TY - THES A1 - Tran, Anh Duc T1 - Konzeption einer Big-Data-Architektur zur Optimierung und Flexibilisierung der Automobilproduktion T1 - Conception of a Big Data architecture for the optimization and flexibilization of automotive production N2 - Im Zeitalter der Digitalisierung steht die Automobilindustrie vor innerbetrieblichen Herausforderungen, welche sowohl die angewandten Technologien, als auch den Menschen gleichermaßen betreffen. Dabei gilt es die Effizienz im Produktionsprozess anhand vorhandener Daten zu maximieren, indem bestehende Ressourcen optimal eingesetzt werden. Die effiziente Nutzung vorhandener Ressourcen ist ein entscheidender Faktor zur Erreichung globaler Ziele, wie dem einer ressourcenschonenden, klimaneutralen Produktion. Das Ziel dieser Arbeit ist die Erarbeitung einer Big-Data-Architektur, mit der ein Ansatz des Predictive Maintenance in der Produktion zum Trage kommt. Das Big-Data-Konzept soll systemübergreifend die Datenflut in der Automobilproduktion abfangen und durch eine effiziente Aufarbeitung für die Verwertbarkeit sorgen. Hinsichtlich der Orchestrierung der Datensysteme liegt der Schwerpunkt in der Automatisierung der Datenanalyseprozesse. Darüber hinaus wird dem Leser das disruptive Potenzial von Big-Data-Technologien näher gebracht. N2 - In the age of digitalization, the automotive industry is faced with internal challenges that affect both the technologies used and the people involved. The aim is to maximize efficiency in the production process on the basis of existing data by making optimum use of existing resources. The efficient use of existing resources is a decisive factor in achieving global goals, such as resource-conserving, climate-neutral production. The goal of this work is to develop a Big Data architecture that applies a predictive maintenance approach to production. The Big Data concept is intended to intercept the flood of data in automobile production across all systems and to ensure its usability through efficient processing. With regard to the orchestration of data systems, the focus is on the automatization of data analysis processes. In addition, the reader is introduced to the disruptive potential of Big Data technologies. KW - Digitalisierung KW - Produktion KW - Big Data KW - Datenanalyse KW - Predictive maintenance KW - Digitazation KW - Production KW - Big Data KW - Data analytics KW - Predictive maintenance KW - Kraftfahrzeugindustrie KW - Big Data Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-56012 ER - TY - THES A1 - Schicketanz, Thomas T1 - Szenarioanalyse zur Ausrichtung von Krankenhäusern unter Berücksichtigung relevanter Einflussfaktoren T1 - Scenario analysis for the alignment of hospitals in consideration of relevant influencing factors N2 - Wesentliche Einflussfaktoren auf Krankenhäuser werden immer multidimensionaler, verflochtener und verändern sich teilweise so schnell, dass bereits etablierte Prognoseverfahren an ihre Grenzen stoßen. Somit steigen die Anforderungen im Rahmen der strategischen Krankenhausplanung und verschärfen das inhärente Planungsproblem kontinuierlich. Daher ist es notwendig eine ganzheitliche Zukunftsplanung für Krankenhäuser zu etablieren und somit Unsicherheiten im Strategieplanungsprozess so weit wie möglich zu reduzieren. Das Ziel der vorliegenden Arbeit ist es zu beantworten, wie eine ganzheitliche Planung in Krankenhäusern, im Rahmen einer Szenarioanalyse, erfolgreich etabliert werden kann. Wahrscheinliche Zukunftsereignisse sollen skizziert und deren Auswirkungen auf das System Krankenhaus quantifiziert werden können, um Handlungsmöglichkeiten abzuleiten. Dazu wird folgende Forschungsfrage gestellt: Wie kann das tatsächlich existierende Planungsproblem in Krankenhäusern, unter Berücksichtigung der Komplexitätszusammenhänge, durch einen Ansatz einer ganzheitlichen Planung, im Rahmen einer Szenarioanalyse vereinfacht werden? Um diese Frage zu beantworten, wurde unter Einsatz von extrapolierenden Verfahren ein Grundmodell erstellt, welches eine Szenarioanalyse zur Ausrichtung von Krankenhäusern unter Berücksichtigung relevanter Einflussfaktoren abbildet. Hierzu wurden statistische Diagnosedaten des Bundes, des Landes, eines Beispielkrankenhauses sowie Bevölkerungsentwicklungsdaten und DRG-Kostendaten eingebunden. Im Ergebnis der Arbeit kann eruiert werden, dass die entwickelte Szenarioanalyse einen neuen branchenspezifischen Planungsansatz darstellt, als geeignetes strategisches