Advertisement

Adaptive Assistenzsysteme zur Entscheidungsunterstützung für die dynamische Auftragsabwicklung: Konzeptionelle Überlegungen und Anwendungsszenarien unter Berücksichtigung des Digitalen Zwillings des Produktionssystems

  • Martin KunathEmail author
  • Herwig Winkler
Chapter

Zusammenfassung

Der Auftragsabwicklungsprozess ist in produzierenden Unternehmen durch eine erhöhte Komplexität infolge der zunehmenden Variantenvielfalt und der steigenden Anforderungen an individualisierte Produkte gekennzeichnet. Diese Komplexität führt zu Intransparenz bei Entscheidungen im Produktionsvollzug. Weiterhin verursachen verschiedene Prozessdynamiken, z. B. unvorhergesehene Störungen, kurzfristige und unregelmäßige Bestellungen sowie nachträgliche Kundenänderungswünsche Störungen in der Auftragsabwicklung.

Literatur

  1. Ameri, F., & Patil, L. (2012). Digital manufacturing market: A semantic web-based framework for agile supply chain deployment. Journal of Intelligent Manufacturing, 23(5), 1817–1832.CrossRefGoogle Scholar
  2. Bauernhansl, T. (2014). Die Vierte Industrielle Revolution – Der Weg in ein wertschaffendes Produktionsparadigma. In T. Bauernhansl, M. ten Hompel, & B. Vogel-Heuser (Hrsg.), Industrie 4.0 in Produktion, Automatisierung und Logistik (S. 5–35). Wiesbaden: Springer Vieweg.CrossRefGoogle Scholar
  3. Blackstone, J. H., Phillips, D. T., & Hogg, G. L. (1982). A state-of-the-art survey of dispatching rules for manufacturing job shop operations. International Journal of Production Research, 20(1), 27–45.CrossRefGoogle Scholar
  4. Block, C., Frank, T., Burges, U., & Kuhlenkötter, B. (2017). Online Materialflusssimulationen zur Entscheidungsunterstützung in der PPS. productivITy, 22, 28–30.Google Scholar
  5. Blum, M., & Schuh, G. (2017). Towards a data-oriented optimization of manufacturing processes a real-time architecture for the order processing as a basis for data analytics methods. In J. Filipe, S. Hammoudi, M. Smialek, & O. Camp (Hrsg.), ICEIS 2017 – Proceedings of the 19th International conference on enterprise information systems, SciTePress, S. 257–264.Google Scholar
  6. Boschert, S., & Rosen, R. (2016). Digital twin – The simulation aspect. In P. Hehenberger & D. Bradley (Hrsg.), Mechatronic futures (S. 59–74). Cham: Springer.Google Scholar
  7. Brenner, B., & Hummel, V. (2016). A seamless convergence of the digital and physical factory aiming in Personalized Product Emergence Process (PPEP) for smart products within ESB logistics learning factory at Reutlingen University. 6th CIRP Conference on Learning Factories, 54, 227–232.Google Scholar
  8. Daniluk, D., & Chisu, R. (2010). Simulation und emulation im internet der Dinge. In W. Günthner & M. ten Hompel (Hrsg.), Internet der Dinge in der Intralogistik (S. 149–166). Berlin: Springer.CrossRefGoogle Scholar
  9. DIN SPEC 91345. (2016). Referenzarchitekturmodell Industrie 4.0 (RAMI4.0), 2016–04, Berlin: Deutsches Institut für Normung e. V.Google Scholar
  10. Dullnig, H., & Malle, F. (2003). Unternehmensübergreifende Auftragskoordination bei kundenindividueller Massenfertigung. PPS Management, 8(2), 69–71.Google Scholar
  11. Dyckhoff, H., & Spengler, T. S. (2010). Produktionswirtschaft: Eine Einführung (3. Aufl.). Berlin: Springer.CrossRefGoogle Scholar
  12. Franke, G. (1977). Stellen- und Personalbedarfsplanung. Wiesbaden: VS Verlag.CrossRefGoogle Scholar
