Titelei/Inhaltsverzeichnis

Inhaltsverzeichnis

Bibliographische Infos

Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 115 (2025), Heft 03
Open Access Vollzugriff

wt Werkstattstechnik online

Jahrgang 115 (2025), Heft 03

Autor:innen:
Verlag
VDI fachmedien, Düsseldorf
Copyrightjahr
2025
ISSN-Online
1436-4980
ISSN-Print
1436-4980

Kapitelinformationen

Open Access Vollzugriff

Jahrgang 115 (2025), Heft 03

Titelei/Inhaltsverzeichnis

ISSN-Print
1436-4980
ISSN-Online
1436-4980
Kapitelvorschau:

Literaturverzeichnis

  1. [1] Liebers, F.; Brendler, C.; Latza, U.: Berufsspezifisches Risiko für das Auftreten von Arbeitsunfähigkeit durch Muskel-Skelett-Erkrankungen und Krankheiten des Herz-Kreislauf-Systems. Dortmund: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA) 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  2. [2] Schlick, C.; Bruder, R.; Luczak, H.: Arbeitswissenschaft. Heidelberg: Springer-Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  3. [3] European Agency for Safety and Health at Work; Kok, J.; Vroonhof, P. et al.: Work-related Musculoskeletal Disorders: Prevalence, Costs and Demographics in the EU. Luxembourg: Publications Office of the European Union 2019, doi.org/10.2802/66947 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  4. [4] Brenscheidt, S.; Siefer, A.; Hinnenkamp, H. et al.: Arbeitswelt im Wandel: Zahlen – Daten – Fakten. Ausgabe 2020. Dortmund: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA) 2020, doi.org/10.21934/baua:praxis20200131 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  5. [5] Eurofound; Wilczynska, A.; Cabrita, J. et al.: 6th European Working Conditions Survey: 2017 Update. Luxembourg: Publications Office of the European Union 2017, doi.org/10.2806/422172 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  6. [6] Holzgreve, F.; Schulte, L.; Oremek, G. et al.: Allgemeine und arbeitsplatzbezogene Risikofaktoren von Muskel-Skelett-Erkrankungen und deren Bestimmungsmethoden. Zentralblatt für Arbeitsmedizin, Arbeitsschutz und Ergonomie 73 (2023) 4, S. 182–189 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  7. [7] Brendler, C.: Alters- und berufsspezifische Unterschiede für das Auftreten von Arbeitsunfähigkeit aufgrund ausgewählter Herz-Kreislauf- sowie Muskel-Skelett-Erkrankungen. Dissertation, Charité – Universitätsmedizin Berlin, 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  8. [8] Ilmarinen, J.; Tempel, J.: Erhaltung, Förderung und Entwicklung der Arbeitsfähigkeit – Konzepte und Forschungsergebnisse aus Finnland. In: Badura, B.; Schellschmidt, H.; Vetter, C. (Hrsg.): Demographischer Wandel: Herausforderung für die betriebliche Personal- und Gesundheitspolitik – Zahlen, Daten, Analysen aus allen Branchen der Wirtschaft. BerHeidelberg: Springer 2003, S. 85–99, doi.org/10.1007/978–3–642–59351–2_7 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  9. [9] Rudow, B.; Neubauer, W.; Krüger, W. et al.: Die betriebliche Integration leistungsgewandelter Mitarbeiter – Ein Arbeits- und Personalprojekt aus der Automobilindustrie. Arbeit 16 (2007) 2, S. 118–131 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  10. [10] Börner, K.; Löffler, T.; Bullinger-Hoffmann, A. C. (Hrsg.): CheckAge – Screening-Verfahren für die Bewertung alter(n)sgerechter Arbeitsplätze. Chemnitz: aw&I – Wissenschaft und Praxis Verlag 2017, doi.org/10.14464/awir.v1i2.13 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  11. [11] Bullinger-Hoffmann, A.C.; Mühlstedt, J. (Hrsg.): Homo Sapiens Digitalis – Virtuelle Ergonomie und digitale Menschmodelle. Heidelberg: Springer-Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  12. [12] Spitzhirn, M.; Ullmann, S.; Fritzsche, L.: Considering individual abilities and age-related changes in digital production planning—human-centered design of industrial work tasks with ema software. Zeitschrift für Arbeitswissenschaft 76 (2022) 4, S. 459–477, doi.org/10.1007/s41449–022–00343–5 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  13. [13] imk Industrial Intelligence GmbH: Homepage. Stand: 2024. Internet: imk-industrial-intelligence.com/. Zugriff am 27.01.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  14. [14] Spitzhirn, M., Ullmann, S., Bauer, S. et al.: Digital production planning and human simulation of manual and hybrid work processes using the ema Software Suite. Proceedings of the 7th International Digital Human Modeling Symposium 7 (1), 2022, Iowa, USA, p.20–32, doi.org/10.17077/dhm.31816 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  15. [15] Spitzhirn, M., Gärtner, C., Ullmann, S. et al.: Considering Individual Abilities and Age-Related Changes in Digital Production Planning Using Digital Human Models. In: Scataglini, S.; Harih, G.; Saeys, W.; Truijen, S. (eds.): DHM 2023, Lecture Notes in Networks and Systems 744, pp. 1–10, 2023, doi.org/10.1007/978–3–031–37848–5_28 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  16. [16] Spitzhirn, M.; Gärtner, C.; Fritzsche F.: Digital planning of ability-appropriate and productive human-robot interactions in production. IEEE International Conference on Advanced Robotics and Its Social Impacts (ARSO), Berlin, 2023, pp. 166–171, doi.org/10.1109/ARSO56563.2023.10187520 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  17. [17] Spitzhirn, M.; Benter, M.; Heindl, C. et al.: Hybrid work systems – platform-based work planning – designing productive and human-centered work processes. Zeitschrift für Arbeitswissenschaft 76 (2022), S. 489–509, doi.org/10.1007/s41449–022–00342–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  18. [18] Spitzhirn, M.; Liedtke, M.; Grün, G. et al.: Simulation of work environment factors for human-oriented and efficient workplaces. Zeitschrift für Arbeitswissenschaft 76 (2022), S. 416–439, doi.org/10.1007/s41449–022–00337–3 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  19. [19] Daub, U.; Ackermann, A.; Kopp, V.: Ergonomie-Benefits: Kriterien zur Bewertung ergonomischer Maßnahmen in der Kosten-Nutzen-Analyse. Stuttgart: Fraunhofer IPA 2019, doi.org/10.24406/ipa-n-559153 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  20. [20] Schaub K.; Mühlstedt, J.; Illmann, B. et al.: Ergonomic assessment of automotive assembly tasks with digital human modelling and the ergonomics assessment worksheet‘ (EAWS). International Journal of Human Factors Modelling and Simulation 3 (2012) 3/4, dx.doi.org/10.1504/IJHFMS.2012.051581 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  21. [21] DIN EN ISO 14738:2009–07: Sicherheit von Maschinen – Anthropometrische Anforderungen an die Gestaltung von Maschinenarbeitsplätzen. Ausgabe Juli 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  22. [22] DIN 33402–2: Ergonomie – Körpermaße des Menschen – Teil 2: Werte. Berlin: Beuth Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  23. [23] Wakula, J.; Berg, K.; Schaub, K. et al.: Der montagespezifische Kraftatlas. BGIA-Report 3/2009. Sankt Augustin: BGIA 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  24. [24] Kapandji, I. A.: Funktionelle Anatomie: schematisierte und kommentierte Zeichnungen zur menschlichen Biomechanik. Stuttgart: Georg Thieme Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  25. [25] Spitzhirn, M.: Integration altersbedingter Veränderung der Beweglichkeit zur altersgerechten Arbeitsprozessgestaltung in digitalen Menschmodellen. In: Gesellschaft für Arbeitswissenschaft e.V. (Hrsg.): Soziotechnische Gestaltung des digitalen Wandels, 63. Kongress der Gesellschaft für Arbeitswissenschaft. Dortmund: GfA-Press 2017, Beitrag C.1.7, S. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  26. [26] HVBG (Hrsg.): Leitfaden für die Beurteilung von hebe- und Tragetätigkeiten. Gesundheitsgefährdung, gesetzliche Regelungen, Messmethoden, Beurteilungskriterien und Beurteilungsverfahren. Stand: 1995. Internet: www.dguv.de/projektdatenbank/ffff0119/pr9119.pdf. Zugriff am 27.01.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  27. [27] Nimbarte, A. D.; Chowdhury, S. K.; Moore, C. W.: Effects of lift-assist device on trunk and shoulder kinematics. International Journal of Occupational Safety and Health 5 (2017) 1, pp. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  28. [28] Fritzsche, L.; Hölzel, C.; Spitzhirn, M.: Weiterentwicklung der Kosten-Nutzen-Bewertung für Ergonomiemaßnahmen anhand von Praxisbeispielen der Automobilindustrie. In: Gesellschaft für Arbeitswissenschaft (Hrsg.): Arbeit interdisziplinär – analysieren, bewerten, gestalten. Dortmund: GfA-Press 2019, Beitrag A.7.2, S. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  29. [29] Kaltenbrunner, S.; Spillner, R.: Untersuchungen zur Akzeptanz von Handhabungsgeräten. Zeitschrift für wirtschaftlichen Fabrikbetrieb 108 (2013) 4, S. 244–248 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  30. [30] Shojaei, I.; Vazirian, M.; Croft, E. et al.: Age related differences in mechanical demands imposed on the lower back by manual material handling tasks. Journal of Biomechanics 49 (2016) 6, pp. 896–903 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  31. [31] ASTM: New Standard for Use of Exoskeletons for Return-to-Work. Stand: 2024. Internet: sn.astm.org/update/exoskeletons-return-to-work.html. Zugriff am 27.01.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-5
