2024
Julia C. Arlinghaus; Oliver Antons
Planung und Steuerung für die digitale Produktion Book Chapter
In: Berlin Springer Vieweg, Heidelberg (Ed.): Handbuch Unternehmensorganisation, Springer Vieweg, Berlin, Heidelberg, 2024, ISBN: 978-3-642-45370-0.
Abstract | Links | BibTeX | Tags: Autonomous production control, Autonomy & Decision-making Authority, Cyber-physical system, Digitalization, Industry 4.0, Production planning and control, Smart manufacutring systems
@inbook{Arlinghaus2024,
title = {Planung und Steuerung f\"{u}r die digitale Produktion},
author = {Julia C. Arlinghaus and Oliver Antons},
editor = {Springer Vieweg, Berlin, Heidelberg},
url = {https://link.springer.com/referenceworkentry/10.1007/978-3-642-45370-0_63-2},
doi = {10.1007/978-3-642-45370-0_63-2},
isbn = {978-3-642-45370-0},
year = {2024},
date = {2024-07-01},
urldate = {2024-07-01},
booktitle = {Handbuch Unternehmensorganisation},
publisher = {Springer Vieweg, Berlin, Heidelberg},
abstract = {Im vergangenen Jahrzehnt wurde die produzierende Industrie mit einem zunehmend volatileren Umfeld konfrontiert. Unterschiedlichste Krisen haben etablierte Lieferketten ersch\"{u}ttert und die Notwendigkeit resilienter und flexibler Produktionsplanung und -steuerung aufgezeigt. Zeitgleich hat eine voranschreitende Digitalisierung der Produktionsanlagen neue Herausforderungen, Potenziale und Chancen aufgeworfen. Cyber-physikalische Systeme und ein Industrial Internet of Things erm\"{o}glichen Digitale Zwillinge der Produktion und erf\"{u}llen die technischen Voraussetzungen f\"{u}r eine autonome Entscheidungsfindung auf einzelnen Produktionssystemen. In diesem Kontext stellt sich f\"{u}r Unternehmen eine fundamentale Frage der Organisation hinsichtlich der Architektur von Produktionsplanung und -steuerung. Mit zentralisierter sowie verteilter Produktionsplanung und -steuerung stehen Unternehmen zwei gegenl\"{a}ufige Ans\"{a}tze zur Verf\"{u}gung, die in diesem Beitrag n\"{a}her betrachtet werden.},
keywords = {Autonomous production control, Autonomy \& Decision-making Authority, Cyber-physical system, Digitalization, Industry 4.0, Production planning and control, Smart manufacutring systems},
pubstate = {published},
tppubtype = {inbook}
}
Im vergangenen Jahrzehnt wurde die produzierende Industrie mit einem zunehmend volatileren Umfeld konfrontiert. Unterschiedlichste Krisen haben etablierte Lieferketten erschüttert und die Notwendigkeit resilienter und flexibler Produktionsplanung und -steuerung aufgezeigt. Zeitgleich hat eine voranschreitende Digitalisierung der Produktionsanlagen neue Herausforderungen, Potenziale und Chancen aufgeworfen. Cyber-physikalische Systeme und ein Industrial Internet of Things ermöglichen Digitale Zwillinge der Produktion und erfüllen die technischen Voraussetzungen für eine autonome Entscheidungsfindung auf einzelnen Produktionssystemen. In diesem Kontext stellt sich für Unternehmen eine fundamentale Frage der Organisation hinsichtlich der Architektur von Produktionsplanung und -steuerung. Mit zentralisierter sowie verteilter Produktionsplanung und -steuerung stehen Unternehmen zwei gegenläufige Ansätze zur Verfügung, die in diesem Beitrag näher betrachtet werden.
2023
Oliver Antons; Julia C. Arlinghaus
Maximum Likelihood and Neural Network Estimators for Distributed Production Control Proceedings Article
In: IFAC-PapersOnLine , pp. 10327-10332, 2023, ISSN: 2405-8963, (22nd IFAC World Congress).
Abstract | Links | BibTeX | Tags: Autonomy & Decision-making Authority, Cyber-physical system, Distributed control, Machine learning, Production planning and control, Smart manufacutring systems
@inproceedings{nokey,
title = {Maximum Likelihood and Neural Network Estimators for Distributed Production Control},
author = {Oliver Antons and Julia C. Arlinghaus},
url = {https://www.sciencedirect.com/science/article/pii/S2405896323014210},
doi = {10.1016/j.ifacol.2023.10.1038},
issn = {2405-8963},
year = {2023},
date = {2023-07-14},
urldate = {2023-07-14},
booktitle = {IFAC-PapersOnLine },
volume = {56},
number = {2},
pages = {10327-10332},
abstract = {Cyber-physical systems have become increasingly common in recent years, providing a multitude of information regarding production processes. At the same time, increasing volatilities, uncertainties, complexity and ambiguity (VUCA) are challenging existing production control approaches for manufacturing networks. Data-driven control approaches are an avenue to address VUCA, but require further study in research and practice. We utilize a multi-agent based discrete-event simulation to compare the aptitudes of a maximum likelihood and neural network based estimator for distributed production control, and provide insights into application of machine learning to address ever increasing information and VUCA.},
note = {22nd IFAC World Congress},
keywords = {Autonomy \& Decision-making Authority, Cyber-physical system, Distributed control, Machine learning, Production planning and control, Smart manufacutring systems},
pubstate = {published},
tppubtype = {inproceedings}
}
Cyber-physical systems have become increasingly common in recent years, providing a multitude of information regarding production processes. At the same time, increasing volatilities, uncertainties, complexity and ambiguity (VUCA) are challenging existing production control approaches for manufacturing networks. Data-driven control approaches are an avenue to address VUCA, but require further study in research and practice. We utilize a multi-agent based discrete-event simulation to compare the aptitudes of a maximum likelihood and neural network based estimator for distributed production control, and provide insights into application of machine learning to address ever increasing information and VUCA.