Dr. rer. pol. Oliver Antons
Dr. rer. pol. Oliver Antons
Chair of Production Systems and Automation
Oliver Antons studied mathematics at RWTH Aachen University in the Bachelor's and Master's programmes. He graduated with a Master's degree in Economics from RWTH Aachen University in 2022. After working as a research assistant at RWTH Aachen University, he joined the IAF in 2022 as a research associate. In 2022 he completed his PhD at the RWTH Aachen University on "Steuerungskonzepte für Produktionsanlagen" - "Control concepts for production plants'.
2024
Book chapter
Comparing digital twins and virtual engineering in buyer supplier relationships for complex production facilities
Janecki, Luca; Antons, Oliver; Reh, Daniel; Arlinghaus, Julia C.
In: Advances in Production Management Systems. Production Management Systems for Volatile, Uncertain, Complex, and Ambiguous Environments , 1st ed. 2024. - Cham : Springer Nature Switzerland ; Thürer, Matthias, S. 180-193 - (IFIP Advances in Information and Communication Technology; 733) [Konferenz: 43rd IFIP WG 5.7 International Conference, APMS 2024, Chemnitz, Germany, September 8-12, 2024]
A literature review on the cross-domain usage of digital factory twins within design time
Schröder, Adrian; Antons, Oliver; Arlinghaus, Julia C.
In: Advances in Production Management Systems. Production Management Systems for Volatile, Uncertain, Complex, and Ambiguous Environments , 1st ed. 2024. - Cham : Springer Nature Switzerland ; Thürer, Matthias, S. 315-329 - (IFIP Advances in Information and Communication Technology; 730) [Konferenz: 43rd IFIP WG 5.7 International Conference, APMS 2024, Chemnitz, Germany, September 8-12, 2024]
Planung und Steuerung für die digitale Produktion
Arlinghaus, Julia C.; Antons, Oliver
In: Handbuch Unternehmensorganisation , Living reference work, continuously updated edition - Wiesbaden : Springer Fachmedien ; Spath, Dieter *1952-* . - 2016, insges. 12 S.
Designing hybrid intelligence - understanding the impact of human decision-making on AI
Kessler, Melanie; Antons, Oliver; Arlinghaus, Julia C.
In: Advances in Manufacturing, Production Management and Process Control - New York : AHFE Open Access ; Mrugalska, Beata . - 2024, S. 31-39 [Konferenz: 15th International Conference on Applied Human Factors and Ergonomics and the Affiliated Conferences, Nice, France, 24-27 July 2024]
Perception of biases in machine learning in production research
Götte, Gesa; Antons, Oliver; Herzog, Andreas; Arlinghaus, Julia C.
In: Workshop Proceedings "AI in Production" - Leipzig : Hochschule für Technik, Wirtschaft und Kultur Leipzig ; Krockert, Martin . - 2024, insges. 11 S.
Peer-reviewed journal article
Characterizing circular and open business models in a profit-driven environment through business model patterns
Behnert, Anna-Kristin; Antons, Oliver; Arlinghaus, Julia C.
In: Procedia computer science - Amsterdam [u.a.] : Elsevier, Bd. 232 (2024), S. 436-445
Digital twins and their implications for business models - overview and potentials
Adelsberger, Rodrigo Torres; Antons, Oliver; Arlinghaus, Julia C.
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 58 (2024), Heft 19, S. 409-414
Exploring the challenges of circular economy adoption - a supply chain perspective
Behnert, Anna-Kristin; Antons, Oliver; Arlinghaus, Julia C.
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 58 (2024), Heft 19, S. 211-216
On the verification of distributed control for multi job shop assignment problem in smart manufacturing system
Somma, Andrea; Antons, Oliver; Petrillo, Alberto; Santini, Stefania; Murino, Teresa
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 58 (2024), Heft 19, S. 217-222
Non-peer-reviewed journal article
Dynamic multi-period recycling collection routing with uncertain meterial quality
Cuellar-Usaquén, Daniel; Ulmer, Marlin Wolf; Antons, Oliver; Arlinghaus, Julia C.
