Dezentrale und kollaborative Materialflusssimulation für das Supply Chain Management
-
Maximilian Reuß
Maximilian Reuß, M. Sc., studierte Wirtschaftsingenieurwesen mit Schwerpunkt Logistik an der Universität Magdeburg und ist seit 2022 Wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF. Er beschäftigt sich in der Abteilung Logistik- und Fabriksysteme mit der Modellierung, Analyse und Optimierung von resilienten Wertschöpfungssystemen sowie mit dezentralen Datenräumen und Analytics-Anwendungen in der Automobil- und Halbleiterindustrie.
,
Marc Kujath
Dipl.-Wirtsch.-Ing. Marc Kujath studierte Wirtschaftsingenieurwesen Logistik an der Otto-von-Guericke-Universität Magdeburg und ist seit 2014 Wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Fabrikbetrieb und – automatisierung IFF. Er beschäftigt sich mit Stör- und Einflussgrößen in der Modellierung produktionslogistischer Prozessabläufe zur Steigerung resilienter Wertschöpfungssysteme.
Dipl.-Inf. Harald Steinert studierte Wirtschaftsinformatik an der Fachhochschule Köln, Abteilung Gummersbach. Seit 2021 ist er bei der German Edge Cloud im Produktmanagement beschäftigt. Dort arbeitet er an der Entwicklung der Digital Industrial Solutions mit. Er hat mehr als 20 Jahre Erfahrung in MES- und APS-Projekten und der Entwicklung von MES- und APS-Systemen.
Dr. Philipp Wolfrum studierte Technische Kybernetik in Stuttgart und Cognitive & Neural Systems in Boston und promovierte über Informationsrouting im Gehirn in Frankfurt. Seit 2009 arbeitet er in der Zentralen Forschung der Siemens AG. Seine Schwerpunkte sind Zustandsschätzung, Modellprädiktive Regelung, und das Nutzen von ML-Methoden für Modellierung und Simulation.
Dipl.-Inf. Theodor Isinger studierte allgemeine Informatik an der Fachhochschule Mannheim. Seit 2020 ist er bei der Siemens AG im Digital Manufacturing Software Segment beschäftigt. Dort arbeitet er an der Strategie und Ausrichtung des Softwareportfolios bzw. an der Umsetzung von strategischen Projekten. Er hat mehr als 20 Jahre Erfahrung in Manufacturing Operations Management.
Abstract
Die Arbeit untersucht die Herausforderungen der Materialflusssimulation in komplexen Lieferketten, insbesondere hinsichtlich Skalierbarkeit und Resilienzstärkung. Es wird ein hybrides Simulationskonzept im Rahmen von Catena-X vorgestellt, das ein dezentrales Simulationsnetzwerk aufbaut, um die Planung und Steuerung zu verbessern. Der Ansatz fördert Kollaboration und Interoperabilität und bietet Entscheidungsträgern Mehrwert durch die Bewertung planbarer und nicht planbarer Ereignisse, um die Resilienz und Wettbewerbsfähigkeit zu steigern.
Abstract
The study explores the challenges of material flow simulation in complex supply chains, particularly regarding scalability and resilience strengthening. It presents a hybrid simulation concept within Catena-X that establishes a decentralized simulation network to enhance planning and control. The approach fosters collaboration and interoperability, providing decision-makers with added value by assessing planned and unplanned events to improve resilience and competitiveness.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Maximilian Reuß, M. Sc., studierte Wirtschaftsingenieurwesen mit Schwerpunkt Logistik an der Universität Magdeburg und ist seit 2022 Wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF. Er beschäftigt sich in der Abteilung Logistik- und Fabriksysteme mit der Modellierung, Analyse und Optimierung von resilienten Wertschöpfungssystemen sowie mit dezentralen Datenräumen und Analytics-Anwendungen in der Automobil- und Halbleiterindustrie.
Dipl.-Wirtsch.-Ing. Marc Kujath studierte Wirtschaftsingenieurwesen Logistik an der Otto-von-Guericke-Universität Magdeburg und ist seit 2014 Wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Fabrikbetrieb und – automatisierung IFF. Er beschäftigt sich mit Stör- und Einflussgrößen in der Modellierung produktionslogistischer Prozessabläufe zur Steigerung resilienter Wertschöpfungssysteme.
Dipl.-Inf. Harald Steinert studierte Wirtschaftsinformatik an der Fachhochschule Köln, Abteilung Gummersbach. Seit 2021 ist er bei der German Edge Cloud im Produktmanagement beschäftigt. Dort arbeitet er an der Entwicklung der Digital Industrial Solutions mit. Er hat mehr als 20 Jahre Erfahrung in MES- und APS-Projekten und der Entwicklung von MES- und APS-Systemen.
