung der Datensouveränität in den Vordergrund. Anwendung findet KI tendenziell zur Prognose und Überwachung.
Sechs Prinzipien beeinflussen die erfolgreiche Umsetzung von KI-Geschäftsmodellinnovationen
Fallstudien über ein breites Spektrum der deutschen Wirtschaft beleuchten, welche Aspekte eines KI-basierten Geschäftsmodells den größten Effekt auf das Unternehmen haben. Hier lässt sich ein besonders hoher Einfluss von KI auf das Nutzenversprechen neuartiger, digitaler Leistungen der Unternehmen an die Kundinnen und Kunden feststellen. So lassen sich sechs Erfolgsprinzipien zur erfolgreichen Implementierung von KI-Technologien identifizieren, um die wirtschaftliche Nutzung von KI für Unternehmen in Deutschland im globalen Wettbewerb weiter zu steigern. So empfiehlt es sich zum Beispiel – neben der Auswahl des richtigen KI-Anwendungsfalles – ebenfalls darauf zu achten, dass die KI-Anwendung sowohl den Anbietenden wie auch den Anwendenden nützt. Diese und weitere Erfolgsprinzipien werden detailliert in der Studie Künstliche Intelligenz – Geschäftsmodellinnovationen und Entwicklungstrends beschrieben.
Die Process-Mining-Technologie bietet eine zunehmende wichtige Grundlage für Initiativen zur Prozessoptimierung. Gerade an Systemanbieter wird die Nachfrage steigen, solche Funktionen direkt in ihre Lösungen zu integrieren. Möchten Systemanbieter ihren Kunden Process-Mining-Funktionalitäten bieten, können sie anhand eines vierschrittigen systematischen Vorgehens umetzen.
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.
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.