  32. [1] Bitkom Research: Rekord-Fachkräftemangel: In Deutschland sind 149.000 IT-Jobs unbesetzt. Stand: 2023. Internet: www.bitkom.org/Presse/Presseinformation/Rekord-Fachkraeftemangel-Deutschland-IT-Jobs-unbesetzt/. Zugriff am 14.03.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  33. [2] Mueller, K.: Komplexität beherrschen: Modellbasierte Softwareentwicklung von Enterprise Software. mgm technology partners GmbH. Stand: 2023. Internet: insights.mgm-tp.com/de/komplexitaet-beherrschen-modellbasierte-softwareentwicklung-von-enterprise-software/. Zugriff am 14.03.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  34. [3] IBM: Was ist Low-Code? Stand: 2024. Internet: www.ibm.com/de-de/topics/low-code. Zugriff am 14.03.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  35. [4] Adrian, B.; Hinrichsen, S.; Schulz, A. et al.: Low-Code-Programmierung als Ansatz zur Gestaltung bedarfsgerechter informatorischer Assistenzsysteme – eine Fallstudie. In: Bornewasser, M.; Hinrichsen, S. (Hrsg.): Informatorische Assistenzsysteme in der variantenreichen Montage. Heidelberg: Springer Vieweg, 2020, S. 173–186 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  36. [5] Sauer, S.; Weidmann, N.; Kirchhoff, J.: Merkmale und Entwicklungslinien der Low-Code-Programmierung. In: Hinrichsen, S.; Sauer, S.; Schröder, K. (Hrsg.): Prozesse in Industriebetrieben mittels Low-Code-Software digitalisieren. Heidelberg: Springer Vieweg 2023, S. 17–29 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  37. [6] Vial, G.: Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems 28 (2019) 2, pp. 118–144 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  38. [7] Kagermann, H.; Wahlster, W.; Helbig, J.: Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0. Stand: 2013. Internet: www.acatech.de/publikation/umsetzungsempfehlungen-fuer-das-zukunftsprojekt-industrie-4–0-abschlussbericht-des-arbeitskreises-industrie-4–0/download-pdf?lang=de. Zugriff am 14.03.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  39. [8] Gartner: Forecast Analysis: Low-Code Development Technologies. Stand: 2021. Internet: www.gartner.com/en/documents/3995846. Zugriff am 14.03.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  40. [9] Fuerst, S.; Sanchez-Dominguez, O.; Rodriguez-Montes, M. A.: The Role of Digital Technology within the Business Model of Sustainable Entrepreneurship. Sustainability 15 (2023) 14, #10923 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  41. [10] Ulich, E.: Arbeitssysteme als Soziotechnische Systeme – eine Erinnerung. Journal Psychologie des Alltagshandelns 6 (2013) 1, S. 4–12 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  42. [11] Hirsch-Kreinsen, H.; Ittermann, P.: Digitalization of Work Processes: A Framework for Human-Oriented Work Design. In: McMurray, A.; Muenjohn, N.; Weerakoon, C. (Hrsg): The Palgrave Handbook of Workplace Innovation. Cham: Palgrave Macmillan, 2021, pp. 273–293 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  43. [12] Hanelt, A.; Bohnsack, R.; Marz, D. et al.: A Systematic Review of the Literature on Digital Transformation: Insights and Implications for Strategy and Organizational Change. Journal of Management Studies 58 (2021) 5, pp. 1159–1197 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  44. [13] Bresciani, S.; Ferraris, A.; Romano, M. et al.: Digital Transformation Management for Agile Organizations: A Compass to Sail the Digital World. Leeds: Emerald Publishing Limited 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  45. [14] Kraus, S.; Ferraris, A.; Bertello, A.: The future of work: How innovation and digitalization re-shape the workplace. Journal of Innovation & Knowledge 8 (2023) 4, #100438 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  46. [15] Myers; Klein: A Set of Principles for Conducting Critical Research in Information Systems. MIS Quarterly 35 (2011) 1, pp. 17–36 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  47. [16] Ullrich, A.; Reißig, M.; Niehoff, S. et al.: Employee involvement and participation in digital transformation: a combined analysis of literature and practitioners‘ expertise. Journal of Organizational Change Management 36 (2023) 8, pp. 29–48 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  48. [17] Calderon-Monge, E.; Ribeiro-Soriano, D.: The role of digitalization in business and management: a systematic literature review. Review of Managerial Science 18 (2024) 2, pp. 449–491 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  49. [18] PRISMA: PRISMA statement. Stand: 2024. Internet: www.prisma-statement.org/. Zugriff am 14.03.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  50. [19] Avishahar-Zeira, A.; Lorenz, D. H.: Could No-Code Be Code? Toward a No-Code Programming Language for Citizen Developers. Onward! 2023 ACM SIGPLAN International Symposium on New Ideas, New Paradigms, and Reflections on Programming and Software, Cascais, Portugal, 2023, pp. 103–119 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  51. [20] Sanchis, R.; García-Perales, Ó.; Fraile, F. et al.: Low-Code as Enabler of Digital Transformation in Manufacturing Industry. Applied Sciences 10 (2020) 1, #12 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  52. [21] Guevara, I.; Chaudhary, H. A. A.; Margaria, T.: Model-Driven Edge Analytics: Practical Use Cases in Smart Manufacturing. International Symposium on Leveraging Applications of Formal Methods, 2022, pp. 406–421 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  53. [22] Gomes, P. M.; Brito, M. A.: Low-Code Development Platforms: A Descriptive Study. 17th Iberian Conference on Information Systems and Technologies (CISTI), Madrid, Spain, 2022, pp. 1–4 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  54. [23] Sahay, A.; Di Ruscio, D.; Pierantonio, A.: Understanding the role of model transformation compositions in low-code development platforms. MODELS ‘20: ACM/IEEE 23rd International Conference on Model Driven Engineering Languages and Systems, Virtual Event Canada, 2020, pp. 1–5 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  55. [24] Schneid, K.; Stapper, L.; Thone, S. et al.: Automated Regression Tests: A No-Code Approach for BPMN-based Process-Driven Applications. 2021 IEEE 25th International Enterprise Distributed Object Computing Conference (EDOC), Gold Coast, Australia, 2021, pp. 31–40 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  56. [25] Käss, S.; Strahringer, S.; Westner, M.: A Multiple Mini Case Study on the Adoption of Low Code Development Platforms in Work Systems. IEEE Access 11 (2023), pp. 118762–118786 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  57. [26] Wang, Y.; Feng, Y.; Zhang, M. et al.: The Necessity of Low-code Engineering for Industrial Software Development: A Case Study and Reflections. 2021 IEEE International Symposium on Software Reliability Engineering Workshops (ISSREW), Wuhan, China, 2021, pp. 415–420 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  58. [27] Redchuk, A.; Walas Mateo, F.: New Business Models on Artificial Intelligence—The Case of the Optimization of a Blast Furnace in the Steel Industry by a Machine Learning Solution. Applied System Innovation 5 (2022) 1, p. 6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  59. [28] Lin, C.; Jia, C.; Han, G. et al.: A Low-Code Edge Computing-Based Predicting Scheme for Aeroengine Components to Enable Intelligent Aeronautical Manufacture. IEEE Journal of Emerging and Selected Topics in Industrial Electronics 5 (2024) 2, pp. 745–752 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  60. [29] El Kamouchi, H.; Kissi, M.; El Beggar, O.: Low-code/No-code Development: A systematic literature review. 14th International Conference on Intelligent Systems: Theories and Applications (SITA), Casablanca, Morocco, 2023, pp. 1–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  61. [30] Redchuk, A.; Walas Mateo, F.; Pascal, G. et al.: Adoption Case of IIoT and Machine Learning to Improve Energy Consumption at a Process Manufacturing Firm, under Industry 5.0 Model. Big Data and Cognitive Computing 7 (2023) 1, #42 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  62. [31] Horváth, B.; Horváth, Á.; Wimmer, M.: Towards the next generation of reactive model transformations on low-code platforms. MODELS ‘20: ACM/IEEE 23rd International Conference on Model Driven Engineering Languages and Systems, Virtual Event Canada, 2020, pp. 1–10 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  63. [32] Bexiga, M.; Garbatov, S.; Seco, J. C.: Closing the gap between designers and developers in a low code ecosystem. MODELS ‘20: ACM/IEEE 23rd International Conference on Model Driven Engineering Languages and Systems, Virtual Event Canada, 2020, pp. 1–10 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  64. [33] Qu, D.; Zhang, Y.; Hu, X. et al.: Contract-Based Design for Low-Code Development in Industrial Edge Applications. 2023 IEEE 32nd International Symposium on Industrial Electronics (ISIE), Helsinki, Finland, 2023, pp. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  65. [34] Das, P.; Srivastava, S.; Moskovich, V. et al.: CDI-E. Proceedings of the VLDB Endowment 15 (2022) 12, pp. 3319–3331 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  66. [35] Ren, H.; Dorofeev, K.; Anicic, D. et al.: SeLoC-ML: Semantic Low-Code Engineering for Machine Learning Applications in Industrial IoT. In: Sattler, U.; Hogan, A.; Keet, M. et al. (Hrsg.): The Semantic Web – ISWC 2022. Cham: Springer International Publishing 2022, pp. 845–862 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  67. [36] Halim, J.; Eichler, P.; Krusche, S. et al.: No-code robotic programming for agile production: A new markerless-approach for multimodal natural interaction in a human-robot collaboration context. Frontiers in robotics and AI 9 (2022), #1001955 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  68. [37] Waszkowski, R.: Low-code platform for automating business processes in manufacturing. IFAC-PapersOnLine 52 (2019) 10, pp. 376–381 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  69. [38] Deshmukh, R. A.; Jayakody, D.; Schneider, A. et al.: Data Spine: A Federated Interoperability Enabler for Heterogeneous IoT Platform Ecosystems. Sensors (Basel, Switzerland) 21 (2021) 12, #4010 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  70. [39] Dalibor, M.; Heithoff, M.; Michael, J. et al.: Generating customized low-code development platforms for digital twins. Journal of Computer Languages 70 (2022), #101117 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  71. [40] Chaudhary, H. A. A.; Guevara, I.; Singh, A. et al.: Efficient Model-Driven Prototyping for Edge Analytics. Electronics 12 (2023) 18, #3881 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  72. [41] Overeem, M.; Jansen, S.: Proposing a Framework for Impact Analysis for Low-Code Development Platforms. 2021 ACM/IEEE International Conference on Model Driven Engineering Languages and Systems Companion (MODELS-C), Fukuoka, Japan, 2021, pp. 88–97 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  73. [42] Klarhorst, C.; Quirin, D.; Hesse, M. et al.: ML4ProFlow: A Framework for Low-Code Data Processing from Edge to Cloud in Industrial Production. 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA), Stuttgart, 2022, pp. 1–4 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  74. [43] Phalake, V. S.; Joshi, S. D.; Rade, K. A. et al.: Optimization for achieving sustainability in low code development platform. International Journal on Interactive Design and Manufacturing (IJIDeM) 18 (2024) 8, pp. 5717–5724 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  75. [44] Biyalou-Sama, A.: Simplify model design in MDE approaches. MODELS ‚22: Proceedings of the 25th International Conference on Model Driven Engineering Languages and Systems: Companion (2022), pp. 170 – 175 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-14