Dr. Philipp Wolfrum studierte Technische Kybernetik in Stuttgart und Cognitive & Neural Systems in Boston und promovierte über Informationsrouting im Gehirn in Frankfurt. Seit 2009 arbeitet er in der Zentralen Forschung der Siemens AG. Seine Schwerpunkte sind Zustandsschätzung, Modellprädiktive Regelung, und das Nutzen von ML-Methoden für Modellierung und Simulation.
Dipl.-Inf. Theodor Isinger studierte allgemeine Informatik an der Fachhochschule Mannheim. Seit 2020 ist er bei der Siemens AG im Digital Manufacturing Software Segment beschäftigt. Dort arbeitet er an der Strategie und Ausrichtung des Softwareportfolios bzw. an der Umsetzung von strategischen Projekten. Er hat mehr als 20 Jahre Erfahrung in Manufacturing Operations Management.
Literatur
1 Falkenau, F.; Jelschow, V.; Loewke, C. J.; Kujath, M.; Steinert, H.; Wolfrum, P.; Bauernhansl, T.: Catena-X – Online Steuerung und Simulation. ZWF 118 (2023) 4, S. 212–216 DOI:10.1515/zwf-2023-103110.1515/zwf-2023-1031Search in Google Scholar
2 Wolfrum, D. P.; Haager, D.; Isinger, T.; Rosen, R.; Kutzler, T.: Kollaborative Materialflusssimulationen zur Steuerung der Verknüpfung von Supply Chain und Shopfloor – Ein Catena-X Use-Case. In: Automation 2023 zum 24. Leitkongrss der Mess- und Automatisierungstechnik, Baden-Baden 2023 DOI:10.51202/9783181024195-7310.51202/9783181024195-73Search in Google Scholar
3 „Catena-X“: Online unter https://catena-x.net/de [Zugriff am 15 07 2024].Search in Google Scholar
4 Werner, H.: Instrumente des Supply Chain Management. In: Supply Chain Management – Grundalgen, Strategien, Instrumente und Controlling. Gabler Verlag, Wiesbaden 2008, S. 184–265Search in Google Scholar
5 Lombard, L. B.: Events – A Metaphysical Study. Routledge, London 1986Search in Google Scholar
6 Dey, S.: Surviving Major Disruptions: Building Supply Chain Resilience and Visibility through Rapid Information Flow and Real-Time Insights at the “edge”. Sustainable Manufacturing and Service Economics (2022) DOI:10.1016/j.smse.2022.10000810.1016/j.smse.2022.100008Search in Google Scholar
7 Gunal, M. M.: Simulation for Industry 4.0 – Past, Present, and Future. Springer International Publishing, Cham 2019 DOI:10.1007/978-3-030-04137-310.1007/978-3-030-04137-3Search in Google Scholar
8 Moosavi; J.; Hesseini, S.: Simulation-based Assessment of Supply Chain Resilience with Consideration of Recovery Strategies in the COVID-19 Pandemic Context. Computers & Industrial Engineering 160 (2021) 1, 107593 DOI:10.1016/j.cie.2021.10759310.1016/j.cie.2021.107593Search in Google Scholar PubMed PubMed Central
9 Robinson, P.; Lowe, J.: Literature Reviews vs. Systematic Reviews. Australian and New Zealand Journal of Public Health 39 (2025) 2, S. 103 DOI:10.1111/1753-6405.1239310.1111/1753-6405.12393Search in Google Scholar PubMed
10 Chen, Z.; Hammad, A. W. A.: Mathematical Modelling and Simulation in Construction Supply Chain Management. Automation in Construction 156 (2023) 3, 105147 DOI:10.1016/j.autcon.2023.10514710.1016/j.autcon.2023.105147Search in Google Scholar
11 Barbosa, C.; Azevedo, A.: Hybrid Simulation for Complex Manufacturing Value-Chain Environments. Procedia Manufacturing 118 (2027), S. 1404–1412 DOI:10.1016/j.promfg.2017.07.27010.1016/j.promfg.2017.07.270Search in Google Scholar
12 van der Zee, D.-J.: Model Simplification in Manufacturing Simulation – Review and framework. Computers & Industrial Engineering 127 (2019), S. 105–1067 DOI:10.1016/j.cie.2018.11.03810.1016/j.cie.2018.11.038Search in Google Scholar
13 Chilmon, B.; N. S. Tipi, : Modelling and Simulation Considerations for an End-to-End Supply Chain System. Computers & Industrial Engineering 150 (2020) 3, 106870 DOI:10.1016/j.cie.2020.10687010.1016/j.cie.2020.106870Search in Google Scholar
14 Vieira, A. A. C.; Dias, L.; Santos, M. Y.; Pereira, G. A. B.; Oliveira, J.: Bypassing Data Issues of a Supply Chain Simulation Model in a Big Data Context. Procedia Manufacturing 42 (2020), S. 132–139 DOI:10.1016/j.promfg.2020.02.03310.1016/j.promfg.2020.02.033Search in Google Scholar
