No description available.

I och med människornas ökade livslängd har kraven på sjukvården ökat, samtidigt finns det en bristande tillgång på vårdpersonal. Genom att öka antalet arbetsuppgifter för sjukvårdspersonalen som är värdeskapande för patienten kan sjukvården svara på kraven, då sjukvårdens befintliga resurser kan användas på ett mer effektivt sätt. Utifrån observationer och tidmätningar som har utförts på Vrinnevisjukhusets vårdavdelning (AVD1) för stroke och rehabilitering av stroke, har detta examensarbete kunnat ge förslag på förbättringsområden som kan effektivisera och öka antalet värdeskapande arbetsuppgifter för läkarna och sjuksköterskorna. Utifrån tidmätningarna skapades även en tidfördelning av läkarnas respektive sjuksköterskornas arbetsuppgifter på AVD1, och visade att en läkare och sjuksköterska på AVD1 spenderade mest tid på administrativa arbetsuppgifter (48 % för läkare och 26 % för sjuksköterskor), kommunikation (15 % för läkare och 24 % för sjuksköterskor) patienttid (15 % för läkare och 20 % för sjuksköterskor). De största förbättringsområdena av både läkarnas och sjuksköterskornas arbetsuppgifter som identifierades utifrån observationerna och resultatet av tidfördelning var att bristen på riktlinjer för införandet av journalanteckningarna ineffektiviserade deras administrativa arbetsuppgifter, samt att saknaden av ett system för läkemedelssaldo försvårade sjuksköterskornas läkemedelshantering. För att åtgärda problemen bör AVD1 och hela medicinkliniken som AVD1 ingår i, fastställa riktlinjer för hur inskrivning av information i journal skall genomföras för att undvika dubbelarbete och underlätta informationssökningen. Medicinkliniken bör även investera i ett nytt lagersystem som uppdaterar saldot för läkemedel automatiskt, där det också går att utläsa hur mycket av varje läkemedel som finns på respektive avdelning och i respektive lager. Övriga förbättringsområden som identifierades för läkarna och sjuksköterskorna på AVD1 var att placeringen av utrustning och verktyg på AVD1 kan förbättras med hjälp av Leans 5S, samt att genom planering och tydligöring att rapportering pågår kan läkare och sjuksköterskor minska på sysslolöshet och antalet gånger de blir avbrutna under en arbetsuppgift. AVD1 skulle även kunna öka en läkares respektive sjuksköterskas värdeskapande arbetsuppgifter genom att uppdatera datorerna, samt omplacera eller investera i fler skrivare och telemetridatorer. / With people’s increased life span, the demand for health care services has increased, while there is a lack of health care professionals. By increasing the health care professionals’ value-adding work assignments for patient care, they will be used more efficiently and be able to meet the demand of the health care services. Based on observations and time studies carried out at Vrinnevisjukhusets health care facility for stroke and rehabilitation of stroke, this thesis has provided suggestions for areas of improvement which could increase the amount of doctors’ and nurses’ value-adding work assignments. Based on the result time studies at the health care facility, a time distribution of the doctors’ and nurses’ work assignments was also established and showed that they spent their most time on administrative work (48 % for doctors and 26 % for nurses), communication (15 % for doctors and 24 % for nurses) and time with patient (15 % for doctors and 20 % for nurses). Based on the observations and the result of time distribution, the doctors and nurses main areas of improvement was the lack of guidelines for implementation of journal notes which made their administrative work assignments inefficient, as well as the lack of system for the stock levels of medicines, which hindered the nurses’ medication management. To address these problems the health care facility and the entire medical clinic that the facility is part of, should determine guidelines on how the journal notes should be conducted for avoidance of duplications and to also facilitate the search of information. The medical clinic should also invest in a new storage system which updates the stock levels of medicines automatically, and also makes it possible to see how much of each medicine is available in each facility and storage. The arrangement of the facilities storage is also an area that could be improved by implementing the Leans’ 5S, which would improve the doctors’ and nurses’ time distribution and increase the value-adding work assignments. By also planning and clarify when a reporting is ongoing, as well as relocate or invest in more printers and telemetry computers, the facilities doctors’ and nurses’ time distribution will be improved and also increase the amount of work assignments that is value-adding.

Infrastructure managers in railway systems are striving to have as efficient track utilization as possible. There are no unanimous interpretation of efficiency in terms of track utilization, but the aim of the Swedish Transport Administration is to allocate track capacity such that societal benefit is maximized. This means that the tracks should be used by as much traffic as possible and by traffic that provides as much benefit for the society as possible. To allocate track capacity such that the track utilization is optimal would be an easy task if the track capacity were not a scarce resource. Today, many train operators share railway network and there are cases when two or more operators want to use the same track capacity at the same time. The infrastructure manager must then make priorities and reject some operators, and the question is which operators to reject. The guiding principle is to grant the operators that provide the highest societal benefit access to the tracks. However, the question would then change into how to know which operator that provides the highest societal benefit. In this thesis, the societal benefit of publicly subsidized traffic is estimated using social cost-benefit analysis. Mathematical models and methods are developed for quantifying and computing the number of departures for the publicly subsidized traffic and their distribution in time, i.e. a train timetable, that provides the maximal societal benefit in a social cost-benefit analysis setting. The societal benefit of commercial traffic is estimated using the market value for their requested train timetables. The market value is set using dynamic pricing. A suggestion of a dynamic pricing process that can be used in the train timetabling process is described. Mathematical models and methods for calculating the supply and demand of a track access request are developed and tested, which enables the use of a dynamic pricing process on track capacity

