Im Rahmen dieses Working Papers wird ein KI-gestütztes Assistenzsystem vorgestellt, welches dem Anwendungspartner Bette GmbH eine humanzentrierte Produktionsplanung ermöglicht. Dazu werden zunächst die Besonderheiten vorgestellt, welche die Produktionsplanung bei Bette herausfordernd machen. Dazu gehören insbesondere eine hohe Variantenvielfalt bei gleichzeitig hohen Qualitätsanforderungen. Außerdem führen stochastische Ereignisse wie Nacharbeit an einzelnen Produkten zu unerwarteten Mehraufwänden. In einer ersten Befragung wurden Belastungsfaktoren und die Einstellung der Beschäftigten gegenüber KI und Digitalisierung abgefragt. Die Beschäftigten zeigten sich offen gegenüber neuen Technologien und gaben an, dass Staus und ungeplante Belastungsspitzen für sie ein Problem darstellen. In einer weiteren, täglichen, Befragung konnten die Ergebnisse weiter differenziert werden und so Ursachen für die Belastung und besonders belastete Arbeitsplätze identifiziert werden. Aus den arbeitswissenschaftlichen Erkenntnissen werden Anforderungen an ein Assistenzsystem abgeleitet, welches die Planung verbessern soll, um die Beschäftigten zu entlasten. Anschließend wird ein KI-gestütztes Simulationsmodell als Lösungsansatz präsentiert. Das Modell kombiniert klassische Methoden aus der Automatentheorie und der ereignisdiskreten Simulation mit Machine-Learning-Algorithmen, um Steuerungslogiken und stochastische Ereignisse abzubilden. Es wird zudem ein Workflow zur humanzentrierten Produktionsplanung vorgestellt. Dieser erweitert die klassische Arbeitsvorbereitung durch einen Feedback-Loop, welcher mithilfe des Simulationsmodells Belastungsfaktoren für die Beschäftigten direkt an den Planenden zurückgibt, sodass die Belastungen schon in der Planung verhindert werden können. Ziel ist es, eine gleichmäßige Auslastung der Arbeitsplätze untereinander und im Zeitverlauf zu gewährleisten. Das Assistenzsystem ist zum gegenwärtigen Projektstand in der Lage Belastungen (Anzahl Arbeitsgänge) für einzelne Arbeitsplätze für die nächsten fünf Stunden zuverlässig vorherzusagen. Dies bezieht insbesondere auch stochastisch auftretende Ereignisse wie Nacharbeiten mit ein, welche bisher zu ungeplanter Mehrarbeit an einzelnen Arbeitsplätzen geführt haben. Mithilfe dieser Information sollen in Zukunft gezielte Änderungen am Produktionsplan durchgeführt werden, die Belastungen verhindern. Der Erfolg des Assistenzsystems soll in einer weiteren Befragung am Ende des Projektes evaluiert werden.
Humans learn movements naturally, but it takes a lot of time and training to achieve expert performance in motor skills. In this review, we show how modern technologies can support people in learning new motor skills. First, we introduce important concepts in motor control, motor learning and motor skill learning. We also give an overview about the rapid expansion of machine learning algorithms and sensor technologies for human motion analysis. The integration between motor learning principles, machine learning algorithms and recent sensor technologies has the potential to develop AI-guided assistance systems for motor skill training. We give our perspective on this integration of different fields to transition from motor learning research in laboratory settings to real world environments and real world motor tasks and propose a stepwise approach to facilitate this transition.
Angesichts des zunehmenden Fachkräftemangels sind Gesundheit und Zufriedenheit der Beschäftigten von immer größerer Bedeutung für produzierende Unternehmen. Insbesondere bei variantenreichen Produkten müssen Werker und Werkerinnen komplexe Aufgaben erledigen. Diese Variantenvielfalt ist auch für die Produktionsfeinplanung eine Herausforderung. Die vorgestellte Heuristik hilft in einem realen Anwendungsfall Belastungsspitzen an getakteten Linien zu reduzieren und verbessert so die betriebliche Gesundheit. Given a shortage of skilled workers, employee health and satisfaction are of increasing importance to manufacturing companies. Particularly in the case of products with many variants, workers have to perform complex tasks. This diversity of variants is also a challenge for production planning. New planning paradigms help to reduce peaks of stress on flow production and thus contribute to occupational health.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.