Digitaler Zwilling für die additive Fertigung/Digital twin for additive manufacturing

Inhaltsverzeichnis

Bibliographische Infos

Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 113 (2023), Heft 03
Open Access Vollzugriff

wt Werkstattstechnik online

Jahrgang 113 (2023), Heft 03

Autor:innen:
Verlag
VDI fachmedien, Düsseldorf
Copyrightjahr
2023
ISSN-Online
1436-4980
ISSN-Print
1436-4980

Kapitelinformationen

Open Access Vollzugriff

Jahrgang 113 (2023), Heft 03

Digitaler Zwilling für die additive Fertigung/Digital twin for additive manufacturing

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

Additive Fertigungsverfahren ermöglichen die Herstellung von sowohl gleichen als auch unterschiedlichen Komponenten in einem Bauvorgang. Um insbesondere für die additive Serienfertigung eine gleichbleibende Bauteilqualität zu gewährleisten, kann der Einsatz eines digitalen Zwillings sinnvoll sein. Dieser stellt hohe Anforderungen an die Datenbasis in Bezug auf Strukturierung, Rechenleistung und Datensicherheit und muss auf die relevanten Funktionen des Einsatzbereichs zugeschnitten sein.

 

Additive manufacturing enables the production of both several identical and different components in a single printing process. To ensure consistent component quality, especially for additive series production, the application of a digital twin can be useful. This places high demands on the data basis in terms of structuring, computing power and data security and must be tailored to the relevant functions of the respective application.

