Kurzfassung
Die Kapazitätsplanung für die Regeneration komplexer Investitionsgüter, wie z. B. Schienenfahrzeug-Transformatoren, ist aufgrund der Informationsunschärfe sehr herausfordernd. Der Grund dafür ist, dass die für die Regeneration einzuplanenden Tätigkeiten und deren Umfänge zum Zeitpunkt der Planung oftmals nicht vollständig bekannt sind. Dies ist insbesondere dann schwierig, wenn die Regenerationsaufträge in eine laufende Fertigung integriert werden müssen und sich die Abweichung der aktuellen von der eingeplanten Belastung somit direkt auf den Produktionsplan auswirkt. Aufgrund der fortschreitenden Digitalisierung und der damit einhergehenden zunehmenden Datenverfügbarkeit eröffnen sich jedoch neue Potenziale für eine Verbesserung der Planungsgrundlage. In diesem Zusammenhang können Data-Mining-Ansätze für die Generierung von Belastungsprognosen genutzt werden und damit die Kapazitätsplanung unterstützen.
With regard to the recommissioning of damage caused inoperable complex capital goods, a high logistics efficiency is a very important competitive factor for regeneration service providers. Consequently, fast processing as well as a high schedule reliability need to be realized. However, since the required regeneration effort for future damages may vary and is usually indefinite at the time of planning, capacity planning for the regeneration of complex capital goods has to deal with a high degree of uncertainty. Regarding this challenge, the evaluation of prior regeneration process data by means of data mining offers great potential for the determination of load forecasts. This paper depicts the development of a data mining approach to support capacity planning for the regeneration for complex capital goods focusing on rail vehicle transformers as a sample of application.
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.