Automatisierte Angebotskalkulation
-
Berend Denkena
Prof. Dr.-Ing. Berend Denkena studierte und promovierte 1992 zum Dr.-Ing. an der Leibniz Universität Hannover. Anschließend war er in verschiedenen Industrieunternehmen als Entwicklungsleiter in den Bereichen Mechanik und Konstruktion tätig. Seit 2001 leitet er das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) der Leibniz Universität Hannover.
Marcel Wichmann, M. Sc., ist seit 2017 am IFW der Leibniz Universität Hannover tätig und leitet dort seit 2021 den Bereich Produktionssysteme.
Simon Settnik, M. Sc., studierte Wirtschaftsingenieurwesen an der Leibniz Universität Hannover und ist seit 2019 Wissenschaftlicher Mitarbeiter am IFW der Leibniz Universität Hannover und leitet dort die Abteilung Fertigungsplanung und -steuerung.
and
Julian Surmann
Julian Surmann, M. Sc., geb. 1993, studierte Physik an der Technischen Universität Dortmund und ist seit 2018 Data Scientist bei der Point 8 GmbH. Herr Surmann hat zahlreiche Projekte im Bereich Datenvisualisierung, Simulation und Künstliche Intelligenz durchgeführt.
Abstract
Globaler Wettbewerb und kundenindividuelle Produkte führen dazu, dass Lohnfertiger Aufträge mit kleineren Losgrößen unter hohem Preisdruck bei knappen Personalressourcen akquirieren. Gleichzeitig ergeben sich durch strapazierte Lieferketten Chancen für regionale, mittelständische Unternehmen, ihr Produktspektrum zu erweitern. Dazu müssen die bestehenden Arbeitskräfte effizienter genutzt und die Arbeitsplanung unterstützt werden. In einem Referenzszenario konnte eine KI-gestützte Methode bereits Trefferquoten von über 90 Prozent bei der Arbeitsplanerstellung vorweisen.
Abstract
Global competition and customised products lead to contract manufacturers acquiring orders with smaller batch sizes under high price pressure with scarce personnel resources. At the same time, strained supply chains are creating opportunities for regional, small and medium sized enterprises to expand their product range. To do this, the existing workforce must be used more efficiently and work planning must be supported. In a reference scenario, an AI-supported method could already demonstrate an accuracy of over 90 % in the creation of work schedules.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Prof. Dr.-Ing. Berend Denkena studierte und promovierte 1992 zum Dr.-Ing. an der Leibniz Universität Hannover. Anschließend war er in verschiedenen Industrieunternehmen als Entwicklungsleiter in den Bereichen Mechanik und Konstruktion tätig. Seit 2001 leitet er das Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) der Leibniz Universität Hannover.
Marcel Wichmann, M. Sc., ist seit 2017 am IFW der Leibniz Universität Hannover tätig und leitet dort seit 2021 den Bereich Produktionssysteme.
Simon Settnik, M. Sc., studierte Wirtschaftsingenieurwesen an der Leibniz Universität Hannover und ist seit 2019 Wissenschaftlicher Mitarbeiter am IFW der Leibniz Universität Hannover und leitet dort die Abteilung Fertigungsplanung und -steuerung.
Julian Surmann, M. Sc., geb. 1993, studierte Physik an der Technischen Universität Dortmund und ist seit 2018 Data Scientist bei der Point 8 GmbH. Herr Surmann hat zahlreiche Projekte im Bereich Datenvisualisierung, Simulation und Künstliche Intelligenz durchgeführt.
Danksagung
Die Autoren danken dem Bundesministerium für Wirtschaft und Energie (BMWI) für die finanzielle Unterstützung im Rahmen des Forschungsvorhabens „KI-MAP – AutoPlan / Automatisierte Bestimmung der Vorgabezeiten und der Arbeitsvorgangsfolge unter Berücksichtigung technologischer Zwangsfolgen“ (16KN080124).