Literaturverzeichnis

  1. [1] PricewaterhouseCoopers GmbH: PwC Digital Factory Transformation Survey 2022. Stand: 2022. Internet: www.pwc.de/de/content/0f96ea9c-992c-4ba7–8c4d-b4637cf81d9f/pwc-digital-factory-transformation-survey-2022.pdf. Zugriff am 01.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  2. [2] Chen, Y.; Tang, J.; Jiang, C. et al.: The accuracy comparison of three simultaneous localization and mapping (SLAM)-based indoor mapping technologies. Sensors 18 (2018) 10, pp. 3228 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  3. [3] Borrmann, A.; König, M.; Koch, C. et al.: Building Information Modeling – Technology Foundations and Industry Practice. Cham: Springer International Publishing 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  4. [4] Undet: How to improve modeling speed using point clouds in Revit by 2x times?. Stand: 2022. Internet: www.undet.com/how-to-improve-modeling-speed-using-point-clouds-in-revit-by-2x-times/. Zugriff am 01.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  5. [5] BI-Medien: Reales BIM-konform erfassen – Marktüberblick 3D-Laserscanner. Stand 2022. Internet: bi-medien.de/fachzeitschriften/baumagazin/hochbau/marktueberblick-3-d-laserscanner-reales-bim-konform-erfassen-b12232. Zugriff am 01.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  6. [6] Fayez, T.-K.; Landes, T.; Gussenmeyer, P.: Hough-transform and extended ransac algorithms for automatic detection of 3d building roof planes from lidar data. ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, Espoo/Finnland, 2007, pp. 407–412 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  7. [7] Son, H.; Kim, C.; Turkan, Y.: Scan-to-BIM-An Overview of the Current State of the Art and a Look Ahead. Proceedings of the International Symposium on Automation and Robotics in Construction 32 (2015), #1 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  8. [8] Zeiser, R.; Ullmann, F.; Neuhäuser, T. et al.: System concept for semi-automated generation of layouts for simulation models based on point clouds. Simulation in Produktion und Logistik 2021 (2021), pp. 443 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  9. [9] Qi, C. R.; Su, H.; Mo, K et al.: Pointnet: Deep learning on point sets for 3d classification and segmentation. Proceedings of the IEEE conference on computer vision and pattern recognition, CVPR 2017, New York/USA, 2017, pp. 652–660 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  10. [10] Qi, C. R.; Yi, L.; Su, H et al.: Pointnet++: Deep hierarchical feature learning on point sets in a metric space. Proceedings of the 31st International Conference on Neural Information Processing Systems NIPS‘17, 2017, pp. 5105–5114 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  11. [11] Lang, A. H.; Vora, S.; Caesar, H. et al.: Pointpillars: Fast encoders for object detection from point clouds. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2019, pp. 12697–12705 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  12. [12] Petschnigg, C.; Pilz, J.: Uncertainty aware deep point based neural network for 3D object classification. Data Science–Analytics and Applications: Proceedings of the 3rd International Data Science Conference, iDSC2020, 2021, pp. 66–73 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  13. [13] Zhao, N.; Chua, T. S.; Lee, G. H.: Few-shot 3d point cloud semantic segmentation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021, pp. 8873–8882 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  14. [14] Viu, J. G.: Object recognition on panoramic images. Bachelorarbeit, Universität Zaragoza, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  15. [15] Ultralytics: yolov5. Stand 2023. Internet: github.com/ultralytics/yolov5. Zugriff am 01.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  16. [16] Redmon, J.; Divvala, S.; Girshick, R. et al.: You only look once: Unified, real-time object detection. Proceedings of the IEEE conference on computer vision and pattern recognition 2016, pp. 779–788 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  17. [17] Köhler, M.; Eisenbach, M.; Gross, H. M.: Few-Shot Object Detection: A Survey. ACM Computing SurveysVolume 54 (2022) 11s, # 242, pp 1–37, doi.org/10.1145/3519022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  18. [18] Qiao, L.; Zhao, Y.; Li, Z. et al.: Defrcn: Decoupled faster r-cnn for few-shot object detection. Proceedings of the IEEE/CVF International Conference on Computer Vision 2021, pp. 8681–8690 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  19. [19] Schnabel, R.; Wahl, R.; Klein, R.: Efficient RANSAC for point-cloud shape detection. Computer graphics forum, 2007, pp. 214–226, doi.org/10.1111/j.1467–8659.2007.01016.x Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-6
  20. [1] statista: Bitkom – Künstliche Intelligenz 2020. Stimmen Sie den folgenden Aussagen zur Künstlichen Intelligenz in der Arbeitswelt zu? Internet: de.statista.com/statistik/daten/studie/1176941/umfrage/vorstellungen-von-kuenstlicher-intelligenz-am-arbeitsplatz-in-deutschland/. Zugriff am 08.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  21. [2] Reinhart, G.: Handbuch Industrie 4.0. Geschäftsmodelle, Prozesse, Technik. München: Carl Hanser Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  22. [3] Wall, E.; Ghorashi, S.; Ramos, G.: Using Expert Patterns in Assisted Interactive Machine Learning: A Study in Machine Teaching. In: Lamas, D., Loizides, F., Nacke, L. et al. (eds): Human-Computer Interaction – Interact 2019. Lecture Notes in Computer Science, volume 11748. Cham. Springer Verlag 2019. doi.org/10.1007/978–3–030–29387–1_34 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  23. [4] Jahn, T.; Kerkmann, C.: Hoffnungsträger als Problemfall: Drei Gründe, warum kaum ein Unternehmen KI einsetzt. Stand: 18.10.2022. Internet: amp2.handelsblatt.com/technik/forschung-innovation/kuenstliche-intelligenz-warum-kaum-ein-unternehmen-in-deutschland-ki-einsetzt/28735510.html. Zugriff am 08.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  24. [5] Kalhoff, J.; Gamer, T.; Kosch, B.: Die 6 Autonomiestufen der Industrie bei künstlicher Intelligenz. Stand: 01.10.2019. Internet: https://www.all-electronics.de/automatisierung/die-6-autonomiestufen-der-industrie-bei-kuenstlicher-intelligenz.html. Zugriff am 08.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  25. [6] Bainbridge, L.: Ironies of Automation. Automatica 19 (1983) 6, pp. 775–779 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  26. [7] Diefenbach, S.; Hassenzahl, M. (Hrsg.): Psychologie in der nutzerzentrierten Produktgestaltung: Mensch-Technik-Interaktion-Erlebnis. Heidelberg: Springer-Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  27. [8] Ryan, R. M.; Deci, E. L.: Self-Determination Theory. Basic Psychological Needs in Motivation, Development, and Wellness. New York: Guilford Publications 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  28. [9] Csikszentmihalyi, M.: Flow: The Psychology of Optimal Experience. New York: Harper Perennial 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  29. [10] Bellet, C.; De Neve, J.-E.; Ward George: Does Employee Happiness have an Impact on Productivity? Saïd Business School WP 2019–13 (2019), dx.doi.org/10.2139/ssrn.3470734 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  30. [11] Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA: Datengetriebene User Needs Assessments. Stand: 2021. Internet: www.ipa.fraunhofer.de/de/Kompetenzen/bild--und-signalverarbeitung/bewegungsanalyse-zur-prozessoptimierung/d2una.html. Zugriff am 08.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  31. [12] Holmqvist, K.; Andersson, R.: Eye-tracking: A comprehensive guide to methods, paradigms, and measures. Lund/Sweden: Lund Eye-Tracking Research Institute 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  32. [13] Pimminger, S.; Kurschl, W.; Panholzer, L. et al. (Hrsg.): Assembly Task Analysis Using the General Assembly Task Model (GATM) on the Shop Floor. Procedia CIRP 93 (2020), pp. 1109–1114 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  33. [14] Cooper, A.; Reimann, R.; Cronin, D. et al.: About Face. The Essentials of Interaction Design. Indianapolis, Indiana: John Wiley & Sons 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  34. [15] Duan, H.; Zhao, Y.; Chen, K. et al.: Revisiting Skeleton-based Action Recognition. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 2959–2968, doi.org/10.1109/CVPR52688.2022.00298 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  35. [16] Leitritz, T.; Köhler, M.; Jauch, C.: Towards A Flexible Approach To Transfer Machine Operation Know-How From Experts To Beginners With AI. In: Herberger, D.; Hübner, M. (Eds.): Proceedings of the Conference on Production Systems and Logistics: CPSL 2022, pp. 744–753, doi.org/10.15488/12127 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-11
