Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
, um zu prüfen, ob Sie einen Vollzugriff auf diese Publikation haben.
Ausgabe Teilzugriff

Jahrgang 112 (2022), Heft 09

wt Werkstattstechnik online
Autor:innen:
Zeitschrift:
wt Werkstattstechnik online
Verlag:
 2022

Über die Zeitschrift

In der Online-Zeitschrift für Forschung und Entwicklung in der Produktion – wt Werkstattstechnik online – werden die aktuellsten Forschungsergebnisse aus Wissenschaft, Technischer Hochschule und Industrie veröffentlicht - praxisbezogen und zukunftsorientiert. Die wt Werkstattstechnik online erscheint inklusive neun produktionsspezifischen Ausgaben pro Jahr unter der Internetadresse www.werkstattstechnik.de. Die in der wt Werkstattstechnik veröffentlichten Fachaufsätze sind wissenschaftlich-methodisch aufbereitet und grundsätzlich Erstveröffentlichungen. Viele Fachaufsätze sind peer-reviewed: von Experten auf diesem Gebiet – anonym sowie unabhängig von den Autoren – wissenschaftlich begutachtet und freigegeben. Die wt Werkstattstechnik online ist Organ der VDI-Gesellschaft Produktion und Logistik (GPL) sowie der wissenschaftlichen Gesellschaft für Produktionstechnik (WGP).

Publikation durchsuchen

Bibliographische Angaben

ISSN-Print
1436-4980
ISSN-Online
1436-4980
Verlag
VDI fachmedien, Düsseldorf
Sprache
Deutsch
Produkttyp
Ausgabe

Artikel

Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 1 - 1
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 2 - 4
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 534 - 539
Dieser Beitrag ist Teil des vom Bundesministerium für Wirtschaft und Klimaschutz geförderten Forschungsprojekts „HiRoCast“. Es werden mögliche Herausforderungen bei der Automatisierung von Dosier- und Reinigungsprozessen im Rahmen des...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 540 - 546
Manuelle Schraubmontagen profitieren von menschlichen feinmotorischen Fähigkeiten für die flexible Positionierung der Werkzeuge und Bauteile. Solche Prozesse lassen sich mithilfe eines kooperativen Robotersystems automatisieren, welches flexibel...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 547 - 551
Bei der Fertigung schiffbaulicher Unterbaugruppen werden im Universalschiffbau bereits meist Schweißroboter eingesetzt. Dagegen ist im Spezialschiffbau der Anteil automatisierter Produktionsanlagen deutlich geringer. Gründe hierfür sind unter...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 552 - 558
Dieser Beitrag stellt ein Konzept für die Integration von interaktiven Simulationsmodellen in einer Virtual-Reality (VR)-Simulationsumgebung vor. Dabei werden die Simulationsmodelle aus der virtuellen Inbetriebnahme (VIBN) von Produktionsanlagen...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 559 - 564
Das Softwaretool „SafeZone“ erlaubt die effiziente und zuverlässige Berechnung von Sicherheitsbereichen (Safe Bereichen) für komplexe schutzzaunlose Roboteranlagen, zum Beispiel im Karosseriebau und der Endmontage. Unter Berücksichtigung der...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 565 - 568
Die kollaborative Montage vereint die Vorteile der manuellen Montage, wie Flexibilität und Fingerfertigkeit des Menschen, sowie der automatisierten Fertigung durch die Präzision und Effizienz des Roboters. Kleinen und mittleren Unternehmen fehlt...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 569 - 573
Additive Fertigungsverfahren werden zunehmend in kleinen und mittleren Serien eingesetzt, was zu höheren Qualitätsanforderungen zum Beispiel an Oberflächeneigenschaften oder Maßhaltigkeit führen kann. Um komplexe Geometrien effizient fertigen...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 574 - 579
Die langwierige manuelle Entwicklung von Greifsystemen wird durch das im Beitrag vorgestellte Softwaresystem automatisiert. Basierend auf dem Anforderungsprofil werden die einzelnen Bereiche der Softwarelösung vorgestellt und deren Funktionsweise...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Open Access Vollzugriff