Managementinstrument für Krankenhäuser eingesetzt und als Entscheidungsgrundlage genutzt werden kann. Die Szenarioanalyse zeigt ceteris paribus, dass die regional-demographischen Bevölkerungsschichtungen des Beispiellandkreises erheblichen Einfluss auf die prospektive Entwicklung der Beispielklinik haben, stärker als im Bundes- oder Landesdiagnosetrend. Durch die Variation realer Einflussfaktoren sind Auswirkungen sofort quantifizierbar. Ein weiterführender Einsatz in überregionalen Krankenhauskonzernen sowie in den landesspezifischen Krankenhausplanungsbehörden würde zu einer prospektiv signifikant erhöhten Planungsgenauigkeit führen. N2 - Major factors influencing hospitals are becoming increasingly multidimensional, interwoven and in some cases changing so rapidly that already established forecasting methods are reaching their limits. Thus the requirements within the framework of strategic hospital planning are increasing and are continuously exacerbating the inherent planning problem. It is therefore necessary to establish holistic future planning for hospitals and thus reduce uncertainties in the strategic planning process as much as possible. The aim of this paper is to answer how holistic planning can be successfully established in hospitals within the framework of a scenario analysis. Probable future events should be outlined and their effects on the hospital system quantified in order to derive possible courses of action. The paper tries to answer the following research question: How can the existing planning problem in hospitals, taking into account the complex interrelationships, be simplified by an approach of holistic planning within the framework of a scenario analysis? In order to answer this question a basic model was created using extrapolating methods, which depicts a scenario analysis for the orientation of hospitals, considering relevant influencing factors. For this purpose statistical diagnosis data of the federal government, the state, an example hospital as well as population development data and DRG cost data were integrated. As a result of the work, it can be determined that the scenario analysis developed represents a new sector-specific planning approach, can be used as a suitable strategic management tool for hospitals and can be used as a basis for decision-making. The scenario analysis shows, ceteris paribus, that the regional-demographic population stratification of the example county has a considerable influence on the prospective development of the example hospital, stronger than in the federal or state diagnostic trends. By varying real influencing factors, effects are immediately quantifiable. Further use in supra-regional hospital groups as well as in the state-specific hospital planning authorities would lead to a prospectively significantly increased planning accuracy. KW - Krankenhaus KW - Szenarioanalyse KW - Planungsproblem KW - Prognoseinstrument KW - Strategie KW - Hospital KW - Scenario analysis KW - Planning problem KW - Forecasting tool KW - Strategy KW - Strategische Planung KW - Prognoseverfahren KW - Szenario KW - Krankenhaus Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-55150 ER - TY - THES A1 - Grotrian, Jens T1 - Empirische Logik : ein bionisch inspirierter Ansatz zur Entscheidungsfindung mit Erfahrungswissen in Wirtschaft und Technik T1 - Empirical Logic : a bionic-inspired approach to decision-making with experience in business and technology N2 - Empirische Logik ist eine neuartige „Soft Computing“-Methode, welche auf einem bionisch inspirierten Ansatz beruht. Das biologische Vorbild ist ähnlich wie beim maschinellen Lernen mit Hilfe von „künstlichen neuronalen Netzen“ die Nervenstruktur des Gehirns. Anders als beim maschinellen Lernen spielt für die Empirische Logik die Lernfähigkeit der neuronalen Netze durch strukturelle Anpassungen der Verbindungen zwischen den Nervenzellen keine Rolle. Es wird vielmehr ausgenutzt, dass der über die Sinnesorgane empfangene Input das zerebrale Nervensystem dazu veranlasst, nach einer dynamischen Einschwingphase in einen energetisch günstigen Gleichgewichtszustand überzugehen, wobei die dann eingenommene Verteilung von angeregten Gehirnregionen den Output dieser neuronalen Übertragungsfunktion repräsentiert, den man als kognitive Sinneswahrnehmung bezeichnet. Es waren in den 80iger Jahren die Neurowissenschaftler David Tank und John Hopfield, die mit Hilfe von zu künstlichen neuronalen Netzen