  36. [1] Bundesministerium für Wirtschaft und Energie (Hrsg.): Thesen zur industriellen Batteriezellfertigung in Deutschland und Europa. Stand: 2018. Internet: www.bmwi.de/Redaktion/DE/Downloads/S-T/thesen-zur-industriellen-batteriezellfertigung-in-deutschland-und-europa.pdf?__blob=publicationFile&v=5. Zugriff am 09.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  37. [2] Bundesministerium für Wirtschaft und Klimaschutz (Hrsg.): Batterien für die Mobilität von morgen. Internet: www.bmwk.de/Redaktion/DE/Artikel/Industrie/batteriezellfertigung.html. Zugriff am 09.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  38. [3] Thielmann, A.; Wietschel, M.; Funke, S. et. al.: Batterien für Elektroautos: Faktencheck und Handlungsbedarf. Karlsruhe: Fraunhofer ISI 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  39. [4] Frieske, B.; Stieler, S.: Die Produktionskette „Batteriesystem“ und kritische Ressourcen. Themenpapier Cluster Elektromobilität Süd-West. Stand: 2022. Internet: www.transformationswissen-bw.de/fileadmin/media/Publikationen/e-mobil_Studien/Themenpapier_Cluster_ESW_Produktionskette_Batteriesystem_und_kritische_Ressourcen.pdf. Zugriff am 09.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  40. [5] DE e.V. (Hrsg.): Batteriezellfertigung für die Elektromobilität in Deutschland. VDE Positionspapier. Stand: 2019. Internet: https://www.vde.com/resource/blob/1876056/bf663ae459e3be4cf57ea6994767b973/positionspapier-batteriezellfertigung-in-deutschland-data.pdf. Zugriff am 09.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  41. [6] Landesregierung Baden-Württemberg: Land fördert Ausbau des Zentrums für Digitalisierte Batteriezellenproduktion. Stand: 20.05.2022. Internet: www.baden-wuerttemberg.de/de/service/presse/pressemitteilung/pid/land-foerdert-ausbau-des-zentrums-fuer-digitalisierte-batteriezellenproduktion. Zugriff am 09.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  42. [7] PEM RWTH Aachen, VDMA (Hrsg.): Produktionsprozess einer Lithium-Ionen-Batteriezelle. Stand: 2018. Internet: www.pem.rwth-aachen.de/global/show_document.asp?id=aaaaaaaaaaoqixv. Zugriff am 09.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  43. [8] Karabelli, D.; Oberle, M.: Overview of the Battery Manufacturing Process. In: Birke, K. P.; Weeber, M.; Oberle, M. (Hrsg.): Handbook on Smart Battery Cell Manufacturing. München: World Scientific 2022, pp. 3–31 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  44. [9] Henke, A.; Defranceski, M.: Automatisierungsgrad im digitalen Zeitalter. wt Werkstattstechnik online 111 (2021) 10, S. 763–769. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  45. [10] Mayer, P.; Oberle, M.; Gärtner, S.: Cross-Process Stabilization and Optimization of Battery Cell Production Through Digital Networking of Process Stations. In: Birke, K. P.; Weeber, M.; Oberle, M. (Hrsg.): Handbook on Smart Battery Cell Manufacturing. München: World Scientific 2022, pp. 275–300 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-15
  46. [1] Vaalma, C.; Buchholz, D.; Weil, M. et al.: A cost and resource analysis of sodium-ion batteries. Nature Reviews Materials 3 (2018) 4, 18013 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  47. [2] Murray, J. L.: The Al−- Na (aluminum-sodium) system. Bulletin of Alloy Phase Diagrams 4 (1983) 4, pp. 407–410 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  48. [3] Shin, S.; Nam, S..; Yu, J. et al.: Ultrasonic Metal Welding of Multilayered Copper Foils to Nickel-Plated Copper Sheet in Lithium-Ion Battery Cell. Metals 11 (2021) 8: 1195, doi.org/10.3390/met11081195 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  49. [4] Patschger, A.: Grundlegende Untersuchungen zum Prozessverständnis des Laserstrahl-Mikroschweißens von metallischen Folien. Dissertation, Technische Universität Ilmenau, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  50. [5] Schedewy, R.; Beyer, E.; Brenner, B. et al.: Prospects of welding foils with solid state laser for lithium-ion batteries. 30th International Congress on Laser Materials Processing, Laser Microprocessing and Nanomanufacturing (ICALEO 2011), Orlando, Florida, USA, 2011, pp. 817–824 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  51. [6] de Bono, P.; Blackburn, J.: Laser welding of copper and aluminium battery interconnections. Industrial Laser Applications Symposium 2015, Kenilworth, United Kingdom, 2015, 96570M Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  52. [7] Mohseni, H.; Schmoeller, M.; Zaeh, M. F.: A Novel Approach for Welding Metallic Foils Using Pulsed-Laser Radiation in the Field of Battery Production. Laser in Manufacturing Conference 2019, Munich, 2019, #343 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  53. [8] Grabmann, S.; Tomcic, L.; Zaeh, M. F.: Laser beam welding of copper foil stacks using a green high power disk laser. Procedia CIRP 94 (2020), pp. 582–586 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  54. [9] Pricking, S.; Huber, R.; Klausmann, K. et al.: High-power CW and long-pulse lasers in the green wavelength regime for copper welding. SPIE LASE, San Francisco, California, United States, 2016, 97410G Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  55. [10] Alter, L.; Heider, A.; Bergmann, J.-P.: Investigations on copper welding using a frequency-doubled disk laser and high welding speeds. Procedia CIRP 74 (2018), pp. 12–16 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  56. [11] Zediker, M. S.; Fritz, R. D.; Finuf, M. J. et al.: Laser welding components for electric vehicles with a high-power blue laser system. Journal of Laser Applications 32 (2020) 2, #22038 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  57. [12] Grabmann, S.; Kriegler, J.; Harst, F. et al.: Laser welding of current collector foil stacks in battery production–mechanical properties of joints welded with a green high-power disk laser. The International Journal of Advanced Manufacturing Technology 118 (2021) 7–8, pp. 2571–2586 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  58. [13] Engelhardt, T.; Brandner, M.; Weber, R. et al.: Influence of Welding Parameters and Stack Configuration on Pore Formation of Laser Welded Aluminum Foil Stacks. Lasers in Manufacturing Conference, Munich, 2015, #270 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  59. [14] Nothdurft, S.; Seffer, O.; Hermsdorf, J. et al.: Investigations on laser beam welding of thin foils of copper and aluminum regarding weld seam quality using different laser beam sources. Journal of Laser Applications 34 (2022) 4, #042011 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  60. [15] Olowinsky, A.; Spurk, C.; Helm, J. et al.: Laser-based joining of electrode stacks for automated large-scale production of Li-ion battery cells. Energy Technology (2022), doi.org/10.1002/ente.202200770 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  61. [16] Grabmann, S.; Mayr, L.; Kick, M. K. et al.: Enhancing laser-based contacting of aluminum current collector foils for the production of lithium-ion batteries using a nanosecond pulsed fiber laser. Procedia CIRP 111 (2022), pp. 778–783 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  62. [17] Ascari, A.; Fortunato, A.; Dimatteo, V.: Short pulse laser welding of aluminum and copper alloys in dissimilar configuration. Journal of Laser Applications 32 (2020) 2, #022025 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-21