The trend of more advanced driver-assistance features and the development toward autonomous vehicles enable new possibilities in the area of active safety. With more information available in the vehicle about the surrounding traffic and the road ahead, there is the possibility of improved active-safety systems that make use of this information for stability control in safety-critical maneuvers. Such a system could adaptively make a trade-off between controlling the longitudinal, lateral, and rotational dynamics of the vehicle in such a way that the risk of collision is minimized. To support this development, the main aim of this licentiate thesis is to provide new insights into the optimal behavior for autonomous vehicles in safety-critical situations. The knowledge gained have the potential to be used in future vehicle control systems, which can perform maneuvers at-the-limit of vehicle capabilities. Stability control of a vehicle in autonomous safety-critical at-the-limit maneuvers is analyzed by the use of optimal control. Since analytical solutions of the studied optimal control problems are intractable, they are discretized and solved numerically. A formulation of an optimization criterion depending on a single interpolation parameter is introduced, which results in a continuous family of optimal coordinated steering and braking patterns. This formulation provides several new insights into the relation between different braking patterns for vehicles in at-the-limit maneuvers. The braking patterns bridge the gap between optimal lane-keeping control and optimal yaw control, and have the potential to be used for future active-safety systems that can adapt the level of braking to the situation at hand. A new illustration named attainable force volumes is introduced, which effectively shows how the trajectory of a vehicle maneuver relates to the attainable forces over the duration of the maneuver. It is shown that the optimal behavior develops on the boundary surface of the attainable force volume. Applied to lane-keeping control, this indicates a set of control principles similar to those analytically obtained for friction-limited particle models in earlier research, but is shown to result in vehicle behavior close to the globally optimal solution also for more complex models and scenarios.

No description available.

No description available.

No description available.

En god logistik har som mål att leverera material och tjänster på rätt plats vid rätt tid till så låga kostnader som möjligt. En förutsättning för att lyckas med det är att göra förändringar efter omvärldens krav. Ett företag som arbetat hårt med att anpassa sin verksamhet efter kunders nuvarande och framtida krav är PostNord. PostNord är den största aktören inom svensk posthantering och levererar varje vardag post och paket till Sveriges alla privatpersoner och företag. De har under en längre tid tvingats göra stora förändringar av sin verksamhet pga. den minskande postmängden i dagens allt mer digitaliserade samhälle. Denna studie har fokuserat på team Söderköping/Valdemarsvik på PostNords terminal i Norrköping. I dagsläget sker allt för- och efterarbete av post och paket på terminalen i Norrköping där en del av posten sedan transporteras till depåer i Söderköping och Valdemarsvik där flera utdelningsslingorna utgår ifrån. PostNord vill nu lägga ned depån i Söderköping, i hopp om att effektivisera resursanvändningen och dra ned på kostnader. I dagsläget är arbetstiderna/dag inom teamet snedfördelade på så sätt att personalen kan arbeta 6 h/dag ena veckan för att arbeta 10 h/dag veckan efter och detta är något ledningen vill förändra i och med nedläggningen av depån. En nedläggning av depån i Söderköping innebär att de utdelningsslingor som i dagsläget utgår därifrån istället måste utgå från terminalen i Norrköping eller depån i Valdemarsvik. Studien har undersökt vad konsekvenserna av detta blir kopplat till resursplanering av personal. Detta har gjorts genom intervjuer och observationer där process- och hålltider samlats in och sedan analyserats hur dessa kommer påverkas av en nedläggning av depån i Söderköping. Det har även undersökts vad som lämpligt att ha för ny utgångspunkt för de utdelningsslingor som i dagsläget utgår från Söderköping. Därefter har ett förslag på hur ett nytt personalschema kan utformas tagits fram och konsekvenser har studerats och analyserats genom en jämförelse med det befintliga personalschemat. Vid utformningen av det nya schemat har det även tagits hänsyn till de snedfördelade arbetstiderna/dag i nuläget och försökts skapa så jämna arbetsdagar som möjligt tidsmässigt för brevbärarna. I det nya personalschemat flyttas utgångspunkten för sex utdelningsslingor från depån i Söderköping till terminalen i Norrköping, medan en utdelningsslinga flyttas till depån i Valdemarsvik. Detta innebär att 12 brevbärare blir tillgängliga vid för-och efterarbetet på terminalen istället för nulägets 6, vilket leder till en större flexibilitet i schemaläggningen. Eftersom fler personalresurser kan användas i för- och efterarbetet skapas det också jämnare arbetsdagar tidsmässigt för brevbärarna. Brevbärarna för de 6 utdelningsslingor som i nuläget utgår från terminalen i Norrköping får i det nya schemat kortare arbetsdagar medan brevbärarna för de utdelningsslingor som flyttar från depån i Söderköping till terminalen i Norrköping får längre arbetsdagar. En annan effekt av att fler brevbärare är behjälpliga i för och efterarbetet är att behovet av extraanställda inne på terminalen minskar.