Seite 580 - 585
Der Elektroautohersteller Tesla hat 2018 ein Patent zum Mega-Casting angemeldet. Mit dieser neuen Fertigungsmethode soll es zukünftig möglich sein, eine Karosserie in einem Fertigungsschritt im Aluminium-Druckguss ohne nachfolgende...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Download Artikel (PDF)
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 586 - 590
In diesem Beitrag wird ein neuartiges Konzept zur Herstellung von Lithium-Ionen-Batterien vorgestellt, das den Ablauf einer Pressenstraße auf die Batteriezellfertigung adaptiert. Es werden Optimierungspotenziale in den Teilprozessen analysiert und...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 591 - 595
In der CNC-Bearbeitung ist es zur Kollisionsvermeidung sehr wichtig, dass real aufgebaute Spannsysteme exakt der Vorgabe aus der CAD/CAM-Simulation entsprechen. In diesem Beitrag wird ein industrietaugliches Assistenzsystem präsentiert, mit dem per...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 596 - 600
Zur Vermeidung von Muskel-Skelett-Erkrankungen am Arbeitsplatz, zum Beispiel während der manuellen Montage oder Reparatur, lassen sich mittels Künstlicher Intelligenz automatisierte Ergonomieanalysen basierend auf Kameradaten erstellen. Darauf...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 601 - 606
Das FlexCAR besteht aus einer autonom gesteuerten Fahrzeugplattform für die Mobilität von morgen, welche Use-Case-gesteuert als Forschungsdemonstrator fungiert, um neue technologische Features unmittelbar aus dem Forschungsstadium nach dem...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 607 - 612
Um die Nachfrage nach herstellerunabhängigen Erkenntnissen über die Wirkung und Effekte von industriell eingesetzten Exoskeletten zur Prävention von körperlicher Überlastung und physischen Schäden zu bedienen, wurde in einer Studie das...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 611 - 611
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 613 - 618
Während der Flugzeug-MRO (maintenance, repair, and overhaul) werden Strukturbauteile auf Oberflächendefekte geprüft und etwaige Defekte lokal entfernt. Die Position und Ausdehnung der Reparaturstellen bestimmen maßgeblich den Wiedereinsatz des...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 619 - 624
In produzierenden Unternehmen der Stückgutindustrie fallen durch die digitale Transformation immer mehr Daten an. Aufgrund zunehmend volatiler Umgebungsbedingungen sowie stetig wachsenden Kostendrucks werden Unternehmen zu alternativen, meist...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 625 - 628
Herkömmliche Roboter sind aufgrund der Konfiguration rigider Gelenke und empfindlicher Getriebe anfällig für Stoßbelastungen. In diesem Beitrag wird gezeigt, dass ein Robotergelenk, basierend auf einer neuartigen Topologie mit drei aktiven und...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 112 (2022), Heft 09
Artikel
Kein Zugriff

Seite 629 - 634
Handhabungsprozesse sind Teil nahezu jedes automatisierten Prozesses. Während das Handhabungsgerät verhältnismäßig einfach an neue Handhabungsaufgaben angepasst werden kann, erfolgt die Gestaltung der Greiferfinger als Schnittstelle zwischen...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2022
Autor:innen:

Literaturverzeichnis (272)