  63. [1] Wiendahl, H.-P.; Reichardt, J.; Hernandez, R.: Kooperative Fabrikplanung. wt Werkstattstechnik online 91 (2001) 4, S. 186–19. Internet: www.werkstattstechnik.de. Düsseldorf: Springer-VDI-Verlag Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  64. [2] Gottmann, J.: Einleitung. In: Gottmann, J. (Hrsg.): Produktionscontrolling. Wiesbaden: Springer Fachmedien 2016, S. 1–21 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  65. [3] Gralla, M.; Weist, K. C.: Komplexitätsbeherrschung durch Anwendung dynamisch-interdisziplinärer BIM-Modelle. In: Hofstadler, C.; Motzko, C. (Hrsg.): Agile Digitalisierung im Baubetrieb. Wiesbaden: Springer Fachmedien 2021, S. 621–646 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  66. [4] Ebade Esfahani, M.: Ontologie der Fabrikplanung mit Hilfe von Building Information Modeling (BIM). Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen; Apprimus Verlag, 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  67. [5] Lampe, S.; Böck, J.: BIM and AR in Factory Planning. A Combination of Techniques from Architecture, Computer Science and Factory Planning. 33. Forum Bauinformatik. Stand: 2022. Internet: mediatum.ub.tum.de/doc/1688390/1688390.pdf. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  68. [6] Rieke, L.; Schäfer, S. F.; Hingst, L. et al.: Einsatz von BIM in der Fabrikplanung. wt Werkstattstechnik online 111 (2021) 11–12, S. 881–886. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  69. [7] Neuhäuser, T.; Michaeli, P.; Lenz, L. et al.: Collaborative Factory Layout Planning With Building Information Modeling. Hannover: publish-Ing 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  70. [8] Neuhäuser, T.; Lenz, L.; Weist, K. et al.: Adaption of the Level of Development to the Factory Layout Planning and Introduction of a Quality Assurance Process. Hannover: publish-Ing 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  71. [9] Kerkenberg, T.: Digitale Fabrikplanung für zukunftssichere und Industrie 4.0-fähige Produktionssysteme. Zeitschrift für wirtschaftlichen Fabrikbetrieb 111 (2016) 3, S. 104–108 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  72. [10] Winkels, J.; Graefenstein, J.; Lenz, L. et al.: A hybrid approach of modular Planning – synchronizing factory and building planning by using component based synthesis. Proceedings of the 53rd Hawaii International Conference on System Sciences 2020, pp. 6580–6588 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  73. [11] Schäfer, S. F.; Hingst, L.; Hook, J. et al.: Improving The Planning Quality Through Model-Based Factory Planning In BIM. Journal of Production Systems and Logistics 2 (2022) 9, doi.org/10.15488/12041 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  74. [12] Burggräf, P.; Dannapfel, M.; Schneidermann, D. et al.: Paradigmenwechsel im Fabrikplanungsdatenmanagement. wt Werkstattstechnik online 109 (2019) 4, S. 262–269. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  75. [13] Lenz, L.: Bewertungssystem zur Entscheidungsunterstützung von Fabrikgebäudeanpassungen auf Basis von Building Information Modeling. Dissertation, Technische Universität Dortmund, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  76. [14] Kuckartz, U.; Ebert, T.; Rädiker, S. et al.: Evaluation online. Internetgestützte Befragung in der Praxis. Wiesbaden: VS Verlag für Sozialwissenschaften 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  77. [15] Reinders, H.; Ditton, H.; Gräsel, C. et al.: Empirische Bildungsforschung. Wiesbaden: VS Verlag für Sozialwissenschaften 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  78. [16] Rost, J.: Lehrbuch Testtheorie – Testkonstruktion. Bern: Huber 2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  79. [17] Reinema, C.; Pompe, A.; Nyhuis, P.: Agiles Projektmanagement. Zeitschrift für wirtschaftlichen Fabrikbetrieb 108 (2013) 3, S. 113–117 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  80. [18] Schenk, M.; Wirth, S.; Müller, E.: Fabrikplanung und Fabrikbetrieb. Methoden für die wandlungsfähige, vernetzte und ressourceneffiziente Fabrik. Heidelberg: Springer-Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  81. [19] VDI 5200 Blatt 1: Fabrikplanung-Planungsvorgehen. Berlin: Beuth Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  82. [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/10.37544/1436-4980-2023-03-27
  83. [21] Abele, E.; Reinhart, G.: Zukunft der Produktion. Herausforderungen, Forschungsfelder, Chancen. München: Carl Hanser Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  84. [22] Dlouhy, J.; Oprach, S.; Binninger, M. et al.: Using Taktplanning and Taktcontrol in Production Projects – Comparsion of Construction and Equipment Phases. 26th Annual Conference of the International Group for Lean Construction, Chennai, India, 2018, pp. 890–898 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  85. [23] Meckelnborg, A.: Integrative Fabrikplanung durch effiziente Koordinationsmodelle. Aachen: Apprimus Verlag 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  86. [24] BIM Acceleration Committee et al.: The New Zealand BIM Handbook. A guide to enabling BIM on built assets. Stand: 2019. Internet: www.biminnz.co.nz/s/NZ-BIM-Handbook-May-19.pdf. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-27
  87. [1] Statista GmbH: Höhe der weltweiten Treibhausgasemissionen in den Jahren 1990 bis 2019. Stand: 2022. Internet: de.statista.com/statistik/daten/studie/311924/umfrage/treibhausgasemissionen-weltweit/. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  88. [2] Statista GmbH: Entwicklung des weltweiten CO2-Ausstoßes. Stand: 2021. Internet: de.statista.com/statistik/daten/studie/208750/umfrage/weltweiter-co2-ausstoss/. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  89. [3] Statista GmbH: Verteilung der CO2-Emissionen weltweit nach Sektor bis 2020. Stand: 2021. Internet: de.statista.com/statistik/daten/studie/167957/umfrage/verteilung-der- co-emissionen-weltweit-nach-bereich/. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  90. [4] Europäische Kommission: Europäischer Grüner Deal. Erster klimaneutraler Kontinent werden. Internet: ec.europa.eu/info/strategy/priorities-2019–2024/european-green-deal_de?gclid=EAIaIQobChMI6uC537fl-gIVKo9oCR3X7woBEAAYASAAEgL1sPD_BwE. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  91. [5] Bundesministerium für Wirtschaft und Klimaschutz: Deutsche Klimaschutzpolitik. Stand: 2023. Internet: www.bmwk.de/Redaktion/DE/Artikel/Industrie/klimaschutz-deutsche-klimaschutzpolitik.html. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  92. [6] Bundesministerium für Wirtschaft und Klimaschutz: Klimaschutzbericht 2022. Stand: 2022. Internet: www.bmwk.de/Redaktion/DE/Downloads/Energie/klimaschutzbericht.pdf?__blob=publicationFile&v=6. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  93. [7] Statista GmbH: Verteilung der CO2-Emissionen durch den deutschen Verkehr im Jahr 2013 nach Verkehrsträgern. Stand: 2013. Internet: de.statista.com/statistik/daten/studie/13150/umfrage/co2-emissionen-im-deutschen-personenverkehr/. