Produzierende Unternehmen müssen sich in der dynamischen VUKA-Welt kontinuierlich anpassen, um wettbewerbsfähig zu bleiben. Die Arten der Veränderungsfähigkeit Flexibilität, Robustheit, Resilienz und Wandlungsfähigkeit unterstützen Fabriksysteme dabei. Bisher wurden diese jedoch inkonsistent definiert und angewendet. Daher liefert dieser Beitrag klare Definitionen und integriert die Fähigkeiten in den Risikomanagementprozesse, um eine anwendungsspezifische Auswahl sicherzustellen. Dies erlaubt eine wirtschaftlich effiziente Aktivierung der Veränderungsfähigkeitsarten je nach Risiko und beachtet das Zusammenwirken auf verschiedenen Fabrikebenen.

Complex production systems consist of many tasks and require extensive training of employees to ensure productivity and quality. Functional flexibility defines how many tasks each employee needs to be trained on and provides a significant added value to determine possible deployment of each employee. Increasing flexibility leads to constant learning and forgetting of tasks and work contents caused by constantly alternating employee and task combinations. In a preliminary study, we built a scenario inside a learning factory to investigate effects caused by functional flexibility. The study was embedded in a one-day training course where students learned about basics of lean production. The production environment of the study consisted of three consecutive workstations with defined assembly tasks. The participants performed three production runs spread over one day by two groups with either a minimum or a maximum level of functional flexibility. Results show that training losses increase within the group of higher flexibility because of lower productivity caused by learning effects. Significant forgetting effects provoked by break duration were not observed because the length of the breaks were not sufficient enough to cause the forgetting phenomenon. The study provides valuable insight into design and execution of experimental studies in learning factories and allows a basis for further research activities. Future studies benefit from a discussion of limitations regarding design and execution to enable detailed research on employee deployment or functional flexibility in learning factories.

Der Zielgrößenkonflikt zwischen Produktivität und der Beherrschbarkeit eines wachsenden Produktspektrums stellt die Montagesysteme zahlreicher industrieller Unternehmen vor große Herausforderungen. Die Fähigkeiten bestehender Organisationsformen reichen nicht mehr aus, um variantenzeitdivergierende Inhalte in einem wirtschaftlichen Zusammenhang abbilden zu können. Im Rahmen des Forschungsprojekts HyFlowJobShop werden alternative hybride Organisationsformen konzipiert und produktionslogistische Simulationen für Fließ-Werkstatt-Kombinationen zu deren Bewertung durchgeführt.

The dimensioning and design of assembly operating equipment (AOE), such as workpiece carriers, assembly devices, and assembly assistive devices, are central to the early phase of many processes in assembly planning. In addition to the traditional economic requirements, production-related factors such as assembly sequence flexibility (ASF) are increasingly important. The characteristics and design of AOE result in restrictions about assembly precedence relationships, which must be considered when assigning assembly contents to workstations. In the assembly planning process, the restrictions imposed by the product can only be influenced to a limited extent. In particular, combining different product variants on a standard assembly system according to the flow principle results in a complex network of assembly precedence relationships that can affect productivity. It is because assembly line balancing can only be implemented to a limited extent, or the compatibility of different product variants within the same assembly system is insufficient. This paper presents a developed general approach using assembly precedence matrices (APMs) that allows further analysis by integrating additional information. This approach evaluates the constraints caused by AOE and analyzes or prioritizes their elimination in terms of ASF. To validate the proposed model, a practical implementation follows in a learning factory, where an exemplary product is evaluated in terms of its ASF when implemented in an assembly system based on the flow principle.

Die Volatilität der Märkte stellt für produzierende Unternehmen eine zentrale Herausforderung dar. Neben kurzfristigen Schwankungen der Nachfragemengen verstärken Variantenmixschwankungen kundenindividueller Produkte die Notwendigkeit des effizienten Einsatzes von Belastungsabstimmungsmaßnahmen. Als Lösungsansatz wird am Institut für Fabrikanlagen und Logistik (IFA) im Forschungsprojekt „GeProVar“ eine Methodik zur Operationalisierung der Belastungsflexibilität für KMU entwickelt. Die den produzierenden Unternehmen zur Verfügung stehenden Maßnahmen zur Kapazitäts- und Belastungsabstimmung werden in diesem Beitrag kategorisiert. Durch die angestrebte Entscheidungsunterstützung wird eine reaktionsschnelle Durchführung der Auswahl von optimalen Maßnahmenkombinationen der Belastungsabstimmung zur Handhabung von kurzfristigen Nachfrageschwankungen ermöglicht.