  76. [1] Sjarov, M.; Lechler, T.; Fuchs, J. et al.: The Digital Twin Concept in Industry – A Review and Systematization. 2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Vienna, Austria, 2020, pp. 1789–1796 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  77. [2] Hermann, M.; Pentek, T.; Otto, B.: Design Principles for Industrie 4.0 Scenarios. 2016 49th Hawaii International Conference on System Sciences (HICSS), Koloa, HI, USA, 2016, pp. 3928–3937 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  78. [3] Bergs, T.; Gierlings, S.; Auerbach, T. et al.: The Concept of Digital Twin and Digital Shadow in Manufacturing. Procedia CIRP 101 (2021) 3, pp. 81–84 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  79. [4] ISO 23247: Automation systems and Automation systems and integration — Digital twin framework for manufacturing. Englische Fassung, Ausgabe Oktober 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  80. [5] Zimmermann, P.; Gerber, K.; Seyler, J. R.: A Concept for Selecting Suitable Resources in Automated Assembly Systems. 2021 IEEE 26th International Conference on Emerging Technologies and Factory Automation (ETFA), Vasteras, Sweden, 2021, pp. 1–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  81. [6] DIN SPEC 91345: Referenzarchitekturmodell Industrie 4.0 (RAMI4.0). Deutsche Fassung, Ausgabe April 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  82. [7] Xu, W.; Cui, J.; Li, L. et al.: Digital twin-based industrial cloud robotics: Framework, control approach and implementation. Journal of Manufacturing Systems 58, Part B (2021), pp. 196–209 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  83. [8] Saavedra Sueldo, C.; Perez Colo, I.; Paula, M. de et al.: ROS-based architecture for fast digital twin development of smart manufacturing robotized systems. Annals of Operations Research 322 (2023) 1, pp. 75–99 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  84. [9] Tantik, E.; Anderl, R.: Integrated Data Model and Structure for the Asset Administration Shell in Industrie 4.0. Procedia CIRP 60 (2017) 10, pp. 86–91 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  85. [10] Walter, J.; Grau, S.; Raczok, T. et al.: Bringing the new class of cable-driven parallel robots to the world of industrial cyber-physical systems based on RAMI 4.0. 2022 IEEE 5th International Conference on Industrial Cyber-Physical Systems (ICPS), Coventry, United Kingdom, 2022, pp. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  86. [11] Inigo, M. A.; Porto, A.; Kremer, B. et al.: Towards an Asset Administration Shell scenario: a use case for interoperability and standardization in Industry 4.0. NOMS 2020–2020 IEEE/IFIP Network Operations and Management Symposium, Budapest, Hungary, 2020, pp. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  87. [12] Ye, X.; Hong, S. H.; Song, W. S. et al.: An Industry 4.0 Asset Administration Shell-Enabled Digital Solution for Robot-Based Manufacturing Systems. IEEE Access 9 (2021), pp. 154448–154459 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  88. [13] IDTA: Specification of the Asset Administration Shell. Part 1: Metamodel. Internet: industrialdigitaltwin.org/wp-content/uploads/2024/06/IDTA-01001–3–0–1_SpecificationAssetAdministrationShell_Part1_Metamodel.pdf. Zugriff am 11.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  89. [14] IDTA: Specification of the Asset Administration Shell. Part 3a: Data Specification – IEC 61360. Internet: industrialdigitaltwin.org/wp-content/uploads/2024/07/IDTA-01003-a-3–0–2_SpecificationAssetAdministrationShell_Part3a_DataSpecification_IEC613601.pdf. Zugriff am 11.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  90. [15] ECLASS: ECLASS 14.0. Internet: eclass.eu/eclass-standard/content-suche. Zugriff am 11.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  91. [16] IDTA: Digital Nameplate for Industrial Equipment. Internet: industrialdigitaltwin.org/wp-content/uploads/2024/11/IDTA-02006–3–0_Submodel_Digital-Nameplate.pdf. Zugriff am 11.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  92. [17] IDTA: Generic Frame for Technical Data for Industrial Equipment in Manufacturing. Internet: industrialdigitaltwin.org/wp-content/uploads/2022/10/IDTA-02003–1–2_Submodel_TechnicalData.pdf. Zugriff am 11.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  93. [18] IDTA: Time Series Data. Internet: industrialdigitaltwin.org/wp-content/uploads/2023/03/IDTA-02008–1–1_Submodel_TimeSeriesData.pdf. Zugriff am 11.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  94. [19] IDTA: Specification of the Asset Administration Shell. Part 2: Application Programming Interfaces. Internet: /industrialdigitaltwin.org/wp-content/uploads/2024/10/IDTA-01002–3–0–3_SpecificationAssetAdministrationShell_Part2_API.pdf. Zugriff am 11.02.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-23
  95. [1] Miehe, R. et al.: Enabling bidirectional real time interaction between biological and technical systems: Structural basics of a control oriented modeling of biology-technology-interfaces. Procedia CIRP, Vol. 81, 2019, pp. 63–68 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  96. [2] Bergs, T. et al.: Application cases of biological transformation in manufacturing technology. CIRP Journal of Manufacturing Science and Technology, vol. 31, 2020, pp. 68–77 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  97. [3] Hellmich, A. et al.: Bio-inspired factories of the future. Hannover, Proceedings of the Conference on Production Systems and Logistics: CPSL 2020, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  98. [4] European Commission, The European Green Deal,” Communication, European Commission, Bruessels COM(2019) 640 fina, 2019. Internet: https://ec.europa.eu/info/strategy/priorities-2019-2024/european-green-deal_en. Zugriff am 9. Juli 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  99. [5] European Commission, Ecodesign for Sustainable Products Regulation (ESPR): Regulation (EU) 2024/1781 of the European Parliament and of the Council of 13 June 2024 establishing a framework for the setting of ecodesign requirements for sustainable products, amending Directive (EU) 2020/1828 and Regulation (EU) 2023/1542 and repealing Directive 2009/125/EC. Internet: http://data.europa.eu/eli/reg/2024/1781/oj. Zugriff am 11. Juli 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  100. [6] Berkhahn, M. et al.: Taxonomy for Biological Transformation Principles in the Manufacturing Industry. In: Lecture Notes in Mechanical Engineering, Manufacturing Driving Circular Economy, Cham: Springer International Publishing, 2023, pp. 981–989 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  101. [7] Neugebauer, R.: Biologische Transformation. Berlin, Heidelberg: Springer 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  102. [8] Miehe, R. et al.: The biological transformation of industrial manufacturing: Technologies, status and scenarios for a sustainable future of the German manufacturing industry. Journal of Manufacturing Systems, vol. 54, 2020, pp. 50–61 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  103. [9] Bauernhansl, T.; Brecher, C.; Drossel, W.: Biointelligenz: eine neue Perspektive für nachhaltige industrielle Wertschöpfung: Ergebnisse der Voruntersuchung zur biologischen Transformation der industriellen Wertschöpfung (Biotrain). Vol. 2019, http://publica.fraunhofer.de/ eprints/urn_nbn_de_0011-n-5412052.pdf, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  104. [10] Byrne, G. et al.: Biologicalisation: Biological transformation in manufacturing, 2018, pp. 1–43 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  105. [11] Drossel, W.; Dani, I.; and Wertheim, R.: Biological transformation and technologies used for manufacturing of multifunctional metal-based parts. Procedia Manufacturing, vol. 33, https://www.sciencedirect.com/science/article/pii/s2351978919304937, 2019, pp. 115–122 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  106. [12] Seegrün, A.; Mügge, J.; Riedelsheimer, T.; and Lindow, K.: Digital Twins for Sustainability in the Context of Biological Transformation. In: Manufacturing Driving Circular Economy: Proceedings of the 18th Global Conference on Sustainable Manufacturing, October 5-7, 2022, Berlin, 2023, pp. 576–584 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  107. [13] Miehe, R.; Horbelt, J.; Baumgarten, Y.; and Bauernhansl, T.: Basic considerations for a digital twin of biointelligent systems: Applying technical design patterns to biological systems, CIRP Journal of Manufacturing Science and Technology, vol. 31, 2020, pp. 548–560 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  108. [14] Fraunhofer IPK, BioFusion 4.0: Integration biologischer Prinzipien in die Industrie 4.0. [Online] https://www.ipk.fraunhofer.de/de/zusammenarbeit/referenzen/biofusion40.html. Zugriff am 13. Aug. 2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  109. [15] Riedelsheimer, T.; Seegrün, A.; Lindow, K.: Digital Twins for real-time Life Cycle Assessment of Products, Proceedings of the 13th International Symposium on Environmentally Conscious Design and Inverse Manufacturing, to be published 2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  110. [16] Negri, E.; Fumagalli, L.; Macchi, M.: A Review of the Roles of Digital Twin in CPS-based Production Systems,” Procedia Manufacturing, vol. 11, 2017, pp. 939–948 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  111. [17] Plattform Industrie 4.0, Details on the Asset Administration Shell (AAS): Specification. Internet: https://www.plattform-i40.de/IP/Redaktion/DE/Downloads/Publikation/Details_of_the_Asset_Administration_Shell_Part1_V2.pdf?