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  94. [8] [8] Statista GmbH: Modal-Split im deutschen Güterverkehr im Zeitraum von 2013 bis 2025 nach Landverkehrsträgern. Internet: de.statista.com/statistik/daten/studie/12149/umfrage/gueteraufkommen-nach-verkehrstraegern-in-deutschland/. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  95. [9] Statista GmbH.: Lithium-Ionen-Batterien: Prognostizierte, globale Nachfrage nach Lithium-Ionen-Batterien. Internet: de.statista.com/statistik/daten/studie/1324056/umfrage/nachfrage-nach-lithium-ion-batterien/. Stand: 2023. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  96. [10] [Kampker, A.; Burggräf, P.; Deutskens, C.: Produktionsstrukturen Für Komponenten Künftiger Elektrofahrzeuge. ATZproduktion 3 (2010) 2, S. 48–53 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  97. [11] Umweltbundesamt: Entwicklung des Kraftfahrzeugbestands. Stand: 2022. Internet: www.umweltbundesamt.de/daten/verkehr/verkehrsinfrastruktur-fahrzeugbestand#entwicklung-des-kraftfahrzeugbestands. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  98. [12] VDI Verein Deutscher Ingenieure e.V.: VDI 3633 Blatt 1. Simulation von Logistik-, Materialfluss und Produktionssystemen Grundlagen. Berlin: Beuth Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  99. [13] Neuhäuser, T.; Ott, D. M.; Hohmann, A. et al.: Virtuelle Absicherung symbiotischer Montagesysteme. wt Werkstattstechnik online 112 (2022) 03, S. 108–113. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  100. [14] Pröbster, M.: Methodik zur kurzfristigen Austaktung variantenreicher Montagelinien am Beispiel des Nutzfahrzeugbaus. Dissertation, Technische Universität, 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-35
  101. [1] Statista: Anteil der Wirtschaftsbereiche am Bruttoinlandsprodukt. Internet: https://de.statista.com/statistik/daten/studie/241480/umfrage/umsaetze-der-wichtigsten-industriebranchen-in-deutschland/. Zugriff am 01.06.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  102. [2] Statista: Umsätze der wichtigsten Industriebranchen in Deutschland in den Jahren von 2017 bis 2019. Internet: https://de.statista.com/statistik/daten/studie/241480/umfrage/umsaetze-der-wichtigsten-industriebranchen-in-deutschland/. Zugriff am 01.06.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  103. [3] Kearney: Industrie 4.0: 350 Mrd. EUR zusätzlich dank Robotik, Wearables and Co. Internet: https://www.presseportal.de/pm/15196/3584377. Zugriff am 31.05.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  104. [4] Dai, H.-N.; Wang, H.; Xu, G. et al.: Big data analytics for manufacturing internet of things: opportunities, challenges and enabling technologies. Enterprise Information Systems (2019) Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  105. [5] Freitag, M.; Kück, M.; Alla, A. A. et al.: Potenziale von Data Science. Produktion und Logistik 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  106. [6] Feldmann, K. (Hrsg.): Montage strategisch ausrichten. Praxisbeispiele marktorientierter Prozesse und Strukturen. Berlin, Heidelberg: Springer Berlin 2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  107. [7] Huber, W.: Industrie 4.0 in der Automobilproduktion. Ein Praxisbuch. Wiesbaden: Springer Vieweg 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  108. [8] Palm, D.; Ohlhausen, P.; Braun, A. et al.: Datengetriebene Produktionsoptimierung in der Montage. Zeitschrift für wirtschaftlichen Fabrik.betrieb (2018) 113, S. 518–521 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  109. [9] Kröckel, J.: Data Analytics in Produktion und Logistik. Würzburg, Ann Arbor, Michigan: Vogel Business Media; ProQuest 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  110. [10] Wagner, R. M. (Hrsg.): INDUSTRIE 4.0 für die Praxis. Wiesbaden: Springer Gabler 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  111. [11] Kohl, M.; Malik, B.; Lopitzsch, J. et al.: Auswahl- und Priorisierungsmodell für Industrie 4.0-Use Cases in der Logistik, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  112. [12] Meister, M.; Beßle, J.; Cviko, A. et al.: Manufacturing Analytics for problem-solving processes in production. Procedia CIRP 81 (2019), S. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  113. [13] Peffers, K.; Tuunanen, T.; Gengler, C. E. et al.: Design Science Research Process: A Model for Producing and Presenting Information Systems Research (2020), S. 83–106 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  114. [14] Lotter, B.; Wiendahl, H.-P. (Hrsg.): Montage in der industriellen Produktion. Ein Handbuch für die Praxis. Berlin, New York: Springer 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  115. [15] Weidemann, U.: Montagecluster zur Strukturierung der Fahrzeugendmontage – Eine Methode zur frühzeitigen Planung und Auslegung von Endmontagelinien, 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  116. [16] Motzer, D.: Strukturalternative für die Aggregateaufrüstung einer automobilen Fertigung. Wiesbaden: Springer Fachmedien Wiesbaden 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  117. [17] Roscher, J.: Bewertung von Flexibilitätsstrategien für die Endmontage in der Automobilindustrie, 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  118. [18] Westkämper, E.; Schloske, A.: Fertigungs-und Fabrikbetrieb. In: Bender, B.; Göhlich, D. (Hrsg.): DUBBEL TASCHENBUCH FR DEN MASCHINENBAU GRUNDLAGEN UND TABELLEN. [S.l.]: Morgan Kaufmann 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  119. [19] Runkler, T. A.: Data Analytics. Wiesbaden: Springer Fachmedien Wiesbaden 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  120. [20] Angée, S.; Lozano-Argel, S. I.; Montoya-Munera, E. N. et al.: Towards an Improved ASUM-DM Process Methodology for Cross-Disciplinary Multi-organization Big Data & Analytics Projects. In: Uden, L.; Hadzima, B.; Ting, I.-H. (Hrsg.): Knowledge Management in Organizations. Cham: Springer International Publishing 2018, S. 613–624 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  121. [21] Zakir, J.; Seymour, T.; Berg, K.: BIG DATA ANALYTICS. Issues in Information Systems (2015) 2 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  122. [22] Rajaraman, V.: Big data analytics. Resonance 21 (2016) 8, S. 695–716 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  123. [23] Banerjee, A.; Bandyopadhyay, T.; Acharya, P.: Data Analytics: Hyped Up Aspirations or True Potential? Vikalpa: The Journal for Decision Makers 38 (2013) 4, S. 1–12 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  124. [24] Dorschel, J.: Praxishandbuch Big Data. Wirtschaft – Recht – Technik. Wiesbaden: Springer Fachmedien Wiesbaden 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  125. [25] Messerle, M.: Methodik zur Identifizierung der erfolgversprechendsten Produktideen in den frühen Phasen des Produktentwicklungsprozesses, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  126. [26] Ulrich, M.; Bachlechner, D.: Wirtschaftliche Bewertung von KI in der Praxis – Status Quo, methodische Ansätze und Handlungsempfehlungen. HMD Praxis der Wirtschaftsinformatik 57 (2020) 1, S. 46–59 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  127. [27] Eisenführ, F.; Weber, M.: Rationales Entscheiden. Berlin, Heidelberg: Springer Berlin 1999 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  128. [28] Liebrecht, C.: Entscheidungsunterstützung für den Industrie 4.0-Methodeneinsatz – Strukturierung, Bewertung und Ableitung von Implementierungsreihenfolgen, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  129. [29] Kelleher, J. D.; Tierney, B.: Data science. Cambridge, Massachusetts, London, England: The MIT Press 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  130. [30] Hall, K.: Ganzheitliche Technologiebewertung. Wiesbaden: Deutscher Universitätsverlag 2002 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  131. [31] Zelewski, S.: Ansätze zur Bewertung des Einsatzes künstlicher Intelligenz in Industrieunternehmungen. 