Oliver Brützel, M.Sc.

  • 76131 Karlsruhe
    Kaiserstraße 12

Oliver Bruetzel, M.Sc.

Forschungs- und Arbeitsgebiete:

  • Produktionsplanung und -steuerung
  • Steuerung flexibler Produktionssysteme
  • Industrie 4.0
  • Ereignisdiskrete Simulationen

 

Allgemeine Aufgaben:

  • Vorlesungsbetreuer der Vorlesung Integrierte Produktionsplanung im Zeitalter von I4.0 (IPP)
    • Systematik in der Fabrikplanung
    • Zielfestlegung
    • Telefertigung: Konzept- und Detailplanung
  • Übungsbetreuer der Vorlesung Integrierte Produktionsplanung im Zeitalter von I4.0 (IPP)
    • KI in der Produktion – externer Vortrag (Steven Peters, Daimler)
    • Teilefertigung: Konzept- und Detailplanung

 

Projekte:

  • Bosch Innovation Center Agiles Produktionssystem
  • EMSigBZ

 

Lebenslauf:

seit 12/2019

Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik (wbk) des Karlsruher Instituts für Technologie (KIT) 

10/2013-10/2019 

Studium des Wirtschaftsingenieurwesens am Karlsruher Institut für Technologie (KIT)

Veröffentlichungen

[ 1 ] Overbeck, L.; Brützel, O.; Stricker, N. & Lanza, G. (2020), „Digitaler Zwilling des Produktionssystems“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, S. 62-65. 10.3139/104.112326
Abstract
Ein Digitaler Zwilling eines Produktionssystems kann vielfältig zur Planung, Steuerung und Optimierung genutzt werden. Bislang sind seine Erstellung und Pflege jedoch noch sehr aufwändig, weshalb häufig nicht der reale Zustand der Produktion abgebildet ist bzw. schnell veraltet und der Digitale Zwilling somit nicht mehr effektiv genutzt werden kann. Dieser Beitrag präsentiert ein Konzept für Digitale Zwillinge von Produktionssystemen, die sich selbstständig an die reale Produktion anpassen. Der Digitale Zwilling basiert auf einer Materialflusssimulation, die direkt an die Produktionsdatenbank angeschlossen ist und durch lernende Algorithmen adaptiert wird.

[ 2 ] Brützel, O.; Overbeck, L.; Nagel, M.; Stricker, N. & Lanza, G. (2020), „Generische Modellierung von halbautomatisierten Produktionssystemen für Ablaufsimulationen“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, S. 792-796. 10.3139/104.112450
Abstract
Beschleunigte Produktentwicklungs- und Anpassungszyklen sowie zunehmende Variantenvielfalt veranlassen Unternehmen flexiblere, mitarbeitergebundene Produktionssysteme einzuführen. Die Analyse der komplexen Wechselwirkungen zwischen den Aktionen mehrerer Mitarbeiter innerhalb solcher Systeme kann mit einer Ablaufsimulation erfolgen. Um die Erstellung solcher Simulationsmodelle zu vereinfachen, wurde ein generisches Modellierungskonzept entwickelt, das es erlaubt, durch ereignisdiskrete Materialflusselemente mit agentenbasierten Mitarbeitern solche komplexen Strukturen abzubilden. Der vorliegende Beitrag zeigt die M?glichkeiten für einen beschleunigten Aufbau eines Simulationsmodells zur Bewertung von Verbesserungsmaßnahmen in variablen halbautomatisierten Produktionssystemen.

