Course Schedule

Veranstaltungen von Prof. Dr.-Ing. Jens Heger


Lehrveranstaltungen

Digitale Produktion (Vorlesung)

Dozent/in: Jens Heger

Termin:
 wöchentlich | Donnerstag | 12:00 - 13:45 | 16.10.2023 - 02.02.2024 | C 12.013 Seminarraum | .

Inhalt: dt. : Die Studierenden erhalten ein grundlegendes Verständnis von der Digitalisierung der Produktion. Aktuelle Entwicklungen in der Industrie werden anhand von USE-Cases betrachtet. Dazu gehören Aspekte des Produktionsmanagements (Lean und Industrie 4.0), Cyber-Physische Systeme und Echtzeitfähigkeit, Stetig- und Unstetigförderer (z.B. autonome Transportsysteme), dezentrale und Cloudsteuerung. engl. : The students gain a basic understanding of the digitalization of production. Current developments in the industry are examined on the basis of USE cases. These include aspects of production management (lean and industry 4.0), cyberphysical systems and real-time capability, continuous and discontinuous conveyors (e.g. autonomous transport systems), discreet and cloud control.

Simulationsstudien und Datenanalysen in der Produktionslogistik (Seminar)

Dozent/in: Jens Heger

Termin:
 wöchentlich | Donnerstag | 10:15 - 11:45 | 16.10.2023 - 02.02.2024 | C 16.124 Seminarraum | .

Inhalt: Simulationsstudien und Datenanalysen in der Produktionslogistik Beispielhafte Themen: 1. Eine Auswahl eines Transportsystems für eine flexible Fließfertigung? a. Kennzahlen einer flexiblen Fließfertigung b. Aufbau einer Simulation für die vers. Transportsysteme im - AGV - Milkrun c. Auswahl eines entsprechenden Systems unter Betrachtung verschiedener Parameter 2. Layout-Pläne basierend auf basierenden Daten heuristisch generieren und durch Simulation evaluieren a. Kennzahlen der Fabrikplanung b. Methoden der Prozessbeschreibung / Fabrikplanung / c. Generierung eines Algorithmus zur automatischen Erstellung von Fabriklayouts basierend auf Wertstromanalyse d. Halbautomatisierte Dimensionierung von Anlagen basierend auf Kennzahlen 3. Reihenfolgeplanung - Vergleich Prioritätsregeln - Zentrale Heuristiken: z.B. Shifting Bottleneck implementieren 4. Standortentscheidungen mit Hubs unter Betrachtung von Mengenflüssen (AnyLogic Übung + Optimierung) - Kennzahlen von Distributionsnetzwerke - Optimierung eines Produktionsnetzwerkes - Erweiterung eines Netzwerkes um einen Standort

Algorithmen im Supply Chain Management (Seminar)

Dozent/in: Jens Heger

Termin:
 wöchentlich | Donnerstag | 14:15 - 15:45 | 16.10.2023 - 02.02.2024 | C 12.108 Seminarraum

Inhalt: Die Veranstaltung vermittelt eine Übersicht über das Supply Chain Management und behandelt die verschiedenen Aufgaben anhand der Supply Chain Planning Matrix (Rohde et al.). Dieser Teil macht etwa die Hälfte der Veranstaltung aus, die andere Hälfte konzentriert sich auf verschiedene Optimierungsansätzen, Methoden und Algorithmen zur Lösung verschiedener Fragestellungen aus dem SCM. An Hand eingängiger Beispiele werden die verschiedenen Algorithmen im Rahmen des Supply Chain Management erläutert und erprobt. Die Bestimmung zu verschiffender Materialmengen, die bestmögliche Containerbeladung, oder auch die Positionierung von Lager- und Verteilzentren auf der Karte sind typische Anwendungen. Für das komplexe (np-vollständige) Problem des Handlungsreisenden (TSP) stehen bspw. verschiedene Ansätze zur Verfügung. Die mathematische Modellierung kann genutzt werden, um das Problem mit dem Simplex Algorithmus optimal zu lösen, bei größeren Szenarien kommen verschiedene Heuristiken (Greedy / Ameisen-Algorithmus) oder auch die Simulation in Frage. Durch die Synchronisierung von Mitarbeiterteams und Fahrzeugrouten wird die Komplexität nochmal gesteigert werden.