Mellan 1990 och 2016 ökade de vägburna godstransporterna med cirka 50 procent och spås fortsätta öka ännu mer till år 2030. Fokus har tidigare legat på kostnadsminimering men har nu skiftat till att effektivisera transporterna. En förutsättning för att kunna effektivisera är att mäta och följa upp transporter, något som bland annat digitala verktyg möjliggör. En bransch som är i behov av effektivisering av transporter är anläggningsbranschen, bland annat på grund av låg innovationsgrad samt minskad lönsamhet hos de stora aktörerna. Syftet med denna studie är således att undersöka hur en entreprenör inom anläggningsbranschen kan definiera en effektivt utnyttjad anläggningstransport samt att ta fram prestationsmått för att mäta utnyttjandegraden av dessa. Studien har genomförts som en fallstudie på Skanska Sverige AB vid enheten Skanska Inköp. Studerade transportflöden är transport av asfalt från ett asfaltverk till ett läggarlag samt transport av schaktmassor från ett projekt till en deponi. Första steget i studien var att identifiera definitioner inom fallföretaget på vad en effektivt utnyttjad anläggningstransport är. Detta gjordes genom intervjuer, observationer, benchmarking samt en workshop. Därefter jämfördes definitionerna med litteratur på hur utnyttjandegrad kan definieras för transporter. Avslutningsvis anordnades en workshop där utvalda personer från fallföretaget diskuterade fram lämpade prestationsmått på utnyttjandegrad, med syftet att förbättra utnyttjandet. En specifik definition av en effektivt utnyttjad anläggningstransport inom fallföretaget framkom inte. Istället identifierades13 olika definitioner som inkluderar allt från engagerade chaufförer till att fordonet alltid är i rörelse. De definitioner som berörde förbättringsområden inom fallföretaget bröts ned ytterligarei prestationsmått för att mäta utnyttjandegrad, där utnyttjandegrad är förhållandet mellan output och kapacitet hos en resurs eller aktivitet. Prestationsmåtten delades in i dimensionerna kvalitet, tid, produktivitet och finansiellt. Kvalitet syftar till hur väl en specifik uppgift genomförs, tid identifierar aktiviteter där tid kan sparas, produktivitet till hur väl en specifik resurs används och finansiellt identifierar kostsamma aktiviteter i processen. Det är fördelaktigt att mäta inom alla fyra dimensioner för att skapa ett holistiskt perspektiv. Fallföretaget rekommenderas därmed att börja mäta följande fyra prestationsmått för utnyttjandegrad, vilka presenteras i tabellen nedan. <img src="data:image/png;base64,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

Det här är en kadidatsuppsatsinom industriell logistik som handlar om Industri 4.0 inom distributionskedjor i Norrbotten. Industri 4.0 har under den senaste tiden varit ett populärt ämne med ett växande antal publicerade artiklar och allt fler verksamheter har visat ett allt större intresse. Med rapporten vill vi fördjupa vår kunskap inom Industri 4.0, få en bättre förståelse för Industri 4.0s påverkan på distributionskedjor samt undersöka verksamheters insikt i ämnet. Undersökningen har utgått från tre huvudfrågor: 1) Vilka möjligheter och risker skapar Industri 4.0 för distributionskedjan? 2) Används Industri 4.0 i distributionskedjor i Norrbotten? Om inte, varför inte? 3) Finns det planer för att implementera Industri 4.0 i distributionskedjor i Norrbotten? Data har samlats in från tio relevanta artiklar, fem intervjuer med logistikchefer på några av regionens största verksamheter och tre så kallade kompetensintervjuer med personer som har insikt i Industri 4.0 inom regionen. Resultaten visar att möjligheterna överväger riskerna. Exempel på möjligheter är flexibilitet, en mer integrerad distributionskedja, kostnadseffektivitet, effektivare i distributionskedjan, mer hållbart, förbättrad transporttid och tillgång till realtidsdata. Exempel på risker är datasäkerhet, brist på standard för systemen, integritetskränkande, sämre arbetsmönster, komplexitet, den lagliga aspekten och ”high cost investment” med mera. Idag används inte Industri 4.0 i distributionskedjan i Norrbotten. Däremot finns det delar av tekniken som används. Det sker en kontinuerlig utveckling av tekniken i verksamheters distributionskedjor men det är svårt att konkret säga inom vilken tidsram Industri 4.0 kommer att vara implementerat i verksamheters distributionskedjor. Undersökningen kommer fram till att det kommer att krävas en ändring av verksamheter i Norrbottens distributionskedjor med hjälp av nya innovativa tekniker. Den här rapporten kan inte säkerhetsställainom vilken tidsram Industri 4.0 kommer bli aktivt inom distributionskedjori regionen.