  1. [1] Hellmer, E.; Rathner, T.; Plank, K. H.: Neues, innovatives Gießverfahren zur Herstellung von Hochleistungskomponenten aus Aluminium sowie dessen fertigungstechnische Applikation. Giesserei Rundschau 61 (2014) 1/2, S. 2–11 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  2. [2] Kaiser, R. W.: Pressgießen hochfester, duktiler Gusseisenbauteile. Giesserei-Institut: Forschung, Entwicklung, Ergebnisse, Band 43. Aachen: Shaker Verlag 2004, S. 145 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  3. [3] Hofer-Hauser, P.; Gschwandtner, R.; Schindelbacher, G.: Gussoptimierung durch Prozesskenntnis CONAN. Giesserei Special Heft 2/2018, S. 72–81 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  4. [4] ItalPresseGauss: Robotic Automation Equipment and Tools. Stand: 2022. Internet: www.italpressegauss.com/en-us/robotic-automation. Zugriff am 02.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  5. [5] Bühler Group: Metalldosiergerät BRL Servo. Stand: 31.03.2022. Internet: www.buhlergroup.com/content/buhlergroup/global/de/products/brl_servo_ecolineladlingdevice.html . Zugriff am 02.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  6. [6] Terashima, K.; Yano, K.; Sugimoto, Y. et al.: Position Control of Ladle Tip and Sloshing Suppression During Tilting Motion in Automatic Pouring Machine. IFAC Proceedings Volumes 34 (2001) 18, pp. 229–234 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  7. [7] Noda, Y.; Sueki, Y.: Implementation and Experimental Verification of Flow Rate Control Based on Differential Flatness in a Tilting-Ladle-Type Automatic Pouring Machine. Applied Sciences 9 (2019) 10. #1978. doi.org/10.3390/app9101978 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  8. [8] irobotics GmbH: Foundry. Stand: 2022. Internet: www.irobotics.de/en/portfolio/foundry.html . Zugriff am 02.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  9. [9] Priya, V.; Raj, V. J. A.; Chethanasai, K. V. et al.: Design and Simulation of a Robotic Manipulator for Ladle with PLC. International Conference on Electrical and Electronics Engineering, 2022, pp. 752–765 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  10. [10] Yano, K.; Terashima, K.: Robust liquid container transfer control for complete sloshing suppression. IEEE Transactions on Control Systems Technology 9 (2001) 3, pp. 483–493 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  11. [11] Sira-Ramirez, H.: A flatness based generalized PI control approach to liquid sloshing regulation in a moving container. Proceedings of the 2002 American Control Conference (IEEE Cat. No.CH37301) 4, (2002), pp. 2909–2914 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  12. [12] Bandyopadhyay, B.; Gandhi, P. S.; Kurode, S.: Sliding Mode Observer Based Sliding Mode Controller for Slosh-Free Motion Through PID Scheme. IEEE Transactions on Industrial Electronics 56 (2009) 9, pp. 3432–3442 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  13. [13] Aribowo, W.; Yamashita, T.; Terashima, K.: Integrated Trajectory Planning and Sloshing Suppression for Three-Dimensional Motion of Liquid Container Transfer Robot Arm. Journal of Robotics 2015 (2015), pp. 1–15, doi.org/10.1155/2015/279460 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  14. [14] B. Pridgen; K. Bai; W. Singhose: Slosh suppression by robust input shaping. 49th IEEE Conference on Decision and Control (CDC), 2010, pp. 2316–2321 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  15. [15] Zang, Q.; Huang, J.; Liang, Z.: Slosh Suppression for Infinite Modes in a Moving Liquid Container. IEEE/ASME Transactions on Mechatronics 20 (2015) 1, pp. 217–225 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  16. [16] Reinhold, J.; Amersdorfer, M.; Meurer, T.: A Dynamic Optimization Approach for Sloshing Free Transport of Liquid Filled Containers using an Industrial Robot. 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2019, pp. 2336–2341 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  17. [17] Consolini, L.; Piazzi, A.: Generalized bang–bang control for feedforward constrained regulation. Automatica 45 (2009) 10, pp. 2234–2243 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  18. [18] Biagiotti, L.; Melchiorri, C.; Moriello, L.: Optimal Trajectories for Vibration Reduction Based on Exponential Filters. IEEE Transactions on Control Systems Technology 24 (2015) 2, p. 1 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  19. [19] Moriello, L.; Biagiotti, L.; Melchiorri, C. et al.: Manipulating liquids with robots: A sloshing-free solution. Control Engineering Practice 78 (2018), pp. 129–141 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-6