In: Magdeburg: Otto-von-Guericke-Universität Magdeburg: Fakultät für Wirtschaftswissenschaft, 2024, 1 Online-Ressource (37 Seiten, 0,9 MB) - (Working paper series; Otto von Guericke Universität Magdeburg, Faculty of Economics and Management; 2024, no. 1)
2023
Book chapter
A generalized circular supply chain problem for multi-objective evolutionary algorithms
Benecke, Tobias; Antons, Oliver; Mostaghim, Sanaz; Arlinghaus, Julia C.
In: Proceedings of the Companion Conference on Genetic and Evolutionary Computation - New York, NY, United States : Association for Computing Machinery . - 2023, S. 355-358 [Konferenz: Companion Conference on Genetic and Evolutionary Computation, GECCO '23 Companion, Lisbon, Portugal, July 15 - 19, 2023]
A coevolution approach for the multi-objective dircular supply chain problem
Benecke, Tobias; Antons, Oliver; Mostaghim, Sanaz; Arlinghaus, Julia C.
In: IEEE CAI 2023 / IEEE Conference on Artificial Intelligence , 2023 - Los Alamitos : IEEE, S. 222-223 [Konferenz: 2023 IEEE Conference on Artificial Intelligence, CAI 2023, Santa Clara, Califonien, USA, 05-06 June 2023]
Sustainability in chemical production - multi-objective distributed control
Antons, Oliver; Benecke, Tobias; Mostaghim, Sanaz; Arlinghaus, Julia C.
In: New trends in intelligent software methodologies, tools and techniques - Amsterdam : IOS Press, Incorporated ; Fujita, Hamido . - 2023, S. 211-219 [Konferenz: 22nd International Conference on New Trends in Intelligent Software Methodology, Tools, and Techniques, SoMeT_23, Naples, Italy, 22-23 September 2023]
Peer-reviewed journal article
Maximum likelihood and neural network estimators for distributed production control
Antons, Oliver; Arlinghaus, Julia C.
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 56 (2023), Heft 2, S. 10327-10332
Designing distributed decision-making authorities for smart factories - understanding the role of manufacturing network architecture
Antons, Oliver; Arlinghaus, Julia C.
In: International journal of production research - London [u.a.] : Taylor & Francis . - 2023, insges. 19 S. [Online first]
2022
Book chapter
Management for digitalization and Industry 4.0
Arlinghaus, Julia C.; Antons, Oliver
In: Handbook Industry 4.0 , 1st ed. 2022. - Berlin, Heidelberg : Springer Berlin Heidelberg ; Frenz, Walter, S. 927-948
Machine learning and autonomous control - a synergy for manufacturing
Antons, Oliver; Arlinghaus, Julia C.
In: Service Oriented, Holonic and Multi-agent Manufacturing Systems for Industry of the Future , 1st ed. 2022. - Cham : Springer International Publishing ; Borangiu, Theodor, S. 417-428 - (Studies in Computational Intelligence; volume 1034) [Workshop: 11th International Workshop on Service Orientation in Holonic and Multi-Agent Manufacturing, SOHOMA 2021, 8-19 November 2021]
Peer-reviewed journal article
Opportunities for synchronization in manufacturing as key performance indicator
Knapp, Florian; Antons, Oliver; Arlinghaus, Julia C.
In: Procedia CIRP / CIRP - The International Academy for Production Engineering - Amsterdam [u.a.] : Elsevier, Bd. 107 (2022), S. 1467-1472 [Konferenz: 55th CIRP Conference on Manufacturing Systems 2022]
Applied machine learning for production planning and control - overview and potentials
Büttner, Konstantin; Antons, Oliver; Arlinghaus, Julia C.
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 55 (2022), Heft 10, S. 2629-2634
Data-driven and autonomous manufacturing control in cyber-physical production systems
Antons, Oliver; Arlinghaus, Julia C.
In: Computers in industry - Amsterdam [u.a.] : Elsevier Science, Bd. 141 (2022), Artikel 103711
Distributing decision-making authority in manufacturing - review and roadmap for the factory of the future
Antons, Oliver; Arlinghaus, Julia C.
