Layouted

In diesem Beitrag werden verschiedene Prognoseverfahren und -modelle zur Vorhersage von kritischen Situationen in den Supply Chains von Unternehmen in der Automobil- und Elektronikindustrie untersucht, wobei der Schwerpunkt auf deutschen Unternehmen liegt. Anhand eines Vergleichs der Leistungsfähigkeit branchenüblicher Modelle soll eine Empfehlung eines Best-Practice-Modells für die Branche ermittelt werden. Um die Anwenderbarkeit der Modelle und der einhergehenden Erkenntnis aufzuzeigen, werden reale Geschäftsszenarien diskutiert, die die Rolle des Risikomanagements in den Abteilungen Einkauf/Beschaffung oder Supply Chain Management umfassen. Im Vergleich wurde ermittelt, dass das effektivste Modell für die Vorhersage von Krisen in der Automobilindustrie das Vector-Auto-Regressionsverfahren/VAR-Modell ist, während das Early-Warning-System/EWS-Modell am besten für die Elektronikindustrie geeignet ist. Darüber hinaus wurden die wichtigsten Risikofaktoren ermittelt, die ...

Die Einführung von kontinuierlicher Verbesserung stellt Unternehmen regelmäßig vor Herausforderungen. Angesichts der fortschreitenden Digitalisierung eröffnen sich neue Analysemöglichkeiten, die den kontinuierlichen Verbesserungsprozess (KVP) unterstützen. Dieser Beitrag zeigt auf, wie Prozessorientierung, Digitalisierung und operative Tätigkeiten systematisch für die Entwicklung und Integration eines datenbasierten KVP in produzierenden Unternehmen angewandt werden können.

Je nach Industriezweig stellt die Versorgung von Produktionsprozessen und -gebäuden mit thermischer Energie einen bedeutenden Anteil am Gesamtenergiebedarf eines Industriestandortes dar. Die Nutzung von industrieller Abwärme bietet hier die Möglichkeit, den externen Bezug von Endenergien und damit die Ursache energiebedingter Emissionen und Kosten zu reduzieren. Aufgrund mangelnder Transparenz sowie ihrer Komplexität bleiben die Potenziale in der industriellen Praxis häufig ungenutzt. Im Forschungsverbundprojekt ETA im Bestand wurde eine anwenderorientierte Softwarelösung prototypisch realisiert. Diese ermöglicht die Entwicklung und Bewertung von industriellen Energiekonzepten, um somit Umsetzungshemmnisse zu reduzieren. Hierbei finden Ansätze aus den Forschungsgebieten des Operations Research sowie der dynamischen Simulation Anwendung.

Industrie 4.0 und die zugehörigen Technologien werden für Unternehmen immer wichtiger - nicht nur, um Produktivitäts- und Umsatzwachstum realisieren zu können [1]. Eine der Schlüsseltechnologien, die Industrie 4.0 vorantreiben, ist das Industrial Internet of Things (IIoT) [1-3]. Die zugehörigen Software-Plattformen und -lösungen sind von entscheidender Bedeutung, um physische Anlagen miteinander zu vernetzen und Daten zu übermitteln, zu überwachen, zu kombinieren und zu verarbeiten [2, 4]. Auch kleine und mittlere Unternehmen (KMU) sind zunehmend auf solche Softwarelösungen angewiesen; ihnen mangelt es aber häufig an Fähigkeiten, Wissen und anderen Ressourcen [5]. Um eine effiziente Aufwands-Nutzenabschätzung treffen zu können, werden in diesem Beitrag gängige IIoT-Anwendungen unter diesem Gesichtspunkt in einer praxisnahen Forschungsumgebung analysiert.

Die Integration der betrieblichen Anwendungen wird in der DIN IEC-62264 beschrieben und auch als Automatisierungspyramide bezeichnet [1]. Dieses Integrationsmodell wurde auf der Basis des Wasserfall Modells von MRP-II entwickelt, das für die damalige Zeit bahnbrechend war [2, 3, 4]. Hier werden die betrieblichen Anwendungen hierarchisch-sequenziell durchlaufen mit den bekannten Nachteilen: viele Schnittstellen, Zeitverzögerungen, Datenverluste, Inkonsistenzen. Das Modell wird den aktuellen informatorischen Möglichkeiten der Industrie 4.0 nicht mehr gerecht.