Home | english  | Impressum | Datenschutz | Sitemap | KIT

Leonard Overbeck, M.Sc.

Akad. Mitarbeiter
Bereich: Produktionssysteme
Sprechstunden: nach Vereinbarung
Raum: 109, Geb. 50.36
Tel.: +49 1523 9502641
Leonard OverbeckQni6∂kit edu

76131 Karlsruhe
Kaiserstraße 12


Leonard Overbeck, M.Sc.

Forschungs- und Arbeitsgebiete: 

  • Künstliche Intelligenz in der Produktionsplanung und -steuerung
  • Steuerung flexibler Produktionssysteme
  • Entwicklung und Einführung von Industrie 4.0-Anwendungen

 

Allgemeine Aufgaben:

  • Vorlesungsbetreuer der Vorlesung Integrierte Produktionsplanung im Zeitalter von I4.0 (IPP)
    • Prinzipien Ganzheitlicher Produktionssysteme
    • Feinlayout

 

Projekte:

  • Bosch Innovation Center Agiles Produktionssystem

 

Lebenslauf:

seit 05/2019 Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT)
10/2011-04/2018 Studium des Wirtschaftsingenieurwesens am Karlsruher Institut für Technologie (KIT)

 

Veröffentlichungen

[ 1 ] Greinacher, S.; Overbeck, L.; Kuhnle, A.; Krahe, C. & Lanza, G. (2020), „Multi-objective optimization of lean and resource efficient manufacturing systems“, Production Engineering, S. 1-12. https://doi.org/10.1007/s11740-019-00945-9
Abstract:
In the manufacturing industry, target-oriented and efficient use of resources is gaining importance, alongside economic optimization. The economic and organizational optimization of manufacturing systems according to the lean principles is only partly compatible with the goals of resource-efficient manufacturing. Therefore, an approach is sought to improve individual analyses of manufacturing systems. This paper proposes an approach for the multi-objective optimization of lean and resource-efficient manufacturing systems. To predict the dynamic effects of several configurations of manufacturing systems, material, energy, and information flows of a discrete event simulation are coupled with an assessment model, based on objectives of lean and resource-efficient manufacturing. Using design of experiments, Gaussian process meta-models are computed for the behavior of the simulation model. These meta-models allow the approximation of the system behavior to be computed in a short period of time and enable extensive multi-objective optimization and more adequate decision-making support systems. The proposed approach is tested in the metalworking industry.