In: International journal of production research - London [u.a.] : Taylor & Francis, Bd. 60 (2022), Heft 13, S. 4342-4360, insges. 19 S. [Online first]
A manufacturing scheduling complexity framework and agent-based comparison of centralized and distributed control approaches
Antons, Oliver; Arlinghaus, Julia C.
In: IEEE journal of emerging and selected topics in industrial electronics - New York, NY : The Institute of Electrical and Electronics Engineers, Bd. 3 (2022), Heft 1, insges. 8 S.
Scientific monograph
Distributing decision-making authority: autonomous entities in manufacturing networks
Antons, Oliver; Peis, Britta; Hütt, Marc-Thorsten
In: Aachen: Universitätsbibliothek der RWTH Aachen, Dissertation Rheinisch-Westfälische Technische Hochschule Aachen 2022, 1 Online-Ressource - (Aachen; RWTH Aachen University, 2022)
2021
Book chapter
Learning distributed control for job shops - a comparative simulation study
Antons, Oliver; Arlinghaus, Julia C.
In: Service Oriented, Holonic and Multi-Agent Manufacturing Systems for Industry of the Future , 1st ed. 2021. - Cham : Springer International Publishing ; Borangiu, Theodor, S. 193-202 [Workshop: 10th International Workshop on Service Oriented, Holonic and Multi-agent Manufacturing Systems for Industry of the Future, SOHOMA 2020, Paris, France, October 1-2, 2020]
Peer-reviewed journal article
Adaptive self-learning distributed and centralized control approaches for smart factories
Antons, Oliver; Arlinghaus, Julia C.
In: Procedia CIRP / CIRP - The International Academy for Production Engineering - Amsterdam [u.a.] : Elsevier, Bd. 104 (2021), S. 1577-1582
Distributed control for Industry 4.0 - a comparative simulation study
Antons, Oliver; Arlinghaus, Julia C.
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 54 (2021), Heft 1, S. 516-521
2020
Book chapter
Autonomous production control methods - job shop simulations
Zhao, Ziqi; Antons, Oliver; Arlinghaus, Julia C.
In: Dynamics in Logistics , 1st ed. 2020. - Cham : Springer International Publishing ; Freitag, Michael, S. 227-235 - ( Advances in Intelligent Systems and Computing; volume 1026; 2nd International Conference on Human Systems Engineering and Design, IHSED2019, München, September 16-18, 2019)
Modelling autonomous production control - a guide to select the most suitable modelling approach
Antons, Oliver; Arlinghaus, Julia C.
In: Dynamics in Logistics , 1st ed. 2020. - Cham : Springer International Publishing ; Freitag, Michael, S. 245-253 - ( Advances in Intelligent Systems and Computing; volume 1026; 2nd International Conference on Human Systems Engineering and Design, IHSED2019, München, September 16-18, 2019)
Management für Digitalisierung und Industrie 4.0
Arlinghaus, Julia C.; Antons, Oliver
In: Handbuch Industrie 4.0: Recht, Technik, Gesellschaft , 1st ed. 2020. - Berlin, Heidelberg : Springer Berlin Heidelberg ; Frenz, Walter, S. 1121-1145
Peer-reviewed journal article
Designing decision-making authorities for smart factories
Antons, Oliver; Arlinghaus, Julia C.
In: Procedia CIRP / CIRP - The International Academy for Production Engineering - Amsterdam [u.a.] : Elsevier, Bd. 93 (2020), S. 316-322 [Part of special issue: 53rd CIRP Conference on Manufacturing Systems 2020]
2019
Book chapter
Decision making in Industry 4.0 - a comparison of distributed control approaches
Antons, Oliver; Arlinghaus, Julia C.