[ 3 ] Bruetzel, O.; Kueppers, F.; Overbeck, L.; Stricker, N.; Verhaelen, B. & Lanza, G. (2021), „Eine automatisierungsgerechte robuste Produktionsplanung“, ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, Band 116, Nr. 2, 10.1515/zwf-2021-0009
Abstract
Bedingt durch volatile und neue Rahmenbedingen wird es für Unternehmen wichtiger, ihre Wettbewerbsfähigkeit durch den effizienten Einsatz ihrer Ressourcen im globalen Produktionsnetzwerk abzusichern und verschiedene denkbare Entwicklungen zu berücksichtigen. Hierzu wird ein Verfahren entwickelt, das dies für ein Problem der integrierten Auftragsallokation und Netzwerkkonfiguration ermöglicht. Die Berücksichtigung von Auftragsunsicherheit im entwickelten Verfahren ist heuristisch und basiert auf einer Prognose zukünftig denkbarer Szenarien. Aufbauend auf den szenariospezifischen Lösungen eines linearen Optimierungssystems werden Entscheidungen identifiziert, die die Robustheit der Planung steigern. Diese Entscheidungen werden fixiert und in einem Anwendungsfall bezüglich der ursprünglichen, nicht robusten Planung in verschiedenen Szenarien bewertet.

[ 4 ] Overbeck, L.; Brützel, O.; Teufel, M.; Stricker, N.; Kuhnle, A. & Lanza, G. (2021), „Continuous adaption through real data analysis turn simulation models into digital twins“. Procedia CIRP, Elsevier.
Abstract
Digital twins of production systems enable new forms of production control, flexibility and continuous improvement. While off-the-shelf software for discrete-event simulation permits the fast implementation of rough simulation models with sufficient accuracy for project-based analysis, they lack the precision and generality of a digital twin. This paper presents an approach to close the gap between model and reality by continuous and iterative updates enabled by connecting the simulation model to IT systems and smart data analysis. However, handling different databases requires a generative and flexible modelling approach as well as suitable algorithms for probability distribution estimation and control logic identification. The presented approach was validated at a real world example from the automotive industry where an average deviation of output to reality per week of 0.1% was achieved, proving the effectiveness of the approach.

[ 5 ] Overbeck, L.; Le Louarn, A.; Brützel, O.; Stricker, N. & Lanza, G. (2021), „Continuous Validation and Updating for High Accuracy of Digital Twins of Production Systems “. Simulation in Produktion und Logistik 2021 , S. 609-617.
Abstract
Despite continuous improvements in modelling, software tools and data availability, simulation projects of production systems still require a lot of manual effort, expertise in various disciplines and time. In many projects the high initial invest for building the simulation model is followed by a rather short period of experimentation and analysis. As production systems have to be adapted at an increasing pace to respond to rapidly changing markets and business environments, simulation models of these systems become outdated earlier, reducing their useful time window. One way to extend this time window would be the implementation of a method of automated comparison with the current production systems and subsequent self-adaption of the model to reality to maintain and even improve its accuracy over time. This approach will be presented and validated at a real world use case. Such an enhanced simulation model can be called a digital twin of the production system.

[ 6 ] Brützel, O.; Völkle, D.; Overbeck, L.; Stricker, N. & Lanza, G. (2021), „Automated Production Network Planning under Uncertainty by Developing Representative Demand Scenarios“. Towards Sustainable Customization: Bridging Smart Products and Manufacturing Systems, Hrsg. Andersen AL. Et al., Springer, Cham, S. 459-466. 10.1007/978-3-030-90700-6_52
Abstract
Due to the variety and interaction of volatile influencing factors as well as the increasing requirements resulting from individualization, the prediction of future demand development is becoming increasingly difficult and complex. In manufacturing companies, this leads to a need for shorter and faster production planning cycles. In addition, the production network must be secured against uncertainty. This is possible by scenario analysis integrated into automated planning. In this paper, an automated scenario analysis in combination with deterministic modeling for integrated product allocation and global network configuration is developed to tackle demand uncertainty in a medium-term planning horizon. When creating scenarios, a trade-off arises concerning the completeness of possible developments and the manageability of the set. The objective is to achieve a representative coverage of possible future states by a small number of reasonable scenarios. Therefore, change drivers are defined that can lead to modifications of customer orders. This is followed by an automated simulation of the occurrence of the change drivers using a Monte Carlo simulation with a high number of samples for statistical validation. A cluster analysis with upstream principal component analysis is used to reduce the number of scenarios while maintaining representativeness. Finally, the scenarios are optimized in a production planning tool. The approach is applied to a real use case. The results are used to validate the representativeness of the scenarios, as well as to conclude robust decisions.