  20. [1] Liu, S.; Xing, D.; Li, Y. et al.: Robust Insertion Control for Precision Assembly with Passive Compliance Combining Vision and Force Information. IEEE/ASME Transactions on Mechatronics 24 (2019) 5, pp. 1974–1985 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  21. [2] Nieoczym, A.; Longwic, R.: Control of the Process of Screwing in the Industrial Screwdriver. Advances in Science and Technology 10 (2016) 30, pp. 202–206 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  22. [3] Mangold, S.; Steiner, C.; Friedmann, M. et al.: Vision-based screw head detection for automated disassembly for remanufacturing. The 29th CIRP Conference on Life Cycle Engineering, Leuven/Belgium, 2022, pp. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  23. [4] Mironov, D.; Altamirano, M.; Zabihifar, H. et al.: Haptics of Screwing and unscrewing for its application in smart factories for disassembly. eurohaptics, Pisa/Italy, 2018, pp. 428–439 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  24. [5] Villani, L.; Schutter, J. de: Force Control. In: Siciliano, B., Khatib, O. (eds.): Springer Handbook of Robotics. Cham: Springer International Publishing 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  25. [6] Krüger, J.; Lien, T. K.; Verl, A.: Cooperation of Human and Machines in Assembly Lines. CIRP Annals – Manufacturing Technology 58 (2009) 2, pp. 628–646 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  26. [7] Li, R.; Pham, D. T.; Huang, J. et al.: Unfastening of Hexagonal Headed Screws by a Collaborative Robot. IEEE Transactions on Automation Science and Engineering 17 (2020) 3, pp. 1455–1468 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  27. [8] Gautam, M.; Fagerlund, H.; Greicevci, B. et al.: Collaborative Robotics in Construction: A Test Case on Screwing Gypsum Boards on Ceiling. 5th International Conference on Green Technology and Sustainable Development (GTSD), Ho Chi Minh City/Vietnam, 2020, pp. 88–93 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  28. [9] Scholer, M.: Wandlungsfähige und angepasste Automation in der Automobilmontage mittels durchgängigem modularem Engineering. Am Beispiel der Mensch-Roboter-Kooperation in der Unterbodenmontage. Dissertation, Universität des Saarlandes, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  29. [10] Cheng, X.: Towards Automatic Assembly of Small Screws: Failure Detection and Stage Classification. Master‘s dissertation, Carneige Mellon University, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  30. [11] Weber: MRK Schraubsystem für die Mensch-Roboter-Kollaboration. Stand: 2019. Internet: www.weber-online.com/mrk-schraubsystem. Zugriff am 17.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  31. [12] Stöger: Schraubautomaten für die Mensch-Roboter-Kollaboration. Stand: 2019. Internet: www.stoeger.com/de/schraubautomaten-fuer-mensch-roboter-kollaboration-mrk.html. Zugriff am 17.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  32. [13] Jia, Z.; Bhatia, A.; Aronson, R. et al.: A Survey of Automated Threaded Fastening. IEEE Transactions on Automation Science and Engineering 16 (2018) 1, pp. 298–310 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  33. [14] Wang, X. V.; Kemeny, Z.; Vancza, J. et al.: Human–robot collaborative assembly in cyber-physical production: Classification framework and implementation. CIRP Annals – Manufacturing Technology 66 (2017) 1, pp. 5–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  34. [15] Siciliano, B.; Villani, L.: Robot Force Control. Amsterdam: Kluwer Academic Publishers 1999 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  35. [16] Calanca, A.; Muradore, R.; Fiorini, P.: A Review of Algorithms for Compliant Control of Stiff and Fixed-Compliance Robots 21 (2015) 2, pp. 613–624 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  36. [17] Cruz, A. B.; Radke, M.; Haninger, K. et al.: How can the programming of impedance control be simplified? 8th CIRP Conference of Assembly Technology and Systems, Athens/Greece, 2020, pp. 266–271 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  37. [18] Szeliski, R.: Computer Vision: Algorithms and Applications. Cham: Springer International Publishing 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-12
