You are here: Home Proceedings
Document Actions

Citation and metadata

Recommended citation

Erichsen B, Vojdani N (2018). Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen. Logistics Journal : Proceedings, Vol. 2018. (urn:nbn:de:0009-14-47375)

Download Citation

Endnote

%0 Journal Article
%T Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen
%A Erichsen, Björn
%A Vojdani, Nina
%J Logistics Journal : Proceedings
%D 2018
%V 2018
%N 1
%@ 2192-9084
%F erichsen2018
%X Unerwartet auftretende logistische und produktionsbezogene Störungen gehören zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die prädiktive Identifikation von potentiellen Störungen kann in Form einer Frühwarnung dazu beitragen den Handlungszeitraum für Gegenmaßnahmen zu verlängern, um somit der eigentlichen Störungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen über betriebliche Abläufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz prädiktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz für ein Predictive-Monitoring-System (PMS) zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf künstlichen neuronalen Netzen.
%L 620
%K Neuronale Netze
%K Produktionslogistik
%K Predictive Monitoring
%K Störungswirkungen
%K artificial neural networks
%R 10.2195/lj_Proc_vojdani_de_201811_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-47375
%U http://dx.doi.org/10.2195/lj_Proc_vojdani_de_201811_01

Download

Bibtex

@Article{erichsen2018,
  author = 	"Erichsen, Bj{\"o}rn
		and Vojdani, Nina",
  title = 	"Ein Ansatz f{\"u}r ein Predictive-Monitoring-System zur Identifikation von St{\"o}rungswirkungen in der Produktionslogistik mittels k{\"u}nstlichen neuronalen Netzen",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2018",
  volume = 	"2018",
  number = 	"1",
  keywords = 	"Neuronale Netze; Produktionslogistik; Predictive Monitoring; St{\"o}rungswirkungen; artificial neural networks",
  abstract = 	"Unerwartet auftretende logistische und produktionsbezogene St{\"o}rungen geh{\"o}ren zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die pr{\"a}diktive Identifikation von potentiellen St{\"o}rungen kann in Form einer Fr{\"u}hwarnung dazu beitragen den Handlungszeitraum f{\"u}r Gegenma{\ss}nahmen zu verl{\"a}ngern, um somit der eigentlichen St{\"o}rungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen {\"u}ber betriebliche Abl{\"a}ufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz pr{\"a}diktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz f{\"u}r ein Predictive-Monitoring-System (PMS) zur Identifikation von St{\"o}rungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf k{\"u}nstlichen neuronalen Netzen.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_vojdani_de_201811_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-47375"
}

Download

RIS

TY  - JOUR
AU  - Erichsen, Björn
AU  - Vojdani, Nina
PY  - 2018
DA  - 2018//
TI  - Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen
JO  - Logistics Journal : Proceedings
VL  - 2018
IS  - 1
KW  - Neuronale Netze
KW  - Produktionslogistik
KW  - Predictive Monitoring
KW  - Störungswirkungen
KW  - artificial neural networks
AB  - Unerwartet auftretende logistische und produktionsbezogene Störungen gehören zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die prädiktive Identifikation von potentiellen Störungen kann in Form einer Frühwarnung dazu beitragen den Handlungszeitraum für Gegenmaßnahmen zu verlängern, um somit der eigentlichen Störungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen über betriebliche Abläufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz prädiktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz für ein Predictive-Monitoring-System (PMS) zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf künstlichen neuronalen Netzen.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-47375
DO  - 10.2195/lj_Proc_vojdani_de_201811_01
ID  - erichsen2018
ER  - 
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>erichsen2018</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2018</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2018</b:Volume>
<b:Issue>1</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-47375</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_vojdani_de_201811_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Erichsen</b:Last><b:First>Björn</b:First></b:Person>
<b:Person><b:Last>Vojdani</b:Last><b:First>Nina</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen</b:Title>
<b:Comments>Unerwartet auftretende logistische und produktionsbezogene Störungen gehören zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die prädiktive Identifikation von potentiellen Störungen kann in Form einer Frühwarnung dazu beitragen den Handlungszeitraum für Gegenmaßnahmen zu verlängern, um somit der eigentlichen Störungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen über betriebliche Abläufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz prädiktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz für ein Predictive-Monitoring-System (PMS) zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf künstlichen neuronalen Netzen.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Erichsen, B
   Vojdani, N
TI Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen
SO Logistics Journal : Proceedings
PY 2018
VL 2018
IS 1
DI 10.2195/lj_Proc_vojdani_de_201811_01
DE Neuronale Netze; Produktionslogistik; Predictive Monitoring; Störungswirkungen; artificial neural networks
AB Unerwartet auftretende logistische und produktionsbezogene Störungen gehören zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die prädiktive Identifikation von potentiellen Störungen kann in Form einer Frühwarnung dazu beitragen den Handlungszeitraum für Gegenmaßnahmen zu verlängern, um somit der eigentlichen Störungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen über betriebliche Abläufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz prädiktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz für ein Predictive-Monitoring-System (PMS) zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf künstlichen neuronalen Netzen.
ER

Download

Mods

<mods>
  <titleInfo>
    <title>Ein Ansatz für ein Predictive-Monitoring-System zur Identifikation von Störungswirkungen in der Produktionslogistik mittels künstlichen neuronalen Netzen</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Erichsen</namePart>
    <namePart type="given">Björn</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Vojdani</namePart>
    <namePart type="given">Nina</namePart>
  </name>
  <abstract>Unerwartet auftretende logistische und produktionsbezogene Störungen gehören zum betrieblichen Alltag von Unternehmen und wirken sich negativ auf deren Prozess der Leistungserstellung aus. Die prädiktive Identifikation von potentiellen Störungen kann in Form einer Frühwarnung dazu beitragen den Handlungszeitraum für Gegenmaßnahmen zu verlängern, um somit der eigentlichen Störungswirkung rechtzeitig entgegenzuwirken. Im Zeitalter zunehmend umfangreicheren Datenmengen über betriebliche Abläufe sowie Informationsbereitstellung in Echtzeit erscheint der Einsatz prädiktiver Methoden besonders vielversprechend. Im Rahmen dieses Beitrags wird ein Ansatz für ein Predictive-Monitoring-System (PMS) zur Identifikation von Störungswirkungen in der Produktionslogistik vorgestellt. Die Kernfunktion des Systems basiert auf künstlichen neuronalen Netzen.</abstract>
  <subject>
    <topic>Neuronale Netze</topic>
    <topic>Produktionslogistik</topic>
    <topic>Predictive Monitoring</topic>
    <topic>Störungswirkungen</topic>
    <topic>artificial neural networks</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2018</number>
      </detail>
      <detail type="issue">
        <number>1</number>
      </detail>
      <date>2018</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-47375</identifier>
  <identifier type="doi">10.2195/lj_Proc_vojdani_de_201811_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-47375</identifier>
  <identifier type="citekey">erichsen2018</identifier>
</mods>
Download

Full Metadata