1988 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  132. [32] Schuh, G.; Klappert, S.: Technologiemanagement. Handbuch Produktion und Management 2. Berlin, Heidelberg: Springer-Verlag Berlin Heidelberg 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  133. [33] Hering, E.; Triemel, J.; Blank, H.-P. (Hrsg.): Qualitätsmanagement für Ingenieure. Berlin: Springer Berlin 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  134. [34] Dombrowski, U.; Krenkel, P.; Falkner, A. et al.: Prozessorientierte Potenzialanalyse von Industrie 4.0-Technologien. ZWF 113 (2018) 3, S. 107–111 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  135. [35] Massmann, M.; Meyer, M.; Frank, M. et al.: Framework for Data Analytics in Data-Driven Product Planning. Procedia Manufacturing 52 (2020), S. 350–355 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  136. [36] Bernerstätter, R.: Reifegradmodell zur Bewertung der Inputfaktoren für datenanalytische Anwendungen – Konzeptionierung am Beispiel der Schwachstellenanalyse. Dissertation, Montanuniversität Leoben, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  137. [37] Anandarajan, A.; Wen, H. J.: Evaluation of information technology investment. Management Decision 37 (1999) 4, S. 329–339 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  138. [38] Joppen, R.; Enzberg, S. von; Kühn, A. et al.: Investitionsentscheidungen vor dem Hintergrund der Digitalisierung am Beispiel Schaltschrankbau. ZWF 114 (2019) 7–8, S. 483–487 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  139. [39] Wirth, R.; Hipp, J.: CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (2000), S. 29–40 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  140. [40] Warschat, J.; Schimpf, S.; Korell, M. (Hrsg.): Technologien frühzeitig erkennen, Nutzenpotenziale systematisch bewerten. Methoden, Organisation, semantische Werkzeuge zur Informationsgewinnung und -speicherung; Ergebnisse des Verbundforschungsprojektes syncTech – synchronisierte Technologieadaption als Treiber der strategischen Produktinnovation. Stuttgart: Fraunhofer-Verl. 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  141. [41] Gölzer, P.: Big Data in Industrie 4.0-Eine strukturierte Aufarbeitung von Anforderungen, Anwendungsfällen und deren Umsetzung. Dissertation, Friedrich-Alexander-Universität, 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  142. [42] Sonntag, A.: PROMIDIS Handlungsleitfaden-Instrument Paarweiser Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  143. [43] Hahn, D.; Taylor, B.: Strategische Unternehmungsplanung – strategische Unternehmungsführung Stand und Entwicklungstendenzen. Berlin, Heidelberg: Springer 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  144. [44] Marschall, T.; Baars: Pi-Architektur–Agiles Datenmanagement in Big-Data-Umgebungen. BI-Spektrum (2017) 1, S. 36–40 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  145. [45] bitkom: Big-Data-Technologien – Wissen für Entscheider. Internet: http://www.kmu-digital.eu/de/service-kompetenz/publikationen/dokumente/broschueren/4-big-data-technologien-wissen-fuer-entscheider/file. Zugriff am 25.02.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  146. [46] Kühn, A.; Joppen, R.; Reinhart, F. et al.: Analytics Canvas – A Framework for the Design and Specification of Data Analytics Projects. Procedia CIRP 70 (2018), S. 162–167 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  147. [47] Schuster: Investitionsrechnung: Kapitalwert, Zinsfuß, Annuität, Amortisation. Berlin, Heidelberg: Springer Berlin Heidelberg 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  148. [48] Project Management Institute: A guide to the project management body of knowledge (PMBOK guide) Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-41
  149. [1] AMPOWER Report: Additive Manufacturing Report. Stand: 2022. Internet: www. additive-manufacturing-report.com. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  150. [2] Klemp, E.; Pottebaum, J.: Additive Fertigungsverfahren im Kontext von Industrie 4.0. Vogel-Heuser, B.; Bauernhansl, T.; Ten Hompel, M. (Hrsg.): Handbuch Industrie 4.0. Springer Vieweg, Berlin, Heidelberg 2015, S. 1–21 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  151. [3] Caviezel, C.; Grünwald, R.; Ehrenberg-Silies, S.; et al.: Additive Fertigungsverfahren (3-D-Druck). Innovationsanalyse. Stand: 2022. Internet: publikationen.bibliothek.kit.edu/1000078105. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  152. [4] Kletti J.; Schumacher, J.: Die perfekte Produktion. Heidelberg: Springer- Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  153. [5] Schuh, G.; Stich, V. (Hrsg.): Produktion am Standort Deutschland. Aachen: FIR an der RWTH Aachen 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  154. [6] Jost, J.; Kirks, T.; Mattig, B.: Multi-agent systems for decentralized control and adaptive interaction between humans and machines for industrial environments. IEEE International Conference on System Engineering and Technology (ICSET) (2017) 7, pp. 95–100 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  155. [7] KINEXON GmbH: Homepage. KINEXON Operating System. Stand: 2022. Internet: www.kinexon.com. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  156. [8] Cimini, C.; Pirola, F.; Pinto, R.; et al.: A human-in-the-loop manufacturing control architecture for the next generation of production systems. Journal of Manufacturing Systems 54 (2020), pp. 258–271 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  157. [9] Soffer, P.; Hinze, A.; Koschmider, A.; et al.: From event streams to process models and back: Challenges and opportunities. Information Systems 81 (2019) 7, pp. 181–200 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  158. [10] Verband Deutscher Ingenieure: VDI 3405: Additive Fertigungsverfahren. Berlin: Beuth Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  159. [11] Meister, F.; Mück, J.; Hohmann, A.; et al.: Automatisiertes Nesting in additiven Prozessketten. wt Werkstattstechnik online 112 (2022) 04, S. 248–252. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  160. [12] Additive Marking: Kennzeichnungen in der Prozesskette des 3D-Drucks. Stand: 2022. Internet: additive-marking.de/solution/. Zugriff am 28.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  161. [13] Binder, M.; Kirchbichler, L.; Seidel, C.; et al.: Design Concepts for the Integration of Electronic Components into Metal Laser-based Powder Bed Fusion Parts. Procedia CIRP 81 (2019), pp. 992–997 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-48