  13. Glaessgen, E. H., & Stargel, D. S. (2012). The digital twin paradigm for future NASA and U.S. Air force vehicles, Präsentiert auf: 2012, 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference 2012.Google Scholar
  14. Gluchowski, P. (2016). Entwicklungstendenzen bei Analytischen Informationssystemen. In P. Gluchowski & P. Chamoni (Hrsg.), Analytische Informationssysteme (S. 225–238). Berlin: Springer.CrossRefGoogle Scholar
  15. Graham, R. L., Lawler, E. L., Lenstra, J. K., & Kan, A. H. G. R. (1979). Optimization and approximation in deterministic sequencing and scheduling: A survey. Annals of Discrete Mathematics, 5, 287–326.CrossRefGoogle Scholar
  16. Guh, R.-S., Shiue, Y.-R., & Tseng, T.-Y. (2011). The study of real time scheduling by an intelligent multi-controller approach. International Journal of Production Research, 49(10), 2977–2997.CrossRefGoogle Scholar
  17. Gutenberg, E. (1951). Grundlagen der Betriebswirtschaftslehre. Berlin: Springer.CrossRefGoogle Scholar
  18. Hänel, T., & Felden, C. (2017). Entscheidungsunterstützung in der Industrie 4.0 aus dem Blickwinkel der operational business intelligence. In H. Winkler, U. Berger, C. Mieke, & M. Schenk (Hrsg.), Flexibilisierung der Fabrik im Kontext von Industrie 4.0 (S. 37–60). Berlin: Logos Verlag.Google Scholar
  19. Harmonosky, C. M., & Robohn, S. F. (1995). Investigating the application potential of simulation to real-time control decisions. International Journal of Computer Integrated Manufacturing, 8(2), 126–132.CrossRefGoogle Scholar
  20. Hoitsch, H.-J. (1993). Produktionswirtschaft: Grundlagen einer industriellen Betriebswirtschaftslehre (2., völlig überarb. und erw. Aufl.). München: Vahlen.Google Scholar
  21. Hülsmann, M. (2005). Ad-hoc-Krise – eine begriffliche Annäherung. In C. Burmann, J. Freiling, & M. Hülsmann (Hrsg.), Management von Ad-hoc-Krisen (S. 33–57). Wiesbaden: Gabler.CrossRefGoogle Scholar
  22. Jorge Leon, V., David Wu, S., & Storer, R. H. (1994). Robustness measures and robust scheduling for job shop. IIE Transactions, 26(5), 32–43.CrossRefGoogle Scholar
  23. Kagermann, H., Wahlster, W., & Helbig, J. (2013). Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0, Abschlussbericht des Arbeitskreises Industrie 4.0. Bundesministerium für Bildung und Forschung. https://www.bmbf.de/files/Umsetzungsempfehlungen_Industrie4_0.pdf. Zugegriffen: 24. Jan. 2019.
  24. Kart, L., Linden, A., & Schulte, W. R. (2013). Extend your portfolio of analytics capabilities. Gartner. https://www.gartner.com/doc/2594822/extend-portfolio-analytics-capabilities. Zugegriffen: 24. Jan. 2019.
  25. Kiener, S., Maier-Scheubeck, N., Obermaier, R., & Weiß, M. (Hrsg.). (2012). Produktions-Management: Grundlagen der Produktionsplanung und -steuerung (10., und erw. Aufl.). München: Oldenbourg.Google Scholar
  26. Klabunde, S. (2003). Wissensmanagement in der integrierten Produkt- und Prozessgestaltung. Wiesbaden: Deutscher Universitätsverlag.CrossRefGoogle Scholar
  27. Kunath, M., & Winkler, H. (2018). Integrating the Digital Twin of the manufacturing system into a decision support system for improving the order management process. Procedia CIRP, 72, 225–231.Google Scholar
  28. Kunath, M., & Winkler, H. (2019). Dynamische Auftragsabwicklung in Netzwerken mit Hilfe digitaler Fertigungsplattformen. In M. Schröder & K. Wegner (Hrsg.), Logistik im Wandel der Zeit – Von der Produktionssteuerung zu vernetzten Supply Chains (S. 381–400). Wiesbaden: Springer Fachmedien.Google Scholar
