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) (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)
- 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
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.
Process-Mining
(2020)
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.
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.
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.
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.