Prof. Dr. Andreas Rükgauer
THWS Business School
97070 Würzburg
Nach Vereinbarung.
Zeiten für die Klausureinsicht sind unten unter "Aktuelles" angegeben.
Studiengangleiter Bachelor Business Analytics
Prüfungskommission Bachelor Business Analytics
Fachschwerpunkt: Produktion und Industriebetriebslehre
SS 2023 bis WS 25/26 ProPere Schwerpunktprofessur "Forschungseinstieg" über Maschinelles Lernen in Produktionsplanung und –Steuerung
Funktionen: Studiengangsleitung BBA, Prüfungskommission BBA, Digitale Prüfungen FWiWi
Aktuelles
Prüfungseinsicht für das WS 23/24 (für alle von mir geprüften Kurse)
In meinem Büro S.3.14:
- 19.3.24 11:45 - 12:45
- 20.3.24 10:30 - 11:30
In begründeten Einzelfällen ist eine Einsicht zu einem späteren Zeitpunkt nach Rücksprache möglich.
Sprechstunde
Fast jederzeit, auch kurzfristig, auf Nachfrage per email an andreas.ruekgauer@fhws.de, wahlweise online oder in Präsenz.
Aktuelle Anfragen und Themen für Abschlussarbeiten
Folgende Themen sind derzeit in meinem Fokus oder wurden von Industriepartnern für eine Betreuung bei mir angefragt, ich freue mich über Ihre Kontaktaufnahme bei Interesse an Übernahme eines Themas für Ihre Abschlussarbeit. Alle Themen können nach Ihren Interessen angepasst und konkret ausformuliert werden. Gerne gehe ich auch auf Ihre Vorschläge oder Praxisfälle ein:
I. KI und Digitalisierung
Methoden und Erfolgsbeispiele für Predictive Maintenance
Seit vielen Jahren ist Predictive Maintenance im Kontext von Industrie 4.0 häufig diskutiert. In einer Recherchearbeit soll der aktuelle Sachstand des Einsatzes von datenanalytischen Methoden in der Praxis aufgearbeitet und kritisch reflektiert werden: Welche Instandhaltungsbereiche eignen sich besser oder schlechter für datenanalytisches Arbeiten, warum ist das so, was wird mit welchem Erfolg genutzt, welche Datenströme werden dazu verwendet, welche Modelle und Verfahren kommen dabei zum Einsatz, was hat sich für die Unternehmen dabei verbessert?
Automatisiertes Belegmanagement
Trotz zunehmender Digitalisierung in allen Bereichen weisen viele Systeme noch erhebliche Medienbrüche auf. Großen Unternehmen gelingt es häufig besser, diese Lücken zu schließen, bei kleineren Unternehmen ist dies aufgrund der dafür notwendigen Investitionen meist schwieriger.
Ein ganz typischer Medienbruch stellt das Belegmanagement dar, das am Beispiel eines mittelständischen Abrissunternehmens analysiert und optimiert werden soll: Täglich werden vielfache Belege von den verschiedenen Deponien generiert, die den Abfall entgegennehmen. Dies muss anschließend den korrekten Mandanten weiterbelastet werden. Die Belege werden üblicherweise dem Fahrer direkt bei Ablieferung in Papierform übergeben, gesammelt und dann elektronisch weiterverarbeitet.
Dieser Prozess soll analysiert werden. Es soll geprüft werden, wie die Belege schnell und fehlerarm automatisch digitalisiert werden können. Dabei soll insbes. auf robuste Lösungen aus dem Bereich des Maschinellen Lernens abgehoben werden. Es ist zu prüfen, welche kommerziellen Standardlösungen dafür idealerweise eingesetzt werden können, und falls dies nicht möglich ist, welche Anforderungen an eine Lösung in Form eines Lastenhefts zu stellen sind. Der Business Case für eine derartige Investition ist zu betrachten, um einen sinnvollen Break Even Point für das Unternehmen abschätzen zu können.
II. Simulation in Produktion und Logistik mit Plant Simulation
Zum Vergleich verschiedener Methoden der Fertigungssteuerung soll eine Referenzfabrik definiert werden, welche die typischen Fragestellungen und Herausforderungen eines mittelständischen Produktionsbetriebs abdeckt. Diese sind zunächst zu erfassen. Zur Validierung ist beispielhaft ein Echtbetrieb zu simulieren, die Daten sind auf Sinnhaftigkeit zu überprüfen. Das Modell soll so flexibel aufgebaut sein, dass schnell unterschiedliche Fragestellungen der Fertigungssteuerung untersucht werden können.