__blob=publicationFile&v=6. Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  112. [18] Eclipse Foundation, BaSyx. Internet: https://wiki.eclipse.org/ BaSyx. Zugriff am 11. Juli 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  113. [19] Stark, R.; Damerau, T.: Digital Twin. In: CIRP Encyclopedia of Production Engineering, Berlin, Heidelberg: Springer, 2019, pp. 1–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  114. [20] Mügge, J.; Hahn, I. R.; Riedelsheimer, T.; and Chatzis, J.: Digital Twins for Circular Economy - Enabling Decision Support for R-Strategies, I40M, No. 6, 2022, pp. 42–46 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  115. [21] Seegrün, A. et al.: Sustainable product lifecycle management with Digital Twins: A systematic literature review, Procedia CIRP, vol. 119, 2023, pp. 776–781 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  116. [22] DIN ISO. DIN EN ISO 14040:2006 Umweltmanagement – Ökobilanz – Grundsätze und Rahmenbedingungen,” DIN-Norm, Berlin DIN EN ISO 14040:2009-11, 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  117. [23] DIN EN ISO 14044:2006, 14044, 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-30
  118. [1] Berger, J.; Schumacher, S.; Mehrer, J. et al.: User-centered analysis for the implementation of industrial mobile robots. Procedia CIRP 126 (2024), pp. 224–229 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  119. [2] Berger, J.; Lu, S.: A Multi-camera System for Human Detection and Activity Recognition. Procedia CIRP 112 (2022), pp. 191–196 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  120. [3] Ghodsian, N.; Benfriha, K.; Olabi, A. et al.: Toward designing an integration architecture for a mobile manipulator in production systems: Industry 4.0. Procedia CIRP 109 (2022), pp. 443–448 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  121. [4] Rothmeyer, F.; Spitzer, F.; Herrmann, S. et al.: Akustische Basissignale für mobile Logistik-Roboter. Zeitschrift für wirtschaftlichen Fabrikbetrieb 119 (2024) 10, S. 728–734 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  122. [5] Berg, J.; Lottermoser, A.; Richter, C. et al.: Human-Robot-Interaction for mobile industrial robot teams. Procedia CIRP 79 (2019), pp. 614–619 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  123. [6] Berger, J.; Colceriu, C.; Blank, A. et al.: Abschlussbericht: FORobotics – mobile ad-hoc kooperierende Roboterteams. Augsburg: Universität Augsburg/Fraunhofer IGCV 2021, doi.org/10.24406/igcv-n-624794 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  124. [7] Niemann, F.; Reining, C.; Moya Rueda, F. et al.: LARa: Creating a Dataset for Human Activity Recognition in Logistics Using Semantic Attributes. Sensors (Basel, Switzerland) 20 (2020) 15, #4083, doi.org/10.3390/s20154083 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  125. [8] Wang, L.; Huang, B.; Zhao, Z. et al.: VideoMAE V2: Scaling Video Masked Autoencoders with Dual Masking. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023, pp. 14549–14560 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  126. [9] Kolensnikov, A.; Dosovitskiy, A.; Weissenborn, D. et al.: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. International Conference on Learning Representations, 2021, Arxiv, doi.org/10.48550/arXiv.2010.11929 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  127. [10] Feichtenhofer, C.: X3D: Expanding Architectures for Efficient Video Recognition. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 203–213 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  128. [11] Materzynska, J.; Berger, G.; Bax, I. et al.: The Jester Dataset: A Large-Scale Video Dataset of Human Gestures. IEEE/CVF International Conference on Computer Vision Workshop, 2019, pp. 2874–2882 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-38
  129. [1] Orson, B.: Sustainable Cabin Design. New Approaches in Sustainable Aircraft Interior Design. Aerospace Technology Institute – FlyZero. Stand: 2022. Internet: www.ati.org.uk/wp-content/uploads/2022/03/FZO-AIR-POS-0039-Sustainable-Cabin-Design.pdf. Zugriff am 04.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  130. [2] Beyerer, J.; Puente León, F.; Frese, C. et al. (Hrsg.): Automatische Sichtprüfung. Heidelberg: Springer-Verlag 2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  131. [3] Halbach, G.; Oechsner, U.: Smart Line Scan Measurement Systems. PhotonicsViews 17 (2020) 6, pp. 50–53 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  132. [4] Beyerer, J.; Puente León, F.; Frese, C. et al.: Sensoren zur Bildgewinnung. In: Beyerer, J.; Puente León, F.; Frese, C. et al. (Hrsg.): Automatische Sichtprüfung. Heidelberg: Springer-Verlag 2024, S. 255–284 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  133. [5] Forgács, Z.; Trohák, A.: The determination of the line of interest in a line scan camera-based measurement system. Pollack Periodica (2024), doi.org/10.1556/606.2024.01187 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  134. [6] Zhang, Z.: A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence 22 (2000) 11, pp. 1330–1334 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  135. [7] Shang, H.; Liu, C.; Wang, R.: Measurement methods of 3D shape of large-scale complex surfaces based on computer vision: A review. Measurement 197 (2022), #111302, doi.org/10.1016/j.measurement.2022.111302 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  136. [8] Ramm, R.; Heinze, M.; Kühmstedt, P. et al.: Portable solution for high-resolution 3D and color texture on-site digitization of cultural heritage objects. Journal of Cultural Heritage 53 (2022), pp. 165–175 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  137. [9] Beyerer, J.; Puente León, F.; Frese, C. et al.: Vorverarbeitung und Bildverbesserung. In: Beyerer, J.; Puente León, F.; Frese, C. et al. (Hrsg.): Automatische Sichtprüfung. Heidelberg: Springer-Verlag 2024, S. 639–708 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  138. [10] Valente, J.; Soatto, S.: Perspective distortion modeling, learning and compensation. 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Boston, MA, USA, 2015, pp. 9–16 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  139. [11] Vasluianu, F.-A.; Seizinger, T.; Zhou, Z. et al.: NTIRE 2024 Image Shadow Removal Challenge Report. 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Seattle, WA, USA, 2024, pp. 6547–6570 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  140. [12] Ramola, A.; Shakya, A. K.; van Pham, D.: Study of statistical methods for texture analysis and their modern evolutions. Engineering Reports 2 (2020) 4, doi.org/10.1002/eng2.12149 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  141. [13] Hoseini, E.; Farhadi, F.; Tajeripour, F.: Fabric Defect Detection Using Auto-Correlation Function. International Journal of Computer Theory and Engineering (2013), pp. 114–117 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  142. [14] Luo, Q.; Fang, X.; Su, J. et al.: Automated Visual Defect Classification for Flat Steel Surface: A Survey. IEEE Transactions on Instrumentation and Measurement 69 (2020) 12, pp. 9329–9349 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  143. [15] Jocher, G.; Jing, Q.; Chaurasia, A.: Ultralytics YOLO (Version 8.0.0). Internet: https://github.com/ultralytics/ultralytics. Zugriff am 04.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  144. [16] Selamet, F.; Cakar, S.; Kotan, M.: Automatic Detection and Classification of Defective Areas on Metal Parts by Using Adaptive Fusion of Faster R-CNN and Shape From Shading. IEEE Access 10 (2022), pp. 126030–126038, doi.org/10.1109/ACCESS.2022.3224037 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  145. [17] Mittal, A.; Moorthy, A. K.; Bovik, A. C.: No-reference image quality assessment in the spatial domain. IEEE transactions on image processing 21 (2012) 12, pp. 4695–4708, doi.org/10.1109/TIP.2012.2214050 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  146. [18] Deng, J.; Dong, W.; Socher, R. et al.: ImageNet: A large-scale hierarchical image database. 2009 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPR Workshops), Miami, FL, 2009, pp. 248–255 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  147. [19] Ultralytics Inc.: Modelltraining mit Ultralytics YOLO. Stand: 2024. Internet: docs.ultralytics.com/de/modes/train/. Zugriff am 04.02.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  148. [20] Lin, T.-Y.; Maire, M.; Belongie, S. et al.: Microsoft COCO: Common Objects in Context. In: Fleet, D.; Pajdla, T.; Schiele, B. et al. (Hrsg.): Computer Vision – ECCV 2014. Cham: Springer International Publishing 2014, pp. 740–755, doi.org/10.1007/978–3–319–10602–1_48 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-46