In: Service Oriented, Holonic and Multi-agent Manufacturing Systems for Industry of the Future , 1st ed. 2020 - Cham : Springer ; Borangiu, Theodor . - 2019, S. 329-339 - (Studies in computational intelligence; 853) [Workshop: International Workshop on Service Orientation in Holonic and Multi-Agent Manufacturing, SOHOMA 2019, València, 3-4 October 2019]
Peer-reviewed journal article
Supply chain risks in times of Industry 4.0 - insights from German cases
Arlinghaus, Julia; Zimmermann, Manuel; Antons, Oliver; Rosca, Eugenia
In: IFAC-PapersOnLine / Internationale Förderung für Automatische Lenkung - Frankfurt : Elsevier, Bd. 52 (2019), Heft 13, S. 1755-1760 [Konferenz: 9th IFAC Conference on Manufacturing Modelling, Management and Control, MIM 2019, Berlin, Germany, 28-30 August 2019]
Current projects
OpenDANS - Open Data für Nachhaltige und Skalierbare Produktionsforschung
Duration: 01.01.2024 bis 31.12.2027
Methoden der Künstlichen Intelligenz (KI) werden für die Unternehmen und die Wissenschaft in Sachsen-Anhalt zunehmend zum kritischen Wettbewerbsfaktor. Hochschulen und Forschungseinrichtungen wirken als Impulsgeber für die Entwicklung neuartiger Planungs-, Steuerungs- und Optimierungsmethoden und KI-Anwendungen. Produktions- und Logistikunternehmen nutzen diese Methoden, um Effizienz, Flexibilität und Nachhaltigkeit kontinuierlich zu steigern. Das Projekt OpenDANS zielt auf die synergetische Vernetzung beider Player ab. Ziel des Projekts ist der Aufbau einer Open Source-Datenbank für Realdaten und KI-Anwendungen, auf die Unternehmen wie Forschende kostenfrei zugreifen können. Forschende erhalten Zugriff auf reale Datensätze, was die Forschungsergebnisse insbesondere hinsichtlich der Anwendungsnähe signifikant steigert. Unternehmen erhalten unmittelbar Zugriff auf Methoden und Analyseansätze.
Nach dem Vorbild der der Biologie- und Medizinforschung wie die Etablierung des Human Genom Projekt als offene Datenbank, will OpenDANS ebenfalls disruptives Potential für die Produktions- und Logistikforschung freisetzen. Die entstehende Datenbank wird zur Grundlage für WissenschaftlerInnen weltweit und erlaubt gegenseitig auf Ergebnisse aufbauen zu können. Der offene Austausch standardisierter Realdatensätze schafft Synergie, verbesserte die Anwendbarkeit und die Skalierbarkeit der Forschungsergebnisse im Bereich KI und Digitale Zwillinge. Dies bringt erhebliche Vorteile für die WissenschaftlerInnen, den Wissenschaftsstandort Sachsen-Anhalt sowie für die Effizienz und Nachhaltigkeit der ansässigen Unternehmen.
Forschungsinitiative Productive Teaming - Teilprojekt "Verbesserte Zusammenarbeit von Mensch und Maschine im Produktionsprozess"
Duration: 01.01.2023 bis 31.12.2024
Im Angesicht der rasanten technologischen Fortschritte besteht die zukunftsweisende Vision der Forschungsinitiative Productive Teaming darin, die Zusammenarbeit von Menschen und Maschinen auf eine neue Ebene zu heben. Es soll eine neue Generation von dynamischen Mensch-Maschine Teams in Produktionssystemen ermöglicht werden, welche komplexere und adaptivere Herausforderungen bewältigen können als aktuelle cyber-physische Systeme oder menschliche Teams.
Statt herkömmlicher Produktionsautomatisierung, welche sich in hohem Maße auf feste, vorgegebene Abläufe stützt, soll in Teaming-Produktionssystemen die Aufrechterhaltung von Flexibilität und Anpassungsfähigkeit der Produktionsprozesse im Zentrum stehen. Hierzu sollen die dem Menschen angeborenen Fähigkeiten zur agilen Reaktion und Anpassung an Störungen, wie z. B. Fehler aus vorangegangenen Prozessschritten oder benötigte Eingangsmengen für Halbfertigprodukte, auch auf maschineller Ebene realisiert werden. Anstatt also auf die maximale Automatisierung und der damit einhergehenden Notwendigkeit zur Standardisierung von Produktionsprozessen abzuzielen, soll durch die Forschungsinitiative „Productive Teaming“ eine maximale Flexibilisierung und Dynamisierung der Produktion ermöglicht werden, sowohl hinsichtlich der einzelnen Produktionsschritte als auch der Ausgestaltung des fertigen Produkts (Losgröße 1). Dieser Paradigmenwechsel fördert die Entstehung adaptiver Fertigungsprozesse, die Verbesserung von Arbeitsbedingungen, höhere Nachhaltigkeit und stärkere Produktindividualisierung, was den Herausforderungen von Industrie 5.0 Rechnung trägt.