  29. Kuzmany, F., Luft, A., & Chisu, R. (2010). Die Bausteine des Internet der Dinge. In W. Günthner & M. ten Hompel (Hrsg.), Internet der Dinge in der Intralogistik (S. 53–64). Berlin: Springer.CrossRefGoogle Scholar
  30. Laux, H., Gillenkirch, R. M., & Schenk-Mathes, H. Y. (2014). Entscheidungstheorie. Berlin: Springer.Google Scholar
  31. Lenstra, J. K., Kan, A. H. G. R., & Brucker, P. (1977). Complexity of machine scheduling problems. Annals of Discrete Mathematics, 1, 343–362.CrossRefGoogle Scholar
  32. Long, J., Zheng, Z., Gao, X., & Gong, Y. (2014). Production planning system for the whole steelmaking process of Panzhihua Iron and Steel Corporation. Journal of Iron and Steel Research International, 21(1), 44–50.CrossRefGoogle Scholar
  33. Mauergauz, Y. (2016). Advanced planning and scheduling in manufacturing and supply chains. New York: Springer.CrossRefGoogle Scholar
  34. Monostori, L., Kádár, B., Pfeiffer, A., & Karnok, D. (2007). Solution approaches to real-time control of customized mass production. CIRP Annals – Manufacturing Technology, 56(1), 431–434.CrossRefGoogle Scholar
  35. Nebl, T. (2011). Produktionswirtschaft (7. Aufl.). München: Oldenbourg.CrossRefGoogle Scholar
  36. Onken, R., & Feraric, J. P. (1997). Adaptation to the driver as part of a driver monitoring and warning system. Accident Analysis and Prevention, 29(4), 507–513.CrossRefGoogle Scholar
  37. Ouelhadj, D., & Petrovic, S. (2009). A survey of dynamic scheduling in manufacturing systems. Journal of Scheduling, 12(4), 417–431.CrossRefGoogle Scholar
  38. Sabuncuoglu, I., & Bayız, M. (2000). Analysis of reactive scheduling problems in a job shop environment. European Journal of Operational Research, 126(3), 567–586.CrossRefGoogle Scholar
  39. Sabuncuoglu, I., & Kizilisik, O. B. (2003). Reactive scheduling in a dynamic and stochastic FMS environment. International Journal of Production Research, 41(17), 4211–4231.CrossRefGoogle Scholar
  40. Saha, C., Aqlan, F., Lam, S. S., & Boldrin, W. (2016). A decision support system for real-time order management in a heterogeneous production environment. Expert Systems with Applications, 60, 16–26.CrossRefGoogle Scholar
  41. Sauter, R., Bode, M., & Kittelberger, D. (2015). Auswirkungen von Industrie 4.0 auf die produktionsnahe Steuerung der Wertschöpfung. Controlling, 27(8–9), 475–484.CrossRefGoogle Scholar
  42. Schel, D., Henkel, C., Stock, D., Meyer, O., Rauhöft, G., Einberger, P., et al. (2018). Manufacturing service bus: An implementation. Procedia CIRP, 67, 179–184.CrossRefGoogle Scholar
  43. Schuh, G., & Lassen, S. (2006). Grundlagen der Produktionsplanung und -steuerung: Funktionen. In G. Schuh (Hrsg.), Produktionsplanung und -steuerung (S. 195–293). Berlin: Springer.CrossRefGoogle Scholar
  44. Schuh, G., & Roesgen, R. (2006). Grundlagen der Produktionsplanung und -steuerung: Aufgaben. In G. Schuh (Hrsg.), Produktionsplanung und -steuerung (S. 28–80). Berlin: Springer.CrossRefGoogle Scholar
  45. Schuh, G., & Schmidt, C. (2006). Grundlagen der Produktionsplanung und -steuerung: Prozesse. In G. Schuh (Hrsg.), Produktionsplanung und -steuerung (S. 108–194). Berlin: Springer.CrossRefGoogle Scholar
  46. Schuh, G., Gierth, A., & Schiegg, P. (2006). Grundlagen der Produktionsplanung und -steuerung: Prozessarchitektur. In G. Schuh (Hrsg.), Produktionsplanung und -steuerung (S. 81–107). Berlin: Springer.CrossRefGoogle Scholar