  149. [1] Verband der Automobilindustrie e.V.: Die Elektromobilität weltweit auf dem Vormarsch. 14,5 Millionen E-Autos weltweit abgesetzt. Deutschland hinter China und den USA drittgrößter Elektro-Pkw-Markt weltweit. Internet: www.vda.de/de/themen/elektromobilitaet/marktentwicklung-europa-international. Zugriff am 06.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  150. [2] Kagermann, H.: Geleitwort. In: Korthauer, R. (Hrsg.): Handbuch Lithium-Ionen-Batterien. Heidelberg: Springer-Verlag 2013, S. V–VI Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  151. [3] Kampker, A.: Die Produktion des Hochvolt-Speichersystems. In: Kampker, A. (Hrsg.): Elektromobilproduktion. Heidelberg: Springer-Verlag 2014, S. 43–113 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  152. [4] Kurzweil, P.; Dietlmeier, O. K. (Hrsg.): Elektrochemische Speicher. Wiesbaden: Springer Fachmedien 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  153. [5] Börner, M. F.: Ein prozessbasiertes Modell zur Berechnung der Kosten von Lithium-Ionen-Batteriezellen. Dissertation, RWTH Aachen, 2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  154. [6] Frieske, B.; Stieler, S.: Themenpapier Cluster Elektromobilität Süd-West: Die Produktionskette „Batteriesystem“ und kritische Ressourcen. Stuttgart. Stand: 2022. Internet: www.transformationswissen-bw.de/fileadmin/media/Publikationen/e-mobil_Studien/Themenpapier_Cluster_ESW_Produktionskette_Batteriesystem_und_kritische_Ressourcen.pdf. Zugriff am 06.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  155. [7] Thielmann, A.; Wietschel, M.; Funke, S. e. a.: Batterien für Elektroautos: Faktencheck und Handlungsbedarf. Sind Batterien für Elektroautos der Schlüssel für eine nachhaltige Mobilität der Zukunft? Karlsruhe: Fraunhofer ISI 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  156. [8] ZVEI e.V.: Steigender Import von Batterien: Lithium-Ionen-Zellen und -Batterien dominieren. Stand: 2023. Internet: www.zvei.org/fileadmin/user_upload/Presse_und_Medien/Publikationen/2023/Mai/Faktenblatt_Import/Faktenblatt_Import_End.pdf. Zugriff am 07.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  157. [9] Bundesministerium für Wirtschaft und Klimaschutz (BMWK) (Hrsg.): Batteriezellförderung – ein Beispiel erfolgreich transformativer Industriepolitik. Stand: 2022. Internet: www.bmwk.de/Redaktion/DE/Publikationen/Energie/batteriezellforderung.pdf?__blob=publicationFile&v=1. Zugriff am 07.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  158. [10] VDE (Hrsg.):-Positionspapier: Batteriezellfertigung für die Elektromobilität in Deutschland. Frankfurt am Main: VDE e.V. 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  159. [11] Dahmen, C.; Degen, F.; Eckstein, M. C. et al.: Whitepaper: Mastering Ramp-up of Battery Production. Stand: 2024. Internet: www.ffb.fraunhofer.de/content/dam/ipt/forschungsfertigung-batteriezelle/Bilder/presse-medien/whitepaper-ramp-up/Whitepaper_Mastering%20Ramp-up%20of%20Battery%20Production.pdf. Zugriff am 06.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  160. [12] Michaelis, S.; Schütrumpf, J.; Kampker, A. et al.: Batterie-Produktionsmittel Roadmap 2030. Update 2023. Frankfurt am Main: VDMA-Verlag 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  161. [13] Lodwig, R.; Schulz, F.: Datenerhebung in der Batteriezellenproduktion. wt Werkstattstechnik online 113 (2023) 3, S. 81–86. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  162. [14] acp systems AG: Innovative Wickelmaschine für zylindrische Batteriezellen. Internet: batterie-produktion.de/batterieproduktion/innovative-wickelmaschine-fuer-zylindrische-batteriezellen/. Zugriff am 06.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  163. [15] PEM der RWTH Aachen; VDMA (Hrsg.): Produktionsprozess einer Lithium-Ionen-Battereizelle. Frankfurt am Main: Eigendruck PEM der RWTH Aachen & VDMA 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  164. [16] Pettinger, K.-H.: Fertigungsprozesse von Lithium-Ionen-Zellen. In: Korthauer, R. (Hrsg.): Handbuch Lithium-Ionen-Batterien. Heidelberg: Springer-Verlag 2013, S. 221–235 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  165. [17] Baazouzi, S.; Feistel, N.; Wanner, J. et al.: Design, Properties, and Manufacturing of Cylindrical Li-Ion Battery Cells—A Generic Overview. Batteries 9 (2023) 6, p. 309 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  166. [18] Wöhrle, T.: Lithium-Ionen-Zelle. In: Korthauer, R. (Hrsg.): Handbuch Lithium-Ionen-Batterien. Heidelberg: Springer-Verlag 2013, S. 107–117 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  167. [19] Carter, R.; Klein, E. J.; Atkinson, R. W. et al.: Mechanical collapse as primary degradation mode in mandrel-free 18650 Li-ion cells operated at 0 °C. Journal of Power Sources 437 (2019), #226820 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  168. [20] Sigma-Aldrich: Safety Data Sheet. Lithium nickel manganese cobalt oxide, electrode sheet,aluminium substrate. Steinheim: Sigma Aldrich 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  169. [21] VDMA 4001-2: OPC UA for Machinery - Part 2: Process Values. Stand: 2023. Internet: attachments.vdma.org/attachments/Fqv4xdiemRfhRsU5Fjug. Zugriff am 07.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  170. [22] Rietdorf, C.; Torolsan, K.; Favier, M. et al.: Leveraging Digital Twins for Real-Time Environmental Monitoring in Battery Manufacturing. Procedia CIRP 130 (2024), pp. 749–754 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  171. [23] Anderlik, S.; Kößler, F.; Sawodny, J. et al.: Dashboards in der Batteriezellfertigung. wt Werkstattstechnik online 114 (2024) 7/8, S. 439–444. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  172. [24] Öttinger, M. (Hrsg.): Die EU- Batterieverordnung. Neue Pflichten für Akteure der Batteriewirtschaft. Berlin: Beuth Verlag 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-54
  173. [1] Ahlborn, H.; Bezerra, R.; Middendorf, P. et al.: PulForm – Manufacturing of complex parts by combination of braiding, pultrusion and blowmoulding. Stuttgart: Institut für Kunststofftechnik 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  174. [2] Volk, M.; Yuksel, O.; Baran, I. et al.: Cost-efficient, automated, and sustainable composite profile manufacture: A review of the state of the art, innovations, and future of pultrusion technologies. Composites Part B: Engineering 246 (2022) #110135 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  175. [3] Wilhelm, F.; Wedel, A.; Wilfert, J. et al.: Prozessdigitalisierung von Bestandsanlagen. Intelligente Prozessdigitalisierung am Beispiel des Fertigungsverfahrens Pultrusion. wt Werkstattstechnik 112 (2022) 3, S. 154–160. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  176. [4] Canevarolo, S. V. J.; Gasparini, T. M.; Costa, L. C. et al.: Apparatus for in-line optical detection of low-angle laser light scattering (lalls), use of same and method for real-time morphological monitoring of polyphase systems. Patent WO2017136910 vom 10.02.2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  177. [5] Xian Jiaotong University: Continuous fiber 3D printing process monitoring method based on artificial intelligence image recognition. Patent CN115457476A vom 09.12.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  178. [6] Talabi, S. I.; Tobin, J.; Strom, B. et al.: Recent and future developments in pultrusion technology with consideration for curved geometries: A review. Composites Part B: Engineering 283 (2024), # 111678, S. 13 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  179. [7] DIN EN 13706–2:2002. Verstärkte Kunststoffverbundwerkstoffe – Spezifikationen für pultrudierte Profile – Teil 2. Deutsche Fassung, Ausgabe Oktober 2002 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  180. [8] Taudt, C.; Leyens, C.; Hartmann, P. et al.: Darkfield-scattering surface analysis in powder-based AM-processes: analysis of a multi-wavelength approach. Conference LA401: Laser 3D Manufacturing XIII, San Francisco/California USA, 2025, Paper 13354–16 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  181. [9] Baran, I.: Pultrusion: State-of-the-art Process Models. Amsterdam: Elsevier Inc 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-60
  182. [1] Reinhart, G.: Handbuch Industrie 4.0. Geschäftsmodelle, Prozesse, Technik. München: Carl Hanser Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  183. [2] Wiendahl, H.-P.; Wiendahl, H.-H.: Betriebsorganisation für Ingenieure. München: Carl Hanser Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  184. [3] DIN EN ISO 10218–1: Robotik – Sicherheitsanforderungen – Teil 1: Industrieroboter (ISO/DIS 10218–1.2:2021), Ausgabe September 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  185. [4] Hesse, S.; Malisa, V. (Hrsg.): Taschenbuch Robotik, Montage, Handhabung. München: Carl Hanser Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  186. [5] Lynch, K. M.; Park, F. C.: Modern robotics – mechanics, planning, and control. Cambridge: Cambridge University Press 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  187. [6] Yang, L.; Qi, J.; Song, D. et al.: Survey of Robot 3D Path Planning Algorithms. Journal of Control Science and Engineering (2016), pp. 1–22, doi.org/10.1155/2016/7426913 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  188. [7] Liu, L.; Wang, X.; Yang, X. et al.: Path planning techniques for mobile robots: Review and prospect. Expert Systems with Applications 227 (2023), #120254 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  189. [8] Kroger, T.; Wahl, F. M.: Online Trajectory Generation: Basic Concepts for Instantaneous Reactions to Unforeseen Events. IEEE Transactions on Robotics 26 (2010) 1, pp. 94–111 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  190. [9] Kavraki, L. E.; Svestka, P.; Latombe, J.-C. et al.: Probabilistic roadmaps for path planning in high-dimensional configuration spaces. IEEE Transactions on Robotics and Automation 12 (1996) 4, pp. 566–580 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  191. [10] Hart, P.; Nilsson, N.; Raphael, B.: A Formal Basis for the Heuristic Determination of Minimum Cost Paths. IEEE Transactions on Systems Science and Cybernetics 4 (1968) 2, pp. 100–107 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  192. [11] Madridano, Á.; Al-Kaff, A.; Martín, D. et al.: 3D Trajectory Planning Method for UAVs Swarm in Building Emergencies. Sensors (Basel, Switzerland) 20 (2020) 3, #642, doi.org/10.3390/s20030642 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  193. [12] Steven M. LaValle: Rapidly-Exploring Random Trees: A New Tool for Path Planning. Stand:1998. Internet: lavalle.pl/papers/Lav98c.pdf. Zugriff am 04.