Um diese Ziele zu realisieren, sollen intelligente Systeme so verbessert werden, dass sie i) auf kognitiver Ebene Schlussfolgerungen ziehen, ii) interdependente Handlungen für nahtlose, zielgerichtete und kohärente Teamarbeit abstimmen, iii) gemeinsame Handlungspläne entwerfen und iv) durch Transparenz in der Entscheidungsfindung Vertrauen und Akzeptanz schaffen. Die daraus resultierende neue Stufe der Mensch-Maschine-Symbiose führt zu mehr Flexibilität in der Produktionslandschaft, weniger Material- und Energieverbrauch und einer allgemeinen Verringerung der kognitiven und physischen Belastungen für die menschlichen Mitarbeiter.
Bei „Productive Teaming“ handelt es sich um eine gemeinschaftliche Forschungsinitiative der TU Chemnitz, der TU Ilmenau und der OVGU Magdeburg. Die drei Universitäten ergänzen sich dabei hervorragend im Netzwerk, das sich insbesondere der Mensch-Technik-Interaktion widmet und perspektivisch auch in anderen Forschungsbereichen expandiert. Jede der drei Universitäten bringt ihre spezielle Expertise ein – die TU Chemnitz auf dem Gebiet „Mensch-Maschine-Interaktion und Kognitive Systeme“, die TU Ilmenau im Bereich „Intelligente Sensorik und komplexe Systeme“ und die OVGU Magdeburg im Forschungsfeld „Künstliche Intelligenz und Digital Engineering“.
Completed projects
Exzellenz-Cluster Initiative SmartProSys: Intelligente Prozesssysteme für die nachhaltige chemische Produktion" Teilcluster / Teilprojekt: Dynamic Closed Loop Management for Sustainable Chemicals
Duration: 01.09.2022 bis 30.06.2024
Die Magdeburger Forschungsinitiative SmartProSys (Smart Process Systems Engineering) erforscht Methoden und Wege für die nachhaltige Transformation chemischer, mechanischer und biotechnologischer Produktionsprozesse hin zu einer nachhaltigen Kreislaufwirtschaft für eine nachhaltige Gesellschaft. An SmartProSys sind Wissenschaftler*innen aus dem Bereich der Logistik, Mathematik, Soziologie, Politikwissenschaft und Psychologie beteiligt und betrachten die Möglichkeiten zu dieser Transformation in den Clustern „Systems Engineering and Computational Methods“, „Supply Chain and Sustainability Management“ und „Societal Support and Individual Appropriation“.
Teilprojekt: Dynamic Closed Loop Management for Sustainable Chemicals
Der Lehrstuhl für Produktionssysteme und -automatisierung ist im Rahmen des Clusters „Supply Chain and Sustainability Management“ beteiligt und leitet hier das Teilprojekt „Dynamic Closed Loop Management for Sustainable Chemicals“. Eine nachhaltige Kreislaufwirtschaft der Chemie stellt neue logistische Anforderungen: Transportemissionen, Beschaffung aus Quellen unterschiedlicher Qualität und Nachhaltigkeit in einer zeitkritischen multidimensionalen Optimierung. Das Teilprojekt zielt dabei auf die Erstellung geeigneter Modelle und Simulationen ab, um das übergeordnete Ziel einer nachhaltigen Transformation der Kreislaufwirtschaft in der chemischen Produktion zu unterstützen.
Das Forschungsnetzwerk verfolgt das Ziel der Exzellenz im Sinne der Exzellenzinitiative des Bundes und der Länder.