DATAx: Datenanalyse mit Python (14) (Übung)

Dozent/in: Jens Heger

Termin:
 wöchentlich | Montag | 15:00 - 15:55 | 16.10.2023 - 02.02.2024 | C 40.152 Seminarraum

Inhalt: Dieser Kurs bietet eine Einführung in die Programmierung und Datenanalyse mit Python. Er ist explizit auf Studierende ohne Vorkenntnisse und Erfahrungen in der Programmierung zugeschnitten. Im Kurs erlernen die Studierenden (i) die wesentlichen Schritte zur Durchführung von Datenanalysen mit Python, (ii) grundlegende Programmierkonzepte wie Variablen, Bedingungen, Schleifen und Funktionen sowie (iii) Strategien zur Lösung einfacher Probleme unter Anwendung des algorithmischen Denkens. Der Kurs ist als Übung organisiert und verfolgt einen Blended-Learning-Ansatz. Er kombiniert das Erlernen von Fähigkeiten der Datenanalyse und Programmierung in Online-Übungen mit dem Selbststudium anhand von Jupyter-Notebooks. Zusätzlich werden die Studierenden durch erfahrene Studierende höherer Semester (Teaching Assistants) unterstützt. Regelmäßige Aufgaben ermutigen die Studierenden, sich anzustrengen und praktische Erfahrungen in der Programmierung und Datenanalyse zu sammeln sowie das erworbene Wissen auf ihr Studiengebiet zu übertragen. Am Ende des Semesters werden die Studierenden in ihrer Lerngruppe an einem datengetriebenen Projekt arbeiten, bei dem sie verschiedene Rollen einnehmen und gemeinsam lernen, Erkenntnisse aus realen Daten zu gewinnen und zu präsentieren.

DATAx: Datenanalyse mit Python (13) (Übung)

Dozent/in: Jens Heger

Termin:
 wöchentlich | Montag | 14:00 - 14:55 | 16.10.2023 - 02.02.2024 | C 40.152 Seminarraum

Inhalt: Dieser Kurs bietet eine Einführung in die Programmierung und Datenanalyse mit Python. Er ist explizit auf Studierende ohne Vorkenntnisse und Erfahrungen in der Programmierung zugeschnitten. Im Kurs erlernen die Studierenden (i) die wesentlichen Schritte zur Durchführung von Datenanalysen mit Python, (ii) grundlegende Programmierkonzepte wie Variablen, Bedingungen, Schleifen und Funktionen sowie (iii) Strategien zur Lösung einfacher Probleme unter Anwendung des algorithmischen Denkens. Der Kurs ist als Übung organisiert und verfolgt einen Blended-Learning-Ansatz. Er kombiniert das Erlernen von Fähigkeiten der Datenanalyse und Programmierung in Online-Übungen mit dem Selbststudium anhand von Jupyter-Notebooks. Zusätzlich werden die Studierenden durch erfahrene Studierende höherer Semester (Teaching Assistants) unterstützt. Regelmäßige Aufgaben ermutigen die Studierenden, sich anzustrengen und praktische Erfahrungen in der Programmierung und Datenanalyse zu sammeln sowie das erworbene Wissen auf ihr Studiengebiet zu übertragen. Am Ende des Semesters werden die Studierenden in ihrer Lerngruppe an einem datengetriebenen Projekt arbeiten, bei dem sie verschiedene Rollen einnehmen und gemeinsam lernen, Erkenntnisse aus realen Daten zu gewinnen und zu präsentieren.