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  194. [13] Shahabi, M.; Ghariblu, H.; Beschi, M.: Comparison of different sample-based motion planning methods in redundant robotic manipulators. Robotica 40 (2022) 9, pp. 3104–3119 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  195. [14] Khatib, O.: Real-time obstacle avoidance for manipulators and mobile robots. 1985 IEEE International Conference on Robotics and Automation, St. Louis, MO, USA, 1985, pp. 500–505 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  196. [15] Liu, H.; Qu, D.; Xu, F. et al.: Real-Time and Efficient Collision Avoidance Planning Approach for Safe Human-Robot Interaction. Journal of Intelligent & Robotic Systems 105 (2022) 4, #93, doi.org/10.1007/s10846–022–01687–0 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  197. [16] Sutton, R. S.; Barto, A. G.: Reinforcement learning. An introduction. Cambridge/Massachusetts: The MIT Press 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  198. [17] Tan, C. S.; Mohd-Mokhtar, R.; Arshad, M. R.: A Comprehensive Review of Coverage Path Planning in Robotics Using Classical and Heuristic Algorithms. IEEE Access 9 (2021), pp. 119310–119342 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  199. [18] Raajan, J.; Srihari, P. V.; Satya, J. P. et al.: Real Time Path Planning of Robot using Deep Reinforcement Learning. IFAC-PapersOnLine 53 (2020) 2, pp. 15602–15607 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  200. [19] Chandler, B.; Goodrich, M. A.: Online RRT* and online FMT*: Rapid replanning with dynamic cost. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, Canada, 2017, pp. 6313–6318 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  201. [20] Kurniawati, H.: Partially Observable Markov Decision Processes and Robotics. Annual Review of Control, Robotics, and Autonomous Systems 5 (2022) 1, pp. 253–277 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  202. [21] Thumm, J.; Althoff, M.: Provably Safe Deep Reinforcement Learning for Robotic Manipulation in Human Environments. arXiv (2022), https://arxiv:2205.06311 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  203. [22] Vrabič, R.; Škulj, G.; Malus, A. et al.: An architecture for sim-to-real and real-to-sim experimentation in robotic systems. Procedia CIRP 104 (2021), pp. 336–341 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  204. [23] Collins, J.; Howard, D.; Leitner, J.: Quantifying the Reality Gap in Robotic Manipulation Tasks. 2019 International Conference on Robotics and Automation (ICRA), Montreal, QC, Canada, 2019, pp. 6706–6712 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  205. [24] Skalse, J.; Howe, N. H. R.; Krasheninnikov, D. et al.: Defining and Characterizing Reward Hacking. arXiv (2022), https://arxiv.org/abs/2209.13085 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  206. [25] Cho, J.; Jung, S.: Reinforcement Learning-Based Motion Planning for Robotic Manipulators in Smart Industry. 2024 15th International Conference on Information and Communication Technology Convergence (ICTC), Jeju Island, Republic of Korea, 2024, pp. 1166–1168 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  207. [26] Prasuna, R. G.; Potturu, S. R.: Deep reinforcement learning in mobile robotics – a concise review. Multimedia Tools and Applications 83 (2024) 28, pp. 70815–70836 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  208. [27] Quillen, D.; Jang, E.; Nachum, O. et al.: Deep Reinforcement Learning for Vision-Based Robotic Grasping: A Simulated Comparative Evaluation of Off-Policy Methods. 2018 IEEE International Conference on Robotics and Automation (ICRA), Brisbane, QLD, 2018, pp. 6284–6291 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  209. [28] Xie, J.; Shao, Z.; Li, Y. et al.: Deep Reinforcement Learning With Optimized Reward Functions for Robotic Trajectory Planning. IEEE Access 7 (2019), pp. 105669–105679 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  210. [29] Liu, H.; Ying, F.; Jiang, R. et al.: Obstacle-Avoidable Robotic Motion Planning Framework Based on Deep Reinforcement Learning. IEEE/ASME Transactions on Mechatronics 29 (2024) 6, pp. 4377–4388 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  211. [30] Sangiovanni, B.; Incremona, G. P.; Piastra, M. et al.: Self-Configuring Robot Path Planning With Obstacle Avoidance via Deep Reinforcement Learning. IEEE Control Systems Letters 5 (2021) 2, pp. 397–402 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  212. [31] Tang, C.; Abbatematteo, B.; Hu, J. et al.: Deep Reinforcement Learning for Robotics: A Survey of Real-World Successes. arXiv (2024), https://arxiv.org/abs/2408.03539 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  213. [32] Tobin, J.; Fong, R.; Ray, A. et al.: Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, Canada, 2017, pp. 23–30, doi.org/10.1109/IROS.2017.8202133 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-67
  214. [1] Schenk, M. (Hrsg.): Produktion und Logistik mit Zukunft. Digital Engineering and Operation. Heidelberg: Springer Vieweg 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  215. [2] Westkämper, E.; Spath, D.; Constantinescu, C. et al: Digitale Produktion. Heidelberg: Springer 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  216. [3] Kletti, J.; Rieger, J.: Die perfekte Produktion. Manufacturing Excellence in der Smart Factory. Heidelberg: Springer Vieweg 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  217. [4] Bauernhansl, T.; Fechter, M.; Dietz, T. (Hrsg.): Entwicklung, Aufbau und Demonstration einer wandlungsfähigen (Fahrzeug-) Forschungsproduktion. Berlin: Springer Vieweg 2020 (Arena2036) Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  218. [5] Nordwig, K.; Kärcher S.; Bauernhansl T.: Steuerungsbedarfe im operativen Betrieb von Matrixproduktionssystemen. wt Werkstattstechnik online, 114 (2024) 9, S. 555–561. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  219. [6] Wiendahl, H.-H.: Auftragsmanagement der industriellen Produktion: Grundlagen, Konfiguration, Einführung. Heidelberg: Springer 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  220. [7] Gottmann, J.: Produktionscontrolling: Wertströme und Kosten Optimieren. Wiesbaden: Springer Gabler 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  221. [8] Kempkes, J. A.; Suprano, F.; Wömpener, A.: Produktion 4.0 mit den richtigen Kennzahlen steuern. Controlling & Management Review 62 (2018) 4, S. 56–61 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  222. [9] Hofmann, C. C.: Vorausschauende und reaktive Mehrzieloptimierung für die Produktionssteuerung einer Matrixproduktion. Dissertation, Karlsruher Institut für Technologie (KIT), 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  223. [10] Müller, D.: Flexibilitätsorientierte Selbststeuerung. Dissertation, Technische Universität Dortmund, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  224. [11] Bochmann, L. S.: Entwicklung und Bewertung eines flexiblen und dezentral gesteuerten Fertigungssystems für variantenreiche Produkte. Dissertation, ETH Zürich, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  225. [12] Echsler Minguillon, F.: Prädiktiv-reaktives Scheduling zur Steigerung der Robustheit in der Matrix-Produktion. Dissertation, Karlsruher Institut für Technologie (KIT), 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  226. [13] Göppert, A.; Hüttemann, G.; Jung, S. et al.: Frei verkettete Montagesysteme. Zeitschrift für wirtschaftlichen Fabrikbetrieb 113 (2018) 3, S. 151–155 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  227. [14] Kletti, J.: MES – Manufacturing Execution System. Heidelberg: Springer-Verlag 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  228. [15] Gronau, N.; Kern, E.-M.; Jonitz, H.: Herausforderungen im Umgang mit Produktionsstörungen. Industrie 4.0 Management 35 (2019) 6, S. 33–36, doi.org/10.30844/I40M_19–6_S29–32 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  229. [16] Brackel, T. van: Adaptive Steuerung flexibler Werkstattfertigungssysteme: Nutzung moderner Informations- und Kommunikationstechnologien zur effizienten Produktionssteuerung unter Echtzeitbedingungen. Wiesbaden: Gabler Verlag 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  230. [17] Wagner, J.; Burggräf, P.; Bäumers, Y. et al.: Störungsrelevante Montageprozesse erkennen. Zeitschrift für wirtschaftlichen Fabrikbetrieb 110 (2015) 12, S. 787–790 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  231. [18] Siebel, T.: Matrixproduktion vereint Wirtschaftlichkeit und Flexibilität. Stand: 2022. Internet: www.springerprofessional.de/en/produktion-produktionstechnik/industrie-4–0/matrixproduktion-vereint-wirtschaftlichkeit-und-flexibilitaet/23281702. Zugriff am 31.01.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  232. [19] Forschungsbeirat der Plattform Industrie 4.0/acatech (Hrsg.): Umsetzung von cyber-physischen Matrixproduktionssystemen. Internet: www.acatech.de/publikation/umsetzung-von-cyber-physischen-matrixproduktionssystemen/. Zugriff am 31.01.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  233. [20] Wiendahl, H.