15 Jaenichen, F.-M.; Liepold, C. J.; Ismail, A.; Schiffer, M.; Ehm, H.: Disruption Evaluation in End-to-End Semiconductor Supply Chains via Interpretable Machine Learning. IFAC-PapersOnLine 55 (2022), S. 661–666 DOI:10.1016/j.ifacol.2022.09.47910.1016/j.ifacol.2022.09.479Search in Google Scholar PubMed PubMed Central
16 Herding, R.; Mönch, L.: An Agent-based Infrastructure for Assessing the Performance of Planning Approaches for Semiconductor Supply Chains. Expert Systems with Applications, September 202 (2022) 1, 1170001 DOI:10.1016/j.eswa.2022.11700110.1016/j.eswa.2022.117001Search in Google Scholar
17 Bakhtadze, N.; Suleykin, A.: Industrial Digital Ecosystems: Predictive Models and Architecture Development Issues. Annual Reviews in Control 51 (2021), S. 56–64 DOI:10.1016/j.arcontrol.2020.11.00110.1016/j.arcontrol.2020.11.001Search in Google Scholar
18 Peters, F.; Limbourg, S.: Modelling Shared Logistics Resources in Loosely Coupled Software Architectures. Transportation Research Procedia 72 (2023), S. 1715–1722 DOI:10.1016/j.trpro.2023.11.64510.1016/j.trpro.2023.11.645Search in Google Scholar
19 Eclipse Tractus-X: Tractus-X is the Official Open-Source Project in the Catena-X Data Space. Online unter https://eclipse-tractusx.github.io [Zugriff am 16 07 2024]Search in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Inhalt
- Editorial
- Digitale Wertschöpfungsketten zur Schaffung und Unterstützung von Werten
- Fabrikplanung
- AR-basierte, interdisziplinäre Fabrikplanungsprojekte
- Ganzheitliche digitale Fabrikmodelle
- Planung von energieautarken Fabriken
- Anwendung von Large Language Models (LLMs) in der Fabrikplanung
- Produktionsplanung
- Synthetische Variantenmodellierung für eine integrierte Produktionsplanung
- Lagerplanung
- Stellplatzoptimierung im Einplatzregal
- Simulation
- Dezentrale und kollaborative Materialflusssimulation für das Supply Chain Management
- Dreidimensionale modulare Ablaufsimulation zur Optimierung der Produktionsplanung
- Kreislaufwirtschaft
- Remanufacturing in flexiblen (De-)Montagesystemen
- Fahrzeugentwicklung
- Freigaben in der Automobilentwicklung
- Digital Product Passport
- Challenges in Implementing Gaia-X for Industrial Applications
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Künstliche Intelligenz
- KI-gestützte Optimierung von Produktionsparametern für bessere Qualität
- Intelligente Produktionsplanung im Maschinen- und Anlagenbau
- Digitale Transformation
- Digitale Transformation von manuellen Prozessen
- Digitaler Schatten
- Einsatz digitaler Schatten in der Teilefertigung
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Digitale Wertschöpfungsketten zur Schaffung und Unterstützung von Werten
- Fabrikplanung
- AR-basierte, interdisziplinäre Fabrikplanungsprojekte
- Ganzheitliche digitale Fabrikmodelle
- Planung von energieautarken Fabriken
- Anwendung von Large Language Models (LLMs) in der Fabrikplanung
- Produktionsplanung
- Synthetische Variantenmodellierung für eine integrierte Produktionsplanung
- Lagerplanung
- Stellplatzoptimierung im Einplatzregal
- Simulation
- Dezentrale und kollaborative Materialflusssimulation für das Supply Chain Management
- Dreidimensionale modulare Ablaufsimulation zur Optimierung der Produktionsplanung
- Kreislaufwirtschaft
- Remanufacturing in flexiblen (De-)Montagesystemen
- Fahrzeugentwicklung
- Freigaben in der Automobilentwicklung
- Digital Product Passport
- Challenges in Implementing Gaia-X for Industrial Applications
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- Künstliche Intelligenz
- KI-gestützte Optimierung von Produktionsparametern für bessere Qualität
- Intelligente Produktionsplanung im Maschinen- und Anlagenbau
- Digitale Transformation
- Digitale Transformation von manuellen Prozessen
- Digitaler Schatten
- Einsatz digitaler Schatten in der Teilefertigung
- Vorschau
- Vorschau