  38. [1] Tilley, J.: Automation, Robotics, And The Factory Of The Future., McKinsey&Company; 2017, https://www.mckinsey.com/business-functions/operations/our-insights/automation-robotics-and-the-factory-of-the-future#. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  39. [2] Holamo, O. P.; Ruottu K.: Machine Vision System-Aided Robot Welding of Micropanels. In: DVS-Berichte 237, Düsseldorf: DVS-Verlag: 2005, p. 516–519 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  40. [3] Galindo, P. L. et al.: Development of a Customized Interface for a Robotic Welding Application at Navantia Shipbuilding Company. In: Ollero, A. et al., editors. ROBOT 2017: Third Iberian Robotics Conference. Advances in Intelligent Systems and Computing 694. Springer; 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  41. [4] Larkin, N. et al.: Automated Programming for Robotic Welding. In: Transactions on Intelligent Welding Manufacturing. Singapore: Springer, 2018, p. 48–59 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  42. [5] Zych, A.: Programming of Welding Robots in Shipbuilding. Procedia CIRP, Jg. 99, 2021, p. 478–483, doi: 10.1016/j.procir.2021.03.107. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  43. [6] Harmel, A.; Zych, A.: Sensor-Based Robot Programming for Automated Manufacturing of High Orthogonal Volume Structures. In Tagungsband des 3. Kongresses Montage Handhabung Industrieroboter, 2018–04–05, Springer Berlin Heidelberg, 2018, p.93–101, doi: 10.1007/978–3–662–56714–2_11 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  44. [7] Wanner, M. C.; Zych, A.; Pfletscher U.: Method and device for controlling robots for welding workpieces. Internationale Patentanmeldung WO2008101737 (A1), 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-19
  45. [1] Wünsch, G.: Methoden für die virtuelle Inbetriebnahme automatisierter Produktionssysteme. Dissertation, Technische Universität München, 2007 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  46. [2] Röck, S.: Echtzeitsimulation von Produktionsanlagen mit realen Steuerungselementen. Dissertation, Universität Stuttgart, 2007 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  47. [3] Stark, R.; Damerau, T.; Lindow, K.: Industrie 4.0 – Digitale Neugestaltung der Produktentstehung und Produktion am Standort Berlin. In: Sendler, U. (Hrsg.): Industrie 4.0 grenzenlos. Heidelberg: Springer-Verlag 2016, S. 169–184 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  48. [4] Buchholz, C. et al.: Hybrid Prototype-in-the-Loop: Frühzeitige Absicherung von Montageprozessen in der Anlagenplanung. Zeitschrift für wirtschaftlichen Fabrikbetrieb 113 (2018) 4, S. 240–245 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  49. [5] Hönig, J.; Schnierle, M.; Scheifele, C. et al.: Mixed-Reality-in-the-Loop Simulation: Von Produktionssystemen zur Aus- und Weiterbildung. atp magazin 63 (2021) 6–7, doi.org/10.17560/atp.v63i6–7.2538 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  50. [6] Jänicke, L.; Förder, T.: OPC UA: Kommunikation und Security. atp magazin 62 (2020) 3, doi.org/10.17560/atp.v62i3.2457 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  51. [7] Ashtari Talkhestani, B.: Methodik zur Synchronisierung der Modelle des Digitalen Zwillings automatisierter Systeme. Dissertation, Universität Stuttgart, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  52. [8] Weidemann, D.; Draht, R..: Integration von CAEX, PLCopen XML und COLLADA. In: Draht, R. (Hrsg.): Datenaustausch in der Anlagenplanung mit AutomationML. Heidelberg: Springer-Verlag 2010, S. 1–43 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  53. [9] Hundt, L.; Lüder, A.; Draht, R.; Grimm, B.: Verhaltensbeschreibung mit PLCopen XML. In: Draht, R. (Hrsg.): Datenaustausch in der Anlagenplanung mit AutomationML. Heidelberg: Springer-Verlag 2010, S. 135–193 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  54. [10] Barnes, M.; Levy Finch, E. (eds): COLLADA-Digital Asset Schema Release 1.5.0. Stand: 2008. Internet: www.khronos.org/files/collada_spec_1_5.pdf. Zugriff am 18.