Filtern
Volltext vorhanden
- ja (15) (entfernen)
Dokumenttyp
- Postprint (15)
Gehört zur Bibliographie
- ja (15)
Schlagworte
- Enterprise-Resource-Planning (3)
- Marktübersicht (3)
- ERP-/PPS-Systeme (2)
- Marktuntersuchung (2)
- PPS (2)
- Wandlungsfähigkeit (2)
- adaptability (2)
- deep reinforcement learning (2)
- knowledge management (2)
- machine learning (2)
- market research (2)
- production control (2)
- systematic literature review (2)
- Anwendungssystem (1)
- Auftragsabwicklung (1)
- Auftragsabwicklungssysteme (1)
- Automobilzulieferer (1)
- COVID-19 (1)
- Community (1)
- Customer Relationship Management (1)
- Digitale Plattformen (1)
- Diskussion (1)
- ERP system (1)
- ERP-/PPS-systems (1)
- ERP-/PPSsystems (1)
- ERP-System (1)
- Functions (1)
- Funktionsumfang (1)
- Geschäftsmodell (1)
- IT assessment (1)
- IT-Assessment (1)
- Industrie 4.0 (1)
- Industrieunternehmen (1)
- Informationssystemarchitektur (1)
- JSP (1)
- KMU (1)
- Konfigurator <Softwaresystem> (1)
- Kundenmanagement (1)
- Market Research (1)
- Marktanalyse (1)
- Maschinen- und Anlagenbau (1)
- Portal (1)
- Produktkonfiguratoren (1)
- Refabrikation (1)
- Regelkreismechanismus (1)
- Regionale Ansätze (1)
- Remanufacturing (1)
- Strategie (1)
- Suchmaschine (1)
- TAM (1)
- Turbulenz (1)
- Variantenmanagement (1)
- Wissensmanagement (1)
- business application (1)
- business processes (1)
- change management (1)
- community (1)
- components suppliers (1)
- control loop mechanism (1)
- cross-plant business processes (1)
- deep learning (1)
- digital learning (1)
- discipline differences (1)
- discussion (1)
- e-learning (1)
- enterprise resource planning systems (1)
- information system architecture (1)
- job shop scheduling (1)
- market survey (1)
- method comparision (1)
- modular production (1)
- multi-actor routines (1)
- multi-agent system (1)
- multi-objective optimisation (1)
- neural networks (1)
- organizational memory (1)
- portal (1)
- product configurators (1)
- production planning (1)
- production planning and control (1)
- search engine (1)
- situational strength (1)
- social network analysis (1)
- taxonomy (1)
- technology acceptance (1)
- technology-mediated teaching (1)
- turbulence (1)
- university teaching (1)
- variant management (1)
- werksübergreifende Geschäftsprozesse (1)
Bei Entscheidungen über abzulösende oder neue Anwendungssysteme kann mit Hilfe funktionaler Anforderungen immer nur der gegenwärtige oder vorhersehbare Bedarf ermittelt werden. In einem turbulenten Umfeld sind die Anwendungssysteme jedoch häufig langere Zeit im Einsatz als die Anforderungen gültig sind, mit Hilfe derer sie ausgewählt wurden. An der Universität Potsdam wird im Rahmen des BMBF-Projektes CHANGE eine Vorgehensweise zur Ermittlung der Zukunftsfähigkeit unternehmensweiter Anwendungssysteme entwickelt, deren wesentliche Merkmale in diesem Beitrag beschrieben werden.
Mittelständische Industrieunternehmen setzen für ihre betrieblichen Abläufe Planungs- und Ausführungssysteme ein. Aufgrund der Turbulenzen auf Absatz- und Beschaffungsmärkten kann die Wirtschaftlichkeit und Wettbewerbsfähigkeit dieser Unternehmen nur durch permanente Anpassungen der Organisationsstrukturen und -abläufe erfolgen. In der Praxis zeigt sich eine unzureichende technologische Anpassungsfähigkeit der heute eingesetzten Standardsoftwaresysteme. Diese lassen zwar während der Einführungsphase vielfältige Konfigurationsmöglichkeiten zu, Veränderungen im laufenden Betrieb sind aber meist nur mit großem Aufwand möglich. Hier sind die Softwarehersteller in Zukunft zunehmend gefordert, wandlungsfähige Auftragsabwicklungssysteme zu entwickeln. Über die Entwicklungsphase (Build-Time) hinaus muss auch parallel zur Betriebsphase (Run-Time) der technische Fortschritt aufgrund von geänderten Anforderungen durch entsprechende Softwarereleases synchronisiert werden.
Digitale Plattformen
(2020)
Obwohl digitale Plattformen vornehmlich von Großunternehmen betrieben werden, bieten sie klein- und mittelständischen Unternehmen (KMU) Potenziale zur Verbreitung innovativer Technologien und für den Ausbau ihres Geschäftsmodells. Für die Umsetzung digitaler Plattformen stehen Unternehmen mehrere Strategien zur Verfügung. Der Beitrag vergleicht und bewertet grundlegende Strategien am Beispiel eines Maschinenbauunternehmens. Die Ergebnisse dienen als Grundlage für die Entscheidungsfindung von KMU.
Increasingly fast development cycles and individualized products pose major challenges for today's smart production systems in times of industry 4.0. The systems must be flexible and continuously adapt to changing conditions while still guaranteeing high throughputs and robustness against external disruptions. Deep reinforcement learning (RL) algorithms, which already reached impressive success with Google DeepMind's AlphaGo, are increasingly transferred to production systems to meet related requirements. Unlike supervised and unsupervised machine learning techniques, deep RL algorithms learn based on recently collected sensorand process-data in direct interaction with the environment and are able to perform decisions in real-time. As such, deep RL algorithms seem promising given their potential to provide decision support in complex environments, as production systems, and simultaneously adapt to changing circumstances. While different use-cases for deep RL emerged, a structured overview and integration of findings on their application are missing. To address this gap, this contribution provides a systematic literature review of existing deep RL applications in the field of production planning and control as well as production logistics. From a performance perspective, it became evident that deep RL can beat heuristics significantly in their overall performance and provides superior solutions to various industrial use-cases. Nevertheless, safety and reliability concerns must be overcome before the widespread use of deep RL is possible which presumes more intensive testing of deep RL in real world applications besides the already ongoing intensive simulations.
In nowadays production, fluctuations in demand, shortening product life-cycles, and highly configurable products require an adaptive and robust control approach to maintain competitiveness. This approach must not only optimise desired production objectives but also cope with unforeseen machine failures, rush orders, and changes in short-term demand. Previous control approaches were often implemented using a single operations layer and a standalone deep learning approach, which may not adequately address the complex organisational demands of modern manufacturing systems. To address this challenge, we propose a hyper-heuristics control model within a semi-heterarchical production system, in which multiple manufacturing and distribution agents are spread across pre-defined modules. The agents employ a deep reinforcement learning algorithm to learn a policy for selecting low-level heuristics in a situation-specific manner, thereby leveraging system performance and adaptability. We tested our approach in simulation and transferred it to a hybrid production environment. By that, we were able to demonstrate its multi-objective optimisation capabilities compared to conventional approaches in terms of mean throughput time, tardiness, and processing of prioritised orders in a multi-layered production system. The modular design is promising in reducing the overall system complexity and facilitates a quick and seamless integration into other scenarios.