Refine
Document Type
- Contribution to a Periodical (8)
- Conference Proceeding (3)
- Working Paper (3)
- Internet Paper (2)
- Report (2)
Is part of the Bibliography
- no (18) (remove)
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)
Institute
- FIR e. V. an der RWTH Aachen (18) (remove)
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.
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.
Due to Digital Transformation, also called Industry 4.0 or the Industrial Internet of Things, the barrier for implementing data collecting technology on the shop floor has decreased dramatically in the past years – leading to an increasingly growing amount of data from a multitude of IT systems in production companies worldwide. Despite that, the production controller still relies heavily on intrinsic knowledge and intuition for the management of disruptions in production. Thanks to advances in the fields of production control and artificial intelligence, potentials for the collected data for disruption management arise. However, in order to transform data into usable information and allow drawing conclusions for disruption management in production, the relevant data-objects, disturbances and alternative actions must be known. Thus, the decision-making can be supported, reducing the decision latency and increasing benefit of alternative actions. Therefore, the goal of this paper is to discuss the prerequisites necessary to perform a data based disruption management and the methodology itself, serving as an approach to allow companies to build a data basis, classify disruptions and alternative actions in order to improve decision making in the future. [https://link.springer.com/chapter/10.1007/978-3-030-28464-0_13]
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.
In diesem Whitepaper stellen wir Ihnen die Technologie Process-Mining vor und zeigen auf, welche enormen Potenziale in ihrer Anwendung liegen. Auch mit einer neuen Technologie ist jedoch ohne kompetente Anwendung
kein Erfolg erzielbar. Unser vorliegendes Whitepaper soll Ihnen dazu verhelfen, zu erkennen, welche Hürden Sie überwinden müssen, um das Potenzial von Process-Mining für sich zu heben, und wie wir vom FIR an der RWTH Aachen Ihnen bei der Umsetzung helfen können.
Process-Mining
(2020)
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.