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)
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
In manufacturing, adherence to delivery dates is one of the main logistic goals. The production control department has to cope with short-term deviations from the planned route sheets. Because of unforeseen disruptions, e.g. machine breakdowns or shortage of material or personnel, in some situations, the promised delivery date to the customer is at stake. In practice, a fast and reasonable decision on how to deal with the delayed order is required. This decision process is often based on a qualitative analysis relying on the planner’s subjective assessment of a complex situation. To improve the quality of possible countermeasures this paper presents an application, which supports the decision process through a quantified analysis using real-time data from business application systems in combination with a simulation of the value stream. The developed app is part of the decision process and estimates the effect of selected countermeasures to accelerate a delayed order. Performance indicators illustrate the effect of the countermeasures on the specific order as well as the whole system. This approach empowers the planner to assess unforeseen situations and aims to improve the quality of the decision-making process. This paper describes the architecture of the application, its simulation ecosystem, the relevant data and the decision process to select the most effective countermeasures.
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.
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.
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.
Im vorliegenden Positionspapier wird das Konzept einer Produktionsregelung beschrieben. Zunächst wird der Begriff der Produktionsregelung erläutert. Durch die kontinuierliche Erfassung und Überwachung des Ist-Zustands und den Abgleich mit den Soll-Werten werden Anpassungen am Produktionssystem möglich.
Zur erfolgreichen Einführung dieses Konzepts sind zwei Dimensionen in folgenden vier Handlungsfeldern zu entwickeln:
• Hochauflösende Auftragsüberwachung,
• datengestützte Produktionssteuerung,
• Production-Analytics,
• Produktionsregelung.
Für produzierende Unternehmen ergeben sich hieraus folgende Vorteile:
• Höhere Transparenz über betriebliche Abläufe
auf dem Shopfloor,
• Erhöhung der Reaktionsfähigkeit (geringe Reaktionszeit, bessere Lösungsqualität) der Fertigungssteuerung,
• Steigerung der Stamm- und Plandatenqualität durch kontinuierlichen Abgleich,
• Steigerung der logistischen Leistungsfähigkeit des Produktionssystems.
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.
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.
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.
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]