Literatur
1 Wiendahl, H.-P.: Betriebsorganisation für Ingenieure. 8. Aufl., Carl Hanser Verlag, München, Wien 2014, S. 195-210 DOI:10.3139/978344644101910.3139/9783446441019Search in Google Scholar
2 Plinke, W.; Utzig, B. P.: Industrielle Kostenrechnung. Springer-Verlag, Berlin, Heidelberg 2020, S. 129 DOI:10.1007/978-3-662-61872-110.1007/978-3-662-61872-1Search in Google Scholar
3 Trendence Institut GmbH (Hrsg.): Pressemitteilung. Pressebox, Berlin 2021Search in Google Scholar
4 DEVELOP3D: Review: Xometry.com (2022). Online unter https://develop3d.com/reviews/review-xometry-com-manufacturing-cncsolidworks [Zugriff am 10.10.2022]Search in Google Scholar
5 Eversheim, W.: Organisation in der Produktionstechnik – Bd.3: Arbeitsvorbereitung. 4. Aufl., Springer-Verlag, Berlin, Heidelberg 2002, S. 1810.1007/978-3-642-56336-2Search in Google Scholar
6 Weber, R.: Warum investiert DMG Mori in ein kleines Unternehmen aus der Oberpfalz? Factory, 18.09.2019. Online unter https:// factorynet.at/artikel/warum-investiert-dmgmori-in-ein-kleines-unternehmen-aus-deroberpfalz/[Zugriff am 10.10.2022]Search in Google Scholar
7 Hussong, M.; Glatt, M.; Rüdiger-Flore, P.; Varshneya, S.; Liznerski, P.; Kloft, M.; Aurich, J. C.: Deep Learning zur Unterstützung der Arbeitsplanung. ZWF 116 (2021) 10, S. 648-651 DOI:10.1515/zwf-2021-017010.1515/zwf-2021-0170Search in Google Scholar
8 Schlagenhauf, T.; Netzer, M.; Hillinger, J.: Text Detection on Technical Drawings for the Digitization of Brown-field Processes. (2022) [Preprint]10.1016/j.procir.2023.06.064Search in Google Scholar
9 Elyan, E.; Jamieson, L.; Ali-Gombe, A.: Deep Learning for Symbols Detection and Classification in Engineering Drawings. Neural Networks the Official Journal of the International Neural Network Society 129 (2020), S. 91-102 DOI:10.1016/j.neunet.2020.05.02510.1016/j.neunet.2020.05.025Search in Google Scholar PubMed
10 Zehtaban, L.; Roller, D.: Automated Rule-based System for Opitz Feature Recognition and Code Generation from STEP. Computer-Aided Design and Applications 13 (2016), S. 309-319 DOI:10.1080/16864360.2015.111438810.1080/16864360.2015.1114388Search in Google Scholar
11 Feller, A. H.: Kalkulation in der Angebotsphase mit dem selbsttätig abgeleiteten Erfahrungswissen der Arbeitsplanung. Dissertation, Forschungsberichte aus dem Institut für Werkzeugmaschinen und Betriebstechnik der Universität Karlsruhe, 1992Search in Google Scholar
12 Arnold, D.; Wilmsmeier, S.; Denkena, B.; Dayeg, A.: Betriebsdaten und ihre aktuellen Potenziale. ZWF 116 (2021) (11), S. 852-855 DOI:10.1515/zwf-2021-017710.1515/zwf-2021-0177Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Frontmatter
- Editorial
- Herausforderungen der Fertigungsindustrie
- Automobilindustrie
- Disruptive Veränderungen in der Automobilindustrie bedingen neue Entwicklungsprozesse
- Wandlungsfähigkeit
- Beschreibung und Bewertung der Wandlungsfähigkeit
- Anlaufmanagement
- Nachhaltigkeit im Produktionsanlauf
- Produktionssteuerung
- Bewertungsmodell zur proaktiven Produktionssteuerung im Schiffsbau
- Additive Fertigung
- Adaptive Reparatur-Prozesskette
- Ergonomie
- Kommissionierung
- Industrielle Reinigung
- Cyberphysische Reinigungssysteme für ressourceneffiziente Tankreinigungsprozesse
- Ökologie
- Klimamanagement zur Verbesserung der CO2-Bilanz in der Produktion
- Effiziente Stagnationswasser-Entfernung in trinkwassertechnischen Anlagen
- Diskontinuität
- Frühaufklärung produktionskritischer Diskontinuitäten
- Personas
- Die empirische Bestimmung von Personas und deren Implikationen auf eine User Journey
- Künstliche Intelligenz
- KI-Kanban-Behälter
- Soziotechnische Gestaltung einer intelligenten Personaleinsatzplanung
- Auf dem Weg zur autonomen Maschine
- Maschinelles Lernen
- Potenziale von Motion Capturing bei der Erstellung von Ausführungsanalysen
- Assistenzsysteme
- Automatisierte Angebotskalkulation
- 10.1515/zwf-2023-1159
- Systems Engineering
- Systems & Life Cycle Engineering für Strategische Souveränität
- Vorschau
- Vorschau
Articles in the same Issue
- Frontmatter
- Editorial
- Herausforderungen der Fertigungsindustrie
- Automobilindustrie
- Disruptive Veränderungen in der Automobilindustrie bedingen neue Entwicklungsprozesse
- Wandlungsfähigkeit
- Beschreibung und Bewertung der Wandlungsfähigkeit
- Anlaufmanagement
- Nachhaltigkeit im Produktionsanlauf
- Produktionssteuerung
- Bewertungsmodell zur proaktiven Produktionssteuerung im Schiffsbau
- Additive Fertigung
- Adaptive Reparatur-Prozesskette
- Ergonomie
- Kommissionierung
- Industrielle Reinigung
- Cyberphysische Reinigungssysteme für ressourceneffiziente Tankreinigungsprozesse
- Ökologie
- Klimamanagement zur Verbesserung der CO2-Bilanz in der Produktion
- Effiziente Stagnationswasser-Entfernung in trinkwassertechnischen Anlagen
- Diskontinuität
- Frühaufklärung produktionskritischer Diskontinuitäten
- Personas
- Die empirische Bestimmung von Personas und deren Implikationen auf eine User Journey
- Künstliche Intelligenz
- KI-Kanban-Behälter
- Soziotechnische Gestaltung einer intelligenten Personaleinsatzplanung
- Auf dem Weg zur autonomen Maschine
- Maschinelles Lernen
- Potenziale von Motion Capturing bei der Erstellung von Ausführungsanalysen
- Assistenzsysteme
- Automatisierte Angebotskalkulation
- 10.1515/zwf-2023-1159
- Systems Engineering
- Systems & Life Cycle Engineering für Strategische Souveränität
- Vorschau
- Vorschau