Für die Untersuchung komplexer Steuerungsmechanismen, z.B. über KI Methoden, soll eine Simulatorkopplung von Plant Simulation an Python bereitgestellt und validiert werden. Dazu ist in Plant Simulation die COM Schnittstelle zu nutzen, über die eine Laufzeitkopplung an Python implementiert wird. In Python ist ein Prozessalgorithmus zu implementieren, der über die Schnittstelle Daten entgegen nimmt, und wieder zurück gibt. Dies ist anhand eines einfachen Beispiels, in dem Plant Simulation eine kleine Fertigungsaufgabe simuliert, deren komplette Steuerung inkl. Job Planung für die Intralogistik (wann wird welches Material in welcher Menge von wo nach wo verbracht) als auch Job Planung für die Fertigung (welches Betriebsmittel verrichtet wann welche Aufgabe mit welcher Stückzahl) in Python erfolgt. Die Schnittstelle soll so generisch sein, dass sie leicht für andere Simulationsaufgaben übernommen werden kann. Diese Aufgabe setzt Programmierkenntnisse allgemeiner Art, Python-Kenntnisse sowie ein Verständnis der Nutzung der COM Schnittstelle voraus.
III. Lean Management
Analyse zur Wirkung und Aktualität von Hoshin Kanri: Dieses Konzept zur Operationalisierung der strategischen Veränderungsplanung wird immer wieder kontrovers diskutiert. Mit Hilfe einer empirischen Studie soll herausgearbeitet werden, wie populär das Konzept derzeit wirklich ist, welche Wirkung es entfallen kann, und welche Chancen und Gefahren bei der Umsetzung lauern. Abschließend sollen Handlungsempfehlungen zur Umsetzung gegeben werden.
IV. Produktionsplanung und -Steuerung
Ein einfaches Meldebestandssystem muss mindestens vier Fragestellungen beantworten:
- Wie hoch ist optimale der Meldebestand?
- Wie hoch ist die Bereitstellungsmenge?
- Wo in der vorgelagerten Prozesskette erfolgt die Materialfreigabe?
- Wie ist das gesamtheitliche dynamische statistische Verhalten der vorgelagerten Prozesskette, wenn jedes der parallelen und/oder sequenziellen Prozessschritte selbst dynamisch und statistisch schwankend beschrieben ist?
Alle vier Fragestellungen können unabhängig von einander in verschiedenen Arbeiten analysiert werden. Dies bedarf einer vertieften statistisch-mathematischen Auseinandersetzung, auf der Basis einer umfangreichen Literatursichtung.
V. Projektmanagement
Projektmanagement unterliegt einem stetigen Wandel, insbes. wurden in den letzten 20 Jahren agile Methoden intensiv diskutiert. Für die Bearbeitung datengetriebener Aufgaben wird häufig CRISP-DM eingesetzt. Der aktuelle Sachstand zum Projektmanagement datengetriebener Projekte soll in einer Recherchearbeit systematisch aufgearbeitet und kritisch beleuchtet werden. Wie passen agile und datenorientierte Ablaufmodelle zusammen, welche Alternativen zu CRISP-DM werden diskutiert und konkret eingesetzt?
Letzte Änderung: 10.3.22
Lehrgebiete
Produktion und Industriebetriebslehre, Logistik, Supply Chain Management, Lean Management, Digitalisierung und Fabriksimulation, Komplexitätsmanagement, innovative Methoden der Produktionssteuerung, wissenschaftliches Arbeiten, Moderation, Strategieentwicklung.
Vita
1988-1993 Studium des Maschinenbaus an der Universität Stuttgart und der Queen’s University, Kingston, Ontario.
1993-1997 Wissenschaftlicher Mitarbeiter am Institut B für Mechanik der Universität Stuttgart, Promotion im Bereich der Simulation technischer Systeme.
1999-2000 MBA am Eli Broad Graduate School der Michigan State University.
1997-2013 In verschiedenen Management Funktionen produzierender Unternehmen in Deutschland und USA, davon 7 Jahre Geschäftsführer.
2014 Gründung der Unternehmensberatung intent.consult, die sich mit der Optimierung produzierender Mittelstandsunternehmen beschäftigt
2015 Professur an der FHWS für die Fächer Produktion und Industriebetriebslehre.
2023-2026 ProPere Forschungsprofessur zu KI in der Produktionsplanung.