zusammengeschalteten elektronischen Operationsverstärkern gezeigt haben, dass man diesen Effekt auch dazu verwenden kann, komplexe Optimierungsprobleme zu lösen. Die Empirische Logik ist eine formale rechnergestützte Sprache, die es ermöglicht, anhand von Regeln formuliertes Erfahrungswissen in einer einem biologischen neuronalen Netz nachgebildeten Programmstruktur zu hinterlegen und den von Tank und Hopfield beobachteten Effekt für die Lösung komplexer Probleme zu nutzen. Funktionstechnisch unterscheiden sich die so konstruierten künstlichen neuronalen Netze von den für das maschinelle Lernen verwendeten Netze in einer wesentlichen Eigenschaft: In den lernfähigen künstlichen neuronalen Netzen werden die Neuronen als Berechnungseinheiten aufgefasst, welche Eingangssignale, die über Dendrite empfangen werden, in ein Ausgangssignal umwandeln, das über ein Axon weitergegeben wird. In den nicht lernfähigen künstlichen neuronalen Netzen der Empirischen Logik sind die Neuronen passive Informationsspeicher, die eingangsseitig als Indizien und ausgangsseitig als Hypothesen bezeichnet werden. Berechnungseinheiten sind dagegen die Synapsen, welche Signale, die über Axone empfangen werden, in Ausgangssignale umwandeln, die über Dendrite weitergegeben werden. Entsprechend den beiden Erscheinungsformen von stimulierenden und inhibitorischen Synapsen gibt es zwei Typen von Berechnungseinheiten, die in der Empirischen Logik Validierungs- und Invalidierungsoperatoren heißen. Im Gegensatz zu lernfähigen künstlichen neuronalen Netzen, welche Wissensinhalte nur impliziert in einer „Black Box“ speichern, sind mit Empirischer Logik entwickelte Anwendungen für den Benutzer transparent und in ihrer Funktionalität überprüfbar. N2 - Empirical logic is a novel soft computing method based on a bionic-inspired approach. Similar to machine learning with the help of “artificial neural networks”, the biological model is the neural structure of the brain. Unlike machine learning, empirical logic does not take into account the ability of neural networks to learn through structural adjustments of the connections between nerve cells. Rather, it takes advantage of the fact that the input received via the sensory organs causes the cerebral nervous system to transition to an energetically favorable equilibrium state after a dynamic transient phase, whereby the distribution of stimulated brain regions then assumed represents the output of this neuronal transfer function, which is referred to as cognitive sensory perception. In the 1980s, neuroscientists David Tank and John Hopfield demonstrated, with the help of electronic operational amplifiers connected to artificial neural networks, that this effect can also be used to solve complex optimization problems. Empirical logic is a formal computer-aided language that makes it possible to store empirical knowledge formulated on the basis of rules in a program structure modeled on a biological neural network and to use the effect observed by Tank and Hopfield to solve complex problems. In terms of functionality, the artificial neural networks constructed in this way differ from the networks used for machine learning in one essential property: In learning artificial neural networks, neurons are viewed as computing units that convert input signals received via dendrites into an output signal that is transmitted via an axon. In the non-learning artificial neural networks of empirical logic, the neurons are passive information storage devices, which are referred to as indications on the input side and hypotheses on the output side. The computational units, on the other hand, are the synapses, which convert signals received via axons into output signals that are passed on via dendrites. Corresponding to the two forms of stimulating and inhibitory synapses, there are two types of computational units, which in empirical logic are called validation and invalidation operators. In contrast to learning artificial neural networks, which only implicitly store knowledge content in a “black box”, applications developed with empirical logic are transparent to the user and their functionality can be verified. KW - Empirische Logik KW - Soft Computing KW - C- und D-Normen KW - Bio-Inspired Computing KW - Computer-Aided Decision-Making KW - Soft Computing KW - Neuronales Netz KW - Optimierungsproblem KW - Computerunterstütztes Verfahren Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-69749 ER -