  162. [1] Pistorius, J.: Industrie 4.0 – Schlüsseltechnologien für die Produktion. Grundlagen, Potenziale, Anwendungen. Heidelberg: Springer-Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  163. [2] Gebhardt, A.; Kessler, J.; Thurn, L.: 3D-Drucken. Grundlagen und Anwendungen des Additive Manufacturing (AM). München: Hanser-Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  164. [3] Lindemann, C.; Jahnke, U.; Moi, M. et al.: Analyzing Product Lifecycle Costs for a Better Understanding of Cost Drivers in Additive Manufacturing. Solid Freeform Fabrication Symposium – An Additive Manufacturing Conference, Austin TX/USA, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  165. [4] Crowell, A. M.; Cramer, S. A.; Lopez, J. P. et al.: Development of a quality assurance tool for additive manufacturing. 2018 Systems and Information Engineering Design Symposium (SIEDS), Charlottesville/VA, 2018, pp. 76–81 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  166. [5] Kim, D. B.; Witherell, P.; Lipman, R. et al.: Streamlining the additive manufacturing digital spectrum: A systems approach. Additive Manufacturing 5 (2015), pp. 20–30 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  167. [6] DebRoy, T.; Zhang, W.; Turner, J. et al.: Building digital twins of 3D printing machines. Scripta Materialia 135 (2017), pp. 119–124 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  168. [7] Mukherjee, T.; DebRoy, T.: A digital twin for rapid qualification of 3D printed metallic components. Applied Materials Today 14 (2019), pp. 59–65 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  169. [8] Riesener, M.; Schuh, G.; Dölle, C. et al.: The Digital Shadow as Enabler for Data Analytics in Product Life Cycle Management. Procedia CIRP 80 (2019), pp. 729–734 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  170. [9] Schuh, G.; Häfner, C.; Hopmann, C. et al.: Effizientere Produktion mit Digitalen Schatten. Zeitschrift für wirtschaftlichen Fabrikbetrieb 115 (2020) 1, S. 105–107 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  171. [10] Oettl, F.; Schoeler, J.; Schilp, J.: Development of a method for evaluating the benefits of using a digital twin. 2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME), Maldives, pp. 1–7 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  172. [11] Glaessgen, E.; Stargel, D.: The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles. 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference, Honolulu/Hawaii, 2012, doi.org/10.13140/RG.2.2.26367.61609 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  173. [12] Grieves, M.: Digital Twin: Manufacturing Excellence through Virtual Factory Replication. Whitepaper, LLC, 2014. pp. 1–7, doi.org/10.2514/6.2012–1818 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  174. [13] Grieves, M.; Vickers, J.: Origins of the Digital Twin Concept. 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  175. [14] Liu, M.; Fang, S.; Dong, H. et al.: Review of digital twin about concepts, technologies, and industrial applications. Journal of Manufacturing Systems 58 (2021), pp. 346–361 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  176. [15] Shafto, M.; Conroy, M.; Doyle, R. et al.: DRAFT Modeling, Simulation, Information Technology & Processing Roadmap. Technology Area 11. Stand: 2010. Internet: www.researchgate.net/profile/Mike-Shafto/publication/280310295_Modeling_Simulation_Information_Technology_and_Processing_Roadmap/links/55b2b0ef08aed621ddfe1337/Modeling-Simulation-Information-Technology-and-Processing-Roadmap.pdf. Zugriff am 09.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  177. [16] Singh, M.; Fuenmayor, E.; Hinchy, E. et al.: Digital Twin: Origin to Future. Applied System Innovation 4 (2021) 2, pp. 36 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  178. [17] Tao, F.; Zhang, H.; Liu, A. et al.: Digital Twin in Industry: State-of-the-Art. IEEE Transactions on Industrial Informatics 15 (2019) 4, pp. 2405–2415 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  179. [18] Kritzinger, W.; Karner, M.; Traar, G. et al.: Digital Twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine 51 (2018) 11, pp. 1016–1022 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  180. [19] DiConneX: Digitaler Zwilling – Womit fange ich an? Stand: 24.11.2021. Internet: diconnex.com/blog/2019/08/19/digitaler-zwilling-womit-fange-ich-an/. Zugriff am 09.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  181. [20] Wu, Y.; Zhang, K.; Zhang, Y.: Digital Twin Networks: A Survey. IEEE Internet of Things Journal 8 (2021) 18, pp. 13789–13804 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  182. [21] Tao, F.; Cheng, Y.; Cheng, J. et al.: Theories and technologies for cyber-physical fusion in digital twin shop-floor. Computer integrated manufacturing systems (2017) 8, pp. 1603–1611 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  183. [22] Meister, F.; Mück, J.; Hohmann, A. et al.: Automatisiertes Nesting in additiven Prozessketten. Produktionsplanung und -steuerung für die additive Serienproduktion. wt Werkstattstechnik online 112 (2022) 4, S. 248–252. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  184. [23] Klein, A.; Wolters, F.; Dederichs, S. et al.: Welcher Kommunikationsstandard für künftige Industrie 4.0-Fabriken? VDI-Z. Stand: 2016. Internet: www.ingenieur.de/fachmedien/vdi-z/industrie-4–0/welcher-kommunikationsstandard-fuer-kuenftige-industrie-4–0-fabriken/. Zugriff am 09.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-53
  185. [1] Ashok Kumar, A.; Amutha Prabha, N.: A comprehensive review of DC microgrid in market segments and control technique. Heliyon 8 (2022), 11, e11694 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  186. [2] Lu, X.; Guerrero, J. M.; Sun, K. et al.: An Improved Droop Control Method for DC Microgrids Based on Low Bandwidth Communication With DC Bus Voltage Restoration and Enhanced Current Sharing Accuracy. IEEE Transactions on Power Electronics 29 (2014) 4, pp. 1800–1812 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  187. [3] Kuhlmann, T.; Bianchini, I.; Sauer, A.: Resource and energy efficiency assessment of an industrial DC Smart Grid. Procedia CIRP 90 (2020), pp. 672–676 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  188. [4] Liu, Q.; Tao, Y.; Liu, X. et al.: Voltage unbalance and harmonics compensation for islanded microgrid inverters. IET Power Electronics 7 (2014) 5, pp. 1055–1063 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  189. [5] Meike, D.: Increasing Energy Efficiency of Robotized Production Systems in Automobile Manufacturing. PhD Thesis, Riga Technical University, 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  190. [6] Meng, L.; Dragicevic, T.; Vasquez, J. C. et al.: Tertiary and Secondary Control Levels for Efficiency Optimization and System Damping in Droop Controlled DC–DC Converters. IEEE Transactions on Smart Grid 6 (2015) 6,pp. 2615–2626 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  191. [7] Shuai, Z.; Fang, J.; Ning, F. et al.: Hierarchical structure and bus voltage control of DC microgrid. Renewable and Sustainable Energy Reviews 82 (2018) 3, pp. 3670–3682 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  192. [8] ZVEI e.V.: „DC-INDUSTRIE“ – Energiewende trifft Industrie 4.0. Stand: 2022. Internet: dc-industrie.zvei.org. Zugriff am 01.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  193. [9] ZVEI & consortium DC-INDUSTRIE2: System concept DC-INDUSTRIE2. Stand: 2022. Internet: dc-industrie.zvei.org/en/publications/system-concept-for-dc-industrie2. Zugriff am 01.03.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  194. [10] Bianchini, I.; Knapp; Jonas et al.: Source Management In DC-Microgrids: An Industrial Application. 4th Conference on Production Systems and Logistics (CPSL 2023), 2023, [submitted] Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-58