  47. Shafto, M., Conroy, M., Doyle, R., Glaessgen, E., Kemp, C., LeMoigne, J., et al. (2010). DRAFT modeling, simulation, information technology & processing roadmap – Technology area 11. Washington: National Aeronautics and Space Administration.Google Scholar
  48. Sherman, R. (2015). Business intelligence guidebook: From data integration to analytics. Amsterdam: Elsevier.Google Scholar
  49. Sivakumar, A. I. (2001). Multiobjective dynamic scheduling using discrete event simulation. International Journal of Computer Integrated Manufacturing, 14(2), 154–167.CrossRefGoogle Scholar
  50. Son, Y. J., & Wysk, R. A. (2001). Automatic simulation model generation for simulation-based, real-time shop floor control. Computers in Industry, 45(3), 291–308.CrossRefGoogle Scholar
  51. Son, Y.-J., Joshi, S. B., Wysk, R. A., & Smith, J. S. (2002). Simulation-based shop floor control. Journal of Manufacturing Systems, 21(5), 380–394.CrossRefGoogle Scholar
  52. Son, Y. J., Wysk, R. A., & Jones, A. T. (2003). Simulation-based shop floor control: Formal model, model generation and control interface. IIE Transactions, 35(1), 29–48.CrossRefGoogle Scholar
  53. Stoop, P. P. M., & Wiers, V. C. S. (1996). The complexity of scheduling in practice. International Journal of Operations & Production Management, 16(10), 37–53.CrossRefGoogle Scholar
  54. Suresh, V., & Chaudhuri, D. (1993). Dynamic scheduling – A survey of research. International Journal of Production Economics, 32(1), 53–63.CrossRefGoogle Scholar
  55. Uhlemann, T. H.-J., Lehmann, C., & Steinhilper, R. (2017). The digital twin: Realizing the cyber-physical production system for industry 4.0. The 24th CIRP Conference on Life Cycle Engineering, 61, 335–340.Google Scholar
  56. Ulrich, H., & Probst, G. (2001). Anleitung zum ganzheitlichen Denken und Handeln: Ein Brevier für Führungskräfte (3. Aufl.). Bern: Haupt.Google Scholar
  57. VDI 5600 Blatt 3. (2013). Fertigungsmanagementsysteme – Logische Schnittstelle zur Maschinen- und Anlagensteuerung, 2013–06, Düsseldorf: VDI-Gesellschaft Produktion und Logistik.Google Scholar
  58. VDI 3663 Blatt 1. (2014). Simulation von Logistik-, Materialfluss- und Produktionssystemen – Grundlagen, 2014–12, Düsseldorf: VDI-Gesellschaft Produktion und Logistik.Google Scholar
  59. VDI 3682 Blatt 2. (2015). Formalisierte Prozessbeschreibungen: Informationsmodell, 2015–05, Düsseldorf: VDI-Gesellschaft Produktion und Logistik.Google Scholar
  60. Vieira, G. E., Herrmann, J. W., & Lin, E. (2003). Rescheduling manufacturing systems: A framework of strategies, policies, and methods. Journal of Scheduling, 6(1), 39–62.CrossRefGoogle Scholar
  61. Wandke, H. (2005). Assistance in human-machine Interaction: A conceptual framework and a proposal for a taxonomy. Theoretical Issues in Ergonomics Science, 6(2), 129–155.CrossRefGoogle Scholar
  62. Westkämper, E. (2006). Einführung in die Organisation der Produktion. Berlin: Springer.Google Scholar
  63. Winkler, H., Seebacher, G., & Oberegger, B. (2016). Effizienzbewertung und -darstellung in der Produktion im Kontext von Industrie 4.0. In R. Obermaier (Hrsg.), Industrie 4.0 als unternehmerische Gestaltungsaufgabe (S. 219–243). Wiesbaden: Springer.CrossRefGoogle Scholar
  64. Wu, S.-Y. D., & Wysk, R. A. (1989). An application of discrete-event simulation to on-line control and scheduling in flexible manufacturing. International Journal of Production Research, 27(9), 1603–1623.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.BTU Cottbus-SenftenbergCottbusDeutschland

Personalised recommendations