Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

Filters

1 1
2
Reset filters

Settings
Now showing 1 - 2 of 2
  • Publication
    Entwicklung eines Prozess- und Informationsmodells für das Produktlebenszyklusmanagement in der digitalen Transformation
    (Fraunhofer Verlag, 2023)
    Schindlbeck, Roman
    ;
    Rethmeier, Michael
    ;
    Stark, Rainer
    ;
    Dust, Robert
    Die Digitalisierung erfordert von industriellen Unternehmen, reaktionsfähig neue Kundenbedürfnisse zu bedienen. Der tägliche Umgang mit digitalen Technologien verändert die Erwartungen der Nutzer an Produkte und Services. Um im Wettbewerb zu bestehen, sind Geschäftsmodelle konsequent kundenorientiert auszurichten und permanent anzupassen. Innovationen ressourceneffizient und schnell in Form von Produkten und Services zu operationalisieren, setzt voraus, dass die Prozesse und Systeme von Unternehmen ein durchgängiges, anpassbares und transparentes Wissens-, Informations- und Datenmanagement gewährleisten. In dieser Arbeit wird ein Modell für ein strukturiertes Vorgehen entwickelt, um neue Geschäftsmodelle zu gestalten und die dafür notwendigen Adaptionen des Produktlebenszyklusmanagements vorzunehmen. Die Anforderungen an das Modell werden anhand der praxisbezogenen Aktionsforschung und qualitativer Untersuchungsmethoden abgeleitet. Darauf aufbauend erfolgt die Modellbildung, in die konkrete Techniken und Handlungsanleitungen einfließen. Anschließend wird das Modell durch den Use Case „Automatisiertes Laden“ evaluiert.
  • Publication
    A Data-Driven Concept and Realization for Engineering Change Management Decision Support
    (Fraunhofer Verlag, 2023)
    Pan, Yuwei
    ;
    Krüger, Jörg
    In today's automotive industry, quickly reacting to engineering changes and providing market-driven products within a short period remains a competence for all Original Equipment Manufacturers (OEMs). Due to the complexity of products, changes to one component can lead to unexpected chain reactions in others. Besides, from creation to the approval of a change request can take weeks or even months without apparent reasons for the delays. To coordinate and control changes, companies established Engineering Change Management (ECM) processes. ECM processes can impact all determinants of competition of products: cost, quality, and time-to-market. Without proper management of Engineering Changes (ECs), negative impacts will happen. In the scope of this dissertation, a machine-learning based ECM decision support solution is developed which includes two main functions: change impacts prediction and lead time prediction. These functions support engineers to have an overview of change consequences in the early phase of the ECM process. The solution was evaluated based on the data from an automotive company and reached good performance. Therefore it was rated as beneficial to increase the efficiency, effectiveness, and quality of the existing ECM processes.