-P.; Reichardt, J.; Nyhuis, P.: Handbuch Fabrikplanung: Konzept, Gestaltung und Umsetzung wandlungsfähiger Produktionsstätten. München: Carl Hanser Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  234. [21] De Toni, A.; Tonchia, S.: Manufacturing flexibility: A literature review. International Journal of Production Research 36 (1998) 6, pp. 1587–1617 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  235. [22] Zäh, M.F.; Moller, N.; Vogl, W.: Symbiosis of Changeable and Virtual Production – The Emperor’s New Clothes or Key Factor for Future Success?. In: Zäh, M. (Hrsg.): International Conference on Changeable, Agile, Reconfigurable and Virtual Production (CARV 2005), München: Utz Verlag 2005, pp. 3–10 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  236. [23] Meyer, G.; Knüppel, K.; Schmidt, M. et al.: Störgrößenmanagement-Systematik. Zeitschrift für wirtschaftlichen Fabrikbetrieb 109 (10), S. 704– 707, doi.org/10.3139/104.111215 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  237. [24] Butollo, F.; Staritz, C.: Deglobalisierung, Rekonfiguration oder Business as Usual? COVID-19 und die Grenzen der Rückverlagerung globalisierter Produktion. Berliner Journal für Soziologie 32 (2022) 3, S. 393–425, doi.org/10.1007/s11609–022–00479–5 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  238. [25] Hirsch, A.; Regel, J.: Werkzeugmaschinen und Vorrichtungen. Anforderungen, Auslegung, Ausführungsbeispiele. Wiesbaden: Springer Vieweg 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  239. [26] Ullrich, G.; Albrecht, T.: Die Welt des FTS. In: Ullrich, G.; Albrecht, T. (Hrsg.): Fahrerlose Transportsysteme. Wiesbaden: Springer Vieweg 2023, S. 1–32, doi.org/10.1007/978–3–658–38738–9_1 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  240. [27] Martin, H.: Grundlagen Transportlogistik. In: Martin, H. (Hrsg.): Transport- und Lagerlogistik. Systematik, Planung, Einsatz und Wirtschaftlichkeit. Wiesbaden: Springer Vieweg 2016, S. 99–133 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  241. [28] Kumar, V.; Verma, P.; Muthukumaar, V.: The Performances of Process Capability Indices in the Six-Sigma Competitiveness Levels. Proceedings 8th IEOM Industrial Engineering and Operations Management, 2018, Bandung, pp. 1945–1951 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  242. [29] Koether, R. (Hrsg.): Taschenbuch der Logistik. München: Carl Hanser Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  243. [30] Werner, S.; Kellner, M.; Schenk, E.: Just-in-sequence material supply—a simulation-based solution in electronics production. Robotics and Computer-Integrated Manufacturing 19 (2003) 1–2, pp. 107–111, doi.org/10.1016/S0736–5845(02)00067–4 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  244. [31] Helmold, M.; Terry, B.: Operations and supply management 4.0. Industry insights, case studies and best practices. Cham: Springer-Verlag 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  245. [32] Sandengen, O. C.; Estensen, L. A.; Raoslash, H. et al.: High Performance Manufacturing – An Innovative Contribution towards Industry 4.0. Proceedings of the 6th International Workshop of Advanced Manufacturing and Automation Conference, Manchester/UK, 2016, pp. 14–20 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  246. [33] Badura, B.; Ducki, A.; Baumgardt, J. et al.: Fehlzeiten-Report 2023. Zeitenwende – Arbeit gesund gestalten. Heidelberg: Springer-Verlag 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  247. [34] Schuler, H.: Zum Automatisierungsgrad von verfahrenstechnischen Prozessen. In: Chemie Ingenieur Technik 67 (1995) 5, S. 545–552, doi.org/10.1002/cite.330670503 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  248. [35] Clauer, D.; Fottner, J.; Rauch, E. et al.: Usage of Autonomous Mobile Robots Outdoors – an Axiomatic Design Approach. Procedia CIRP 96 (2021), pp. 242–247, doi.org/10.1016/j.procir.2021.01.081 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-75
  249. [1] Westkämper, E.; Löffler, C.: Strategien der Produktion. Heidelberg: Springer-Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  250. [2] Fechter, M.; Dietz, T.: Bewertung der Wandlungsfähigkeit eines Produktionssystems. In: Bauernhansl, T.; Fechter, M.; Dietz, T. (Hrsg.): Entwicklung, Aufbau und Demonstration einer wandlungsfähigen (Fahrzeug-) Forschungsproduktion. Heidelberg: Springer-Verlag 2020, S. 11–17 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  251. [3] Meyer-Schwickerath, B.: Wandlungsfähigkeit von KMU erhöhen. wt Werkstattstechnik online 103 (2013) 7/8 Seite 624. Internet: www.werkstattstechnik.de. Düsseldorf: Springer-VDI-Verlag Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  252. [4] Westkämper, E.; Zahn, E.: Wandlungsfähige Produktionsunternehmen. Heidelberg: Springer-Verlag 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  253. [5] Wiendahl, H.-P.; Wiendahl Hans-Hermann: Betriebsorganisation für Ingenieure. München: Carl Hanser Verlag 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  254. [6] Götz, G.: Methode zur Steigerung der Formatflexibilität von Verpackungsmaschinen. Dissertation, Technische Universität München, 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  255. [7] Andersen, A.-L.; Nielsen, K.; Brunoe, T. D. et al.: Understanding Changeability Enablers and Their Impact on Performance in Manufacturing Companies. In: Moon, I.; Lee, G. M.; Park, J. et al. (Hrsg.): Advances in Production Management Systems. Production Management for Data-Driven, Intelligent, Collaborative, and Sustainable Manufacturing. Cham: Springer International Publishing 2018, pp. 297–304 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  256. [8] Nyhuis, P.; Reinhart, G.; Abele, E. (Hrsg.): Wandlungsfähige Produktionssysteme. Heute die Industrie von morgen gestalten. Garbsen: PZH Produktionstechnisches Zentrum 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  257. [9] Wiendahl, H.-P.; Noven, D.; Klußmann, J. H.: Planung modularer Fabriken. Vorgehen und Beispiele aus der Praxis. München: Carl Hanser Verlag 2005 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  258. [10] Hernández Morales, R.: Systematik der Wandlungsfähigkeit in der Fabrikplanung. Dissertation, Leibniz Universität Hannover, 2002 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  259. [11] Abele, E.; Reinhart, G.: Zukunft der Produktion. Herausforderungen, Forschungsfelder, Chancen. München: Carl Hanser Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  260. [12] Schuh, G.; Riesener, M.: Produktkomplexität managen. Strategien-Methoden-Tools. München: Carl Hanser Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  261. [13] Drabow, G.: Modulare Gestaltung und ganzheitliche Bewertung wandlungsfähiger Fertigungssysteme. Dissertation, Universität Hannover, 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  262. [14] Ullrich, A.: Eigenschaften wandlungsfähiger Systeme – Erarbeitung eines Indikatorsystems. Berlin: GITO Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  263. [15] Napoleone, A.; Pozzetti, A.; Macchi, M.: Core Characteristics of Reconfigurability and their Influencing Elements. IFAC-PapersOnLine 51 (2018) 11, pp. 116–121 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  264. [16] Slama, S.: Effizienzsteigerung in der Montage durch marktorientierte Montagestrukturen und erweitereter Mitarbeiterkompetenz. Bamberg: Meisenbach Verlag 2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  265. [17] Kluge, S.: Methodik zur fähigkeitsbasierten Planung modularer Montagesysteme. Heimsheim: Jost-Jetter Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  266. [18] Gotthard, V.; Bercsey, T.: Development of Modular Production Lines. Periodica Polytechnica Ser. Mech. Eng. 50 (2006) 2, pp. 125–145 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  267. [19] Kern, W.; Rusitschka, F.; Kopytynski, W. et al.: Alternatives to assembly line production in the automotive industry. 23rd International Conference on Production Research, ICPR 2015, doi.org/10.24406/publica-fhg-391281 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  268. [20] Gauss, L.; Lacerda, D. P.; Sellitto, M. A.: Module-based machinery design: a method to support the design of modular machine families for reconfigurable manufacturing systems. The International Journal of Advanced Manufacturing Technology 102 (2019) 9–12, pp. 3911–3936 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  269. [21] Jürgensmeyer, N.; Osenberg, D.; Reitze, A. et al.: Development of a Transformation Model – Modularization Step by Step. Chemie Ingenieur Technik 92 (2020) 12, pp. 1998–2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  270. [22] Foith-Förster, P.: Design of matrix production systems for the personalized production of mechatronic machine modules. Dissertation, Universität Stuttgart, 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  271. [23] Rothhöft, M.: Marktstudie SPS-Systeme 2022. Ergebnisse einer Befragung von Unternehmen aus dem Maschinenbau in Deutschland. Stand: 2022. Internet: www.marktstudien.org/marktstudien/marktstudie-sps-systeme/. Zugriff am 06.03.2025 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  272. [24] ISO 13849–1:2023: Safety of machinery – Safety-related parts of control systems – Part 1: General principles for design. Ausgabe 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  273. [25] ISO 12100:2010: Safety of machinery – General principles for design – Risk assessment and risk reduction, Ausgabe 2010 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-87
