Julian Frederick Kurz

• The dissertation aims at investigating how information about jobs arriving to a service facility in the future can be used for capacity planning and control. Nowadays, technical equipment such as aircraft engines are equipped with sensors transferring condition data to central data warehouses in real-time. By jointly analyzing condition data and future usage information with machine learning algorithms, future equipment conditions and maintenance requirements can be forecasted. In the thesis, information regarding the arrival times of aircraftThe dissertation aims at investigating how information about jobs arriving to a service facility in the future can be used for capacity planning and control. Nowadays, technical equipment such as aircraft engines are equipped with sensors transferring condition data to central data warehouses in real-time. By jointly analyzing condition data and future usage information with machine learning algorithms, future equipment conditions and maintenance requirements can be forecasted. In the thesis, information regarding the arrival times of aircraft engine at a maintenance facility and the corresponding service requirements are used in order to optimally plan and control the flexible capacity of the facility. Queueing models are developed and analyzed to optimally size and control the facility's capacity and determine the implications on cost and job waiting time. It is demonstrated analytically and numerically that cost and waiting time can be reduced significantly when future information is available.…
• Die Dissertation „Capacity Planning and Control with Advanced Information“ besteht aus drei inhaltlich abgeschlossenen Teilen, die ein übergeordnetes Thema zur Grundlage haben: Wie können Daten über zukünftige Bedarfe zur Kapazitätsplanung und -steuerung genutzt werden? Im Rahmen von Industrie 4.0 werden zunehmend Daten erzeugt und für prädikative Analysen genutzt. Zum Beispiel werden Flugzeugtriebwerke mit Sensoren ausgestattet, die verschiedene Parameter in Echtzeit ermitteln und übertragen. In Kombination mit Flugplänen können diese Daten,Die Dissertation „Capacity Planning and Control with Advanced Information“ besteht aus drei inhaltlich abgeschlossenen Teilen, die ein übergeordnetes Thema zur Grundlage haben: Wie können Daten über zukünftige Bedarfe zur Kapazitätsplanung und -steuerung genutzt werden? Im Rahmen von Industrie 4.0 werden zunehmend Daten erzeugt und für prädikative Analysen genutzt. Zum Beispiel werden Flugzeugtriebwerke mit Sensoren ausgestattet, die verschiedene Parameter in Echtzeit ermitteln und übertragen. In Kombination mit Flugplänen können diese Daten, unter Einsatz geeigneter Machine Learning Algorithmen, zur Vorhersage des Zeitpunkts der nächsten Wartung und des Wartungsbedarfs genutzt werden. In dieser Arbeit werden diese Vorhersagedaten zur optimalen Planung und Steuerung der Kapazität 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 Produktionsstätte des MRO Dienstleisters mit Hilfe eines Netzwerks aus GI/G/1 Warteschlagen beschrieben. Durch Lösung eines Optimierungsproblems werden die Kapazitäten der einzelnen Stationen so ermittelt, dass Kapazitäts- und Strafkosten für eine zu lange Durchlaufzeit minimiert werden. Darüberhinaus wird untersucht, wie Vorhersagedaten bezüglich des Eintreffens und Wartungsaufwands zukünftiger Aufträge genutzt werden können, um die Gesamtkosten zu reduzieren. Der Artikel ”Flexible Capacity Management with Future Information” nutzt Informationen hinsichtlich zukünftigerWartungsbedarfe für die Steuerung einer flexiblen Kapazität. Die Produktionsstätte des MRO Dienstleisters wird als M/M/1 Warteschlange beschrieben, die zwischen einer Basiskapazität und einer erhöhten Kapazität wechseln kann. Allerdings kann die hohe Kapazität nur einen definierten Zeitanteil genutzt werden. In dem Artikel werden Politiken entwickelt, welche die erwartete Warteschlangenläge minimieren, falls keine Informationen bezüglich des Eintreffens zukünftiger Aufträge verfügbar sind beziehungsweise alle Informationen in einem unendlich langen Zeitfenster vorliegen. Es zeigt sich, dass die erwartete Warteschlangenlänge drastisch reduziert werden kann, falls Informationen über zukünftige Bedarfe genutzt werden können. Im dritten Artikel, ”Queueing with Limited Future Information”, wird neben der Steuerung einer flexiblen Kapazität auch die Zulassungskontrolle behandelt: Welche Aufträge 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 Kapazität und für die Zulassungskontrolle entwickelt, die zukünftige Informationen in verschieden langen Zeitfenstern berücksichtigen: keine Informationen, endlich und unendlich lange Zeitfenster. Numerische Analysen zeigen, dass die Berücksichtigung von Informationen über die Zukunft im Vergleich zu reaktiven Politiken zu einer Verringerung der mittleren Warteschlangenlänge führt. Andererseits wird ersichtlich, dass die Nutzung von kürzeren Zeitfenstern unter bestimmten Umständen 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.…