@phdthesis{Kurz2017,
  author    = {Kurz, Julian Frederick},
  title     = {Capacity Planning and Control with Advanced Information},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-154097},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2017},
  abstract  = {Die Dissertation „Capacity Planning and Control with Advanced Information" besteht aus drei inhaltlich abgeschlossenen Teilen, die ein {\"u}bergeordnetes Thema zur Grundlage haben: Wie k{\"o}nnen Daten {\"u}ber zuk{\"u}nftige Bedarfe zur Kapazit{\"a}tsplanung und -steuerung genutzt werden? Im Rahmen von Industrie 4.0 werden zunehmend Daten erzeugt und f{\"u}r pr{\"a}dikative Analysen genutzt. Zum Beispiel werden Flugzeugtriebwerke mit Sensoren ausgestattet, die verschiedene Parameter in Echtzeit ermitteln und {\"u}bertragen. In Kombination mit Flugpl{\"a}nen k{\"o}nnen diese Daten, unter Einsatz geeigneter Machine Learning Algorithmen, zur Vorhersage des Zeitpunkts der n{\"a}chsten Wartung und des Wartungsbedarfs genutzt werden. In dieser Arbeit werden diese Vorhersagedaten zur optimalen Planung und Steuerung der Kapazit{\"a}t eines MRO (Maintenance, Repair and Overhaul) Dienstleisters genutzt. Im ersten Artikel, "Capacity Planning for a Maintenance Service Provider with Advanced Information", wird die aus mehreren Stationen bestehende Produktionsst{\"a}tte des MRO Dienstleisters mit Hilfe eines Netzwerks aus GI/G/1 Warteschlagen beschrieben. Durch L{\"o}sung eines Optimierungsproblems werden die Kapazit{\"a}ten der einzelnen Stationen so ermittelt, dass Kapazit{\"a}ts- und Strafkosten f{\"u}r eine zu lange Durchlaufzeit minimiert werden. Dar{\"u}berhinaus wird untersucht, wie Vorhersagedaten bez{\"u}glich des Eintreffens und Wartungsaufwands zuk{\"u}nftiger Auftr{\"a}ge genutzt werden k{\"o}nnen, um die Gesamtkosten zu reduzieren. Der Artikel "Flexible Capacity Management with Future Information" nutzt Informationen hinsichtlich zuk{\"u}nftigerWartungsbedarfe f{\"u}r die Steuerung einer flexiblen Kapazit{\"a}t. Die Produktionsst{\"a}tte des MRO Dienstleisters wird als M/M/1 Warteschlange beschrieben, die zwischen einer Basiskapazit{\"a}t und einer erh{\"o}hten Kapazit{\"a}t wechseln kann. Allerdings kann die hohe Kapazit{\"a}t nur einen definierten Zeitanteil genutzt werden. In dem Artikel werden Politiken entwickelt, welche die erwartete Warteschlangenl{\"a}ge minimieren, falls keine Informationen bez{\"u}glich des Eintreffens zuk{\"u}nftiger Auftr{\"a}ge verf{\"u}gbar sind beziehungsweise alle Informationen in einem unendlich langen Zeitfenster vorliegen. Es zeigt sich, dass die erwartete Warteschlangenl{\"a}nge drastisch reduziert werden kann, falls Informationen {\"u}ber zuk{\"u}nftige Bedarfe genutzt werden k{\"o}nnen. Im dritten Artikel, "Queueing with Limited Future Information", wird neben der Steuerung einer flexiblen Kapazit{\"a}t auch die Zulassungskontrolle behandelt: Welche Auftr{\"a}ge sollten umgeleitet werden, zum Beispiel an einen Subdienstleister, falls ein definierter Anteil aller ankommenden Triebwerke nicht angenommen werden muss? Es werden Politiken zur Steuerung der flexiblen Kapazit{\"a}t und f{\"u}r die Zulassungskontrolle entwickelt, die zuk{\"u}nftige Informationen in verschieden langen Zeitfenstern ber{\"u}cksichtigen: keine Informationen, endlich und unendlich lange Zeitfenster. Numerische Analysen zeigen, dass die Ber{\"u}cksichtigung von Informationen {\"u}ber die Zukunft im Vergleich zu reaktiven Politiken zu einer Verringerung der mittleren Warteschlangenl{\"a}nge f{\"u}hrt. Andererseits wird ersichtlich, dass die Nutzung von k{\"u}rzeren Zeitfenstern unter bestimmten Umst{\"a}nden vorteilhaft sein kann. Den inhaltlichen Rahmen der Dissertation bilden die Einleitung im ersten Kapitel sowie ein Ausblick in Kapitel 5. Beweise werden im Anhang zusammengefasst.},
  language  = {en}
}