  274. [1] Miehe, R.; Schneider, R.; Baaij, F. et al.: Criticality of Material Resources in Industrial Enterprises – Structural Basics of an Operational Model. Procedia CIRP 48 (2016), pp. 1–9 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  275. [2] Miehe, R.; Buckreus, L.; Kiemel, S. et al.: A Conceptual Framework for Biointelligent Production—Calling for Systemic Life Cycle Thinking in Cellular Units. Clean Technologies 3 (2021) 4, pp. 844–857 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  276. [3] Weiss, M.; Haufe, J.; Carus, M. et al.: A Review of the Environmental Impacts of Biobased Materials. Journal of Industrial Ecology 16 (2012) s1, doi.org/10.1111/j.1530–9290.2012.00468.x Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  277. [4] Ferrari, F.; Striani, R.; Fico, D. et al.: An Overview on Wood Waste Valorization as Biopolymers and Biocomposites: Definition, Classification, Production, Properties and Applications. Polymers 14 (2022) 24, #5519, doi.org/10.3390/polym14245519 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  278. [5] Cabeza, C.; Gaffey, J.; Hendriks, K. et al.: Potential of biomass sidestreams for a sustainable biobased economy. Bringing added value to agriculture and forest sectors by closing the research and innovation divide. Stuttgart: Steinbeis-Edition 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  279. [6] Hassan, M. K.; Villa, A.; Kuittinen, S. et al.: An assessment of side-stream generation from Finnish forest industry. Journal of Material Cycles and Waste Management 21 (2019) 2, pp. 265–280 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  280. [7] Full, J.; Shoshi, A.; Gamero, E. et al.: Biointelligent Waste-to-X systems: A novel concept for sustainable, decentralized and interconnected value creation. Procedia CIRP 116 (2023), pp. 576–581 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  281. [8] Protte, K.; Schwarz, O.: Additive manufacturing with chitin – Investigating the feasibility of an enzyme-assisted material approach for more sustainability. Procedia CIRP 107 (2022), pp. 149–154 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  282. [9] Silber, N.; Hessel, J.; Eigner, S. et al.: Towards an Enzymatic Approach to Valorize Wood Residues for Industrial Production in a Circular Bioeconomy. Procedia CIRP 116 (2023), pp. 450–455 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  283. [10] Protte-Freitag, K.; Gotzig, S.; Rothe, H. et al.: Enzyme-Assisted Circular Additive Manufacturing as an Enabling Technology for a Circular Bioeconomy—A Conceptual Review. Sustainability 16 (2024) 5, #2167, doi.org/10.3390/su16052167 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  284. [11] Zaaba, N. F.; Jaafar, M.: A review on degradation mechanisms of polylactic acid: Hydrolytic, photodegradative, microbial, and enzymatic degradation. Polymer Engineering & Science 60 (2020) 9, pp. 2061–2075 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  285. [12] Rosli, N. A.; Karamanlioglu, M.; Kargarzadeh, H. et al.: Comprehensive exploration of natural degradation of poly(lactic acid) blends in various degradation media: A review. International Journal of Biological Macromolecules 187 (2021), pp. 732–741 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  286. [13] Suarez, N. E.; Inalbon, M. C.; Meyer, C. I. et al.: A Wood Bioplastic Composite From Soy Flour And Sawdust. Latin American applied research 50 (2020) 2, pp. 95–100 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  287. [14] Podlena, M.; Böhm, M.; Saloni, D. et al.: Tuning the Adhesive Properties of Soy Protein Wood Adhesives with Different Coadjutant Polymers, Nanocellulose and Lignin. Polymers 13 (2021) 12, doi.org/10.3390/polym13121972 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  288. [15] Kieliszek, M.; Misiewicz, A.: Microbial transglutaminase and its application in the food industry. A review. Folia microbiologica 59 (2014) 3, pp. 241–250 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  289. [16] Greenberg, C. S.; Birckbichler, P. J.; Rice, R. H.: Transglutaminases: multifunctional cross-linking enzymes that stabilize tissues. FASEB journal: official publication of the Federation of American Societies for Experimental Biology 5 (1991) 15, pp. 3071–3077 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  290. [17] Gouseti, O.; Larsen, M. E.; Amin, A. et al.: Applications of Enzyme Technology to Enhance Transition to Plant Proteins: A Review. Foods (Basel, Switzerland) 12 (2023) 13, doi.org/10.3390/foods12132518 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  291. [18] Zeeb, B.; McClements, D. J.; Weiss, J.: Enzyme-Based Strategies for Structuring Foods for Improved Functionality. Annual review of food science and technology 8 (2017), pp. 21–34 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  292. [19] Shanbhag, G.; Wheat, E.; Moylan, S. et al.: Effect of specimen geometry and orientation on tensile properties of Ti-6Al-4V manufactured by electron beam powder bed fusion. Additive Manufacturing 48 Part A (2021), #102366 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  293. [20] Batley, A.; Glithro, R.; Dyer, B. et al.: Evaluation of Tensile Strength and Repeatability of 3D Printed Carbon Fiber Materials and Processes. 3D Printing and Additive Manufacturing 11 (2024) 5, doi.org/10.1089/3dp.2022.0262 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  294. [21] Tanveer, M. Q.; Haleem, A.; Suhaib, M.: Effect of variable infill density on mechanical behaviour of 3-D printed PLA specimen: an experimental investigation. SN Applied Sciences 1 (2019), #1701 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  295. [22] Travieso-Rodriguez, J. A.; Jerez-Mesa, R.; Llumà, J. et al.: Mechanical Properties of 3D-Printing Polylactic Acid Parts subjected to Bending Stress and Fatigue Testing. Materials (Basel, Switzerland) 12 (2019) 23, doi.org/10.3390/ma12233859 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  296. [23] Atakok, G.; Kam, M.; Koc, H. B.: Tensile, three-point bending and impact strength of 3D printed parts using PLA and recycled PLA filaments: A statistical investigation. Journal of Materials Research and Technology 18 (2022), pp. 1542–1554 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  297. [24] Novianti, T.; Anna, I. D.; Cahyadi, I.: Optimization of bioplastic’s tensile strength. Journal of Physics: Conference Series 1211 (2019), #12048 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  298. [25] Hariati, A.; Harsojuwono, B. A.; Suyanto, H. et al.: Characteristics of starch-based bioplastic composites in the ratio variations of the polysaccharide mixture. International Journal of Pharmaceutical Research 13 (2021) 02, doi.org/10.31838/ijpr/2021.13.02.223 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  299. [26] Amin, M. R.; Chowdhury, M. A.; Kowser, M. A.: Characterization and performance analysis of composite bioplastics synthesized using titanium dioxide nanoparticles with corn starch. Heliyon 5 (2019) 8, e02009 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  300. [27] Evstigneev, E. I.: Specific features of lignin dissolution in aqueous and aqueous-organic media. Russian Journal of Applied Chemistry 83 (2010) 3, pp. 509–513 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  301. [28] Evstigneev, E. I.: Factors affecting lignin solubility. Russian Journal of Applied Chemistry 84 (2011) 6, pp. 1040–1045 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  302. [29] Mauri, A. N.; Añón, M. C.: Effect of solution pH on solubility and some structural properties of soybean protein isolate films. Journal of the Science of Food and Agriculture 86 (2006) 7, pp. 1064–1072 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  303. [30] Evstigneyev, E. I.; Shevchenko, S. M.: Structure, chemical reactivity and solubility of lignin: a fresh look. Wood Science and Technology 53 (2019) 1, pp. 7–47 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  304. [31] Melro, E.; Alves, L.; Antunes, F. E. et al.: A brief overview on lignin dissolution. Journal of Molecular Liquids 265 (2018), pp. 578–584 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  305. [32] Gilomen, K.; Stauffer, H. P.; Meyer, V. R.: Detoxification of Acetonitrile – Water Wastes from Liquid Chromatography. Chromatographia 41 (1995) 7/8, pp. 488–491 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  306. [33] Jin, M.; Huang, J.; Pei, Z. et al.: Purification and characterization of a high-salt-resistant microbial transglutaminase from Streptomyces mobaraensis. Journal of Molecular Catalysis B: Enzymatic 133 (2016), pp. 6–11 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-96
  307. [1] Gebhardt, A.: Additive Fertigungsverfahren. Additive Manufacturing und 3D-Drucken für Prototyping - Tooling - Produktion. München: Hanser 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  308. [2] Bagehorn, S.; Wehr, J.; Maier, H. J.: Application of mechanical surface finishing processes for roughness reduction and fatigue improvement of additively manufactured Ti-6Al-4V parts. International Journal of Fatigue 102 (2017), S. 135–142 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  309. [3] Berger, U.; Hartmann, A.; Schmid, D.: 3D-Druck - Additive Fertigungsverfahren. Rapid Prototyping - Rapid Tooling - Rapid Manufacturing. Haan-Gruiten: Verlag Europa-Lehrmittel - Nourney Vollmer GmbH & Co. KG 2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  310. [4] Nalli, F.; Bottini, L.; Boschetto, A. et al.: Effect of Industrial Heat Treatment and Barrel Finishing on the Mechanical Performance of Ti6Al4V Processed by Selective Laser Melting. Applied Sciences 10 (2020) 7, S. 2280 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  311. [5] Klocke, F.: Fertigungsverfahren 2. Berlin, Heidelberg: Springer Berlin Heidelberg 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  312. [6] Khorasani, M.; Ghasemi, A. H.; Farabi, E. et al.: A comprehensive investigation of abrasive barrel finishing on hardness and manufacturability of laser-based powder bed fusion hollow components. The International Journal of Advanced Manufacturing Technology 120 (2022) 5-6, S. 3471–3490 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  313. [7] Radziejewska, J.; Marczak, M.; Maj, P. et al.: Influence of post-processing on surface texture of additive manufacturing micro-elements. XIV INTERNATIONAL CONFERENCE ELECTROMACHINING 2023, Bydgoszcz, Poland, 2024, S. 20031 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  314. [8] Rosswag GmbH: Titanlegierung TiAl6V4. Internet: https://www.rosswag-engineering.de/werkstoff-titanium-alloy-tial6v4. Zugriff am 31.07.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102
  315. [9] EOS GmbH: EOS Aluminium AlSi10Mg. Material Data Sheet. Internet: https://www.eos.info/03_system-related-assets/material-related-contents/metal-materials-and-examples/metal-material-datasheet/aluminium/material_datasheet_eos_aluminium-alsi10mg_en_web.pdf. Zugriff am 31.07.2024 Google Scholar öffnen doi.org/10.37544/1436-4980-2025-03-102

Zitation

Download RIS Download BibTex

Downloads

Download Kapitel (PDF)

Hinweis

Dieses Werk ist urheberrechtlich geschützt und darf nur nach den Vorgaben der Nutzungs- und Lizenzvereinbarung genutzt werden. Jede darüber hinaus gehende Nutzung des Werkes ist ausdrücklich untersagt und wird verfolgt.

Per E-Mail teilen

Medien