  195. [1] Kuhlmann, T.; Zeiser, R.: Wie effizient sind gleichspannungsversorgte Maschinen? Methode zur Identifikation des Energieeffizienzpotenzials durch Umrüstung von Wechselspannung (AC) auf Gleichspannung (DC). Zeitschrift für wirtschaftlichen Fabrikbetrieb 117 (2022) 12, S. 862–866, doi.org/10.1515/zwf-2022–1179 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  196. [2] Stammberger, H.; Austermann, J.; Borcherding, H.: Systemkonzept für DC-INDUSTRIE2. Stand: 2020. Internet: dc-industrie.zvei.org/publikationen/systemkonzept-fuer-dc-industrie2. Zugriff am 08.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  197. [3] Laribi, R.; Schaab, D.: Nutzenpotenziale von DC-Smart-Grids in der Industrie. Energieeffizienz, Fabrikplanung. Düsseldorf: VDI Fachmedien 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  198. [4] Fregosi, D.; Ravula, S.; Brhlik, D.: A comparative study of DC and AC microgrids in commercial buildings across different climates and operating profiles. 2015 IEEE First International Conference on DC Microgrids, Atlanta, GA, USA, 2015, pp. 159–164, doi: 10.1109/ICDCM.2015.7152031 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  199. [5] Rankis, I.; Meike, D.; Senfelds, A.: Utilization of Regeneration Energy in Industrial Robots System. Power and Electrical Engineering. Power and Electrical Engineering 31 (2013), pp. 95–100 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  200. [6] Kuhlmann, T.; Schaab, D. A.; Sauer, A.: Wie die Gleichstromfabrik real wird – Effizienzsteigerung bei der Energieversorgung in sieben Schritten. Vorgehensmodell zur Transformation der heutigen AC-Netz Versorgung zum industriellen DCSmart- Grid. Zeitschrift für wirtschaftlichen Fabrikbetrieb 117 (2022) 1–2, S. 35–40, doi.org/10.1515/zwf-2022–1003 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  201. [7] Knapp, J.; Righetti, P. de; Schaab, D.: Methodik zur Umrüstung von Produktionsmaschinen. wt Werkstattstechnik online 112 (2022) 03, S. 178–181. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  202. [8] Sauer, A. (Hrsg.): Die Gleichstromfabrik. Energieeffizient. Robust. Zukunftsweisend. München: Carl Hanser Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-63
  203. [1] Reichsthaler, L.; Toth, D.; Glawar, R. et al.: Ansatz zur ganzheitlichen Optimierung des Anlagenmanagements nach den drei Zielgrößen der Ressourceneffizienz, Resilienz- und Leistungsfähigkeit. Framework zur ganzheitlichen Bewertung aus Sicht des Anlagenmanagements. 36. Internationales Forum für industrielle Instandhaltung, ÖVIA 2022, Leoben, Österreich, 2022, noch nicht veröffentlicht Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  204. [2] Nyhuis, P.; Wiendahl, H.-P.: Logistische Kennlinien. Grundlagen, Werkzeuge und Anwendungen. Heidelberg: Springer Vieweg 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  205. [3] Wiendahl, H.-P.: Handbuch Fabrikplanung. Konzept, Gestaltung und Umsetzung wandlungsfähiger Produktionsstätten. München: Carl Hanser Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  206. [4] Gardner, L.; Colwill, J.: A Framework for the Resilient use of Critical Materials in Sustainable Manufacturing Systems. Procedia CIRP 41 (2016), pp. 282–288 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  207. [5] Rosário Cabrita, M. d.; Duarte, S.; Carvalho, H. et al.: Integration of Lean, Agile, Resilient and Green Paradigms in a Business Model Perspective: Theoretical Foundations. IFAC-PapersOnLine 49 (2016) 12, pp. 1306–1311 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  208. [6] [Sindhwani, R.; Mittal, V. K.; Singh, P. L. et al.: Modelling and analysis of barriers affecting the implementation of lean green agile manufacturing system (LGAMS). Benchmarking: An International Journal 26 (2019) 2, pp. 498–529 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  209. [7] Bauernhansl, T. (Hrsg.): Fabrikbetriebslehre 1. Management in der Produktion. Heidelberg: Springer Vieweg Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  210. [8] ISO 22301: Security and resilience – Business continuity management systems — Requirements. Ausgabe 10/2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  211. [9] [Bundesamt für Sicherheit in der Informationstechnik (Hrsg.): BSI-Standard 100–4: Notfallmanagement. Stand: 2008. Internet: www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/Publikationen/ITGrundschutzstandards/BSI-Standard_1004.pdf?__blob=publicationFile&v=2. Zugriff am 07.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  212. [10] Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.: White Paper »RESYST« Resiliente Wertschöpfung in der produzierenden Industrie – innovativ, erfolgreich, krisenfest. Stand: 2021. Internet: www.fraunhofer.de/s/ePaper/Whitepaper/RESYST/index.html#0. Zugriff am 07.02.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  213. [11] Aslanova, I. V.; Kulichkina, A. I.: Digital Maturity: Definition and Model. Proceedings of the 2nd International Scientific and Practical Conference “Modern Management Trends and the Digital Economy: from Regional Development to Global Economic Growth” (MTDE 2020), Yekaterinburg, Russia, 2020, pp. 443–449 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  214. [12] Carvalho, H.; Duarte, S.; Cruz Machado, V.: Lean, agile, resilient and green: divergencies and synergies. International Journal of Lean Six Sigma 2 (2011) 2, pp. 151–179 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  215. [13] Dietrich, E.; Schulze, A.; Weber, S.: Kennzahlensystem für die Qualitätsbeurteilung in der industriellen Produktion. Q-DAS CAMERA Konzept. München: Carl Hanser Verlag 2007 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  216. [14] Chaple, A. P.; Narkhede, B. E.; Akarte, M. M. et al.: Modeling the lean barriers for successful lean implementation: TISM approach. International Journal of Lean Six Sigma 12 (2021) 1, pp. 98–119 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  217. [15] Choudhury, A.; Behl, A.; Sheorey, P. A. et al.: Digital supply chain to unlock new agility: a TISM approach. Benchmarking: An International Journal 28 (2021) 6, pp. 2075–2109 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  218. [16] Verein Deutscher Ingenieure: VDI 3633 Blatt 3. Simulation von Logistik-, Materialfluß und Produktionssystemen. Berlin: Beuth Verlag 1997 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  219. [17] Sterman, J. D.: Business dynamics. Systems thinking and modeling for a complex world. Boston: Irwin/McGraw-Hill 2000 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  220. [18] Kosko, B.: Fuzzy cognitive maps. International Journal of Man-Machine Studies 24 (1986) 1, pp. 65–75 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  221. [19] Barbrook-Johnson, P.; Penn, A. S.: Fuzzy Cognitive Mapping. In: Barbrook-Johnson, P.; Penn, A. S. (Hrsg.): Systems Mapping: How to build and use causal models of systems. Cham: Springer International Publishing 2022, pp. 79–95 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  222. [20] Helfgott, A.; Lord, S.; Bean, N. et al.: Clarifying Fuzziness: Fuzzy Cognitive Maps, Neural Networks and System Dynamics Models in Participatory Social and Environmental Decision-aiding Processes. Processes EUFP7 TRANSMANGO Working Paper 1, 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  223. [21] Jetter, A.: Produktplanung im Fuzzy Front End. Handlungsunterstützungssystem auf der Basis von Fuzzy Cognitive Maps. Wiesbaden: Deutscher Universitätsverlag 2005 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  224. [22] Salmeron, J. L.: Supporting Decision Makers with Fuzzy Cognitive Maps. Research-Technology Management 52 (2009) 3, pp. 53–59 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  225. [23] Papageorgiou, E. I.; Stylios, C. D.; Groumpos, P. P.: An integrated two-level hierarchical system for decision making in radiation therapy based on fuzzy cognitive maps. IEEE transactions on bio-medical engineering 50 (2003) 12, pp. 1326–1339 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  226. [24] Groumpos, P. P.: Fuzzy Cognitive Maps: Basic Theories and Their Application to Complex Systems. In: Glykas, M. (Hrsg.): Fuzzy Cognitive Maps: Advances in Theory, Methodologies, Tools and Applications. Berlin, Heidelberg: Springer Berlin Heidelberg 2010, pp. 1–22 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68
  227. [25] Jeske, T.; Garrel, J. von; Starke, J.: Erfolgsfaktor Flexibilität. Ergebnisse einer deutschlandweiten Unternehmensbefragung. Industrial Engineering 64 (2011) 1, S. 20–23 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-03-68

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