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  55. [11] N. N.: Hybrides Interaktionskonzept für Schulungen mittels Mixed Reality in the Loop Simulation (MRiLS): Projektinformationen. Stand: 2022. Internet: www.mrils.de. Zugriff am 18.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  56. [12] Schnierle, M; Polak, C.; Röck, S.: Mensch-Roboter-Interaktion mit Mixed Reality auf Basis einer Digital-Twin-as-a-Service-Plattform. atp magazin 61 (2019) 5, doi.org/10.17560/atp.v61i5.2415 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  57. [13] IEC 61131–10:2019: Programmable controllers, Part 10: PLC open XML exchange format. Berlin: VDE Verlag 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-24
  58. [1] Vogel, C.; Fritzsche, M.; Elkmann, N.: Safe human-robot cooperation with high-payload robots in industrial applications, 2016, p. 529–530 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  59. [2] DIN EN ISO 13855:2010–10: Sicherheit von Maschinen – Anordnung von Schutzeinrichtungen im Hinblick auf Annäherungsgeschwindigkeiten von Körperteilen. International Organization for Standardization, 2010 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  60. [3] DIN ISO/TS 15066:2017–04: Roboter und Robotikgeräte – Kollaborierende Roboter. International Organization for Standardization, 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  61. [4] Marvel, J. A.; Bostelman, R.: A Cross-Domain Survey of Metrics for Modelling and Evaluating Collisions. International Journal of Advanced Robotic Systems, 11 (2014) 9, p. 142 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  62. [5] Ragaglia, M.; Zanchettin, A. M.; Rocco, P.: Trajectory generation algorithm for safe human-robot collaboration based on multiple depth sensor measurements. Mechatronics, 55 (2018), p. 267–281 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  63. [6] Balan, L.; Bone, G. M.: „eal-time 3D Collision Avoidance Method for Safe Human and Robot Coexistence, 2006, p. 276–282 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  64. [7] Mainprice, J.; Berenson, D.: Human-robot collaborative manipulation planning using early prediction of human motion, 2013, p. 299–306 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  65. [8] Pereira, A.; Althoff, M.: Overapproximative arm occupancy prediction for human-robot co-existence built from archetypal movements, 2016, p. 1394–1401 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  66. [9] Dietz, T.; Verl, A.: Simulation of the stopping behavior of industrial robots using a complementarity-based approach, 2011, p. 428–433 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  67. [10] Salmi, T.; Vaeaetaeinen, O.; Malm, T.; Montonen, J.: Safety Challenges of Transferable Robotic Systems, 2012, p. 1–6 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  68. [11] Lange, F.; Suppa, M.: Trajectory generation for immediate path-accurate jerk-limited stopping of industrial robots, 2015, p. 2021–2026 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  69. [12] Vicentini, F.; Pedrocchi, N.; Giussani, M.; Molinari Tosatti, L.: Dynamic safety in collaborative robot workspaces through a network of devices fulfilling functional safety requirements, 2014, p. 1–7 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  70. [13] Bobka, P.; Germann, T.; Heyn, J. K.; Gerbers, R.; Dietrich, F.; Dröder, K.: Simulation Platform to Investigate Safe Operation of Human-Robot Collaboration Systems. Procedia CIRP, 44 (2016), p. 187–192 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  71. [14] Marvel, J. A.: Performance Metrics of Speed and Separation Monitoring in Shared Workspaces. IEEE Transactions on Automation Science and Engineering, 10 (2013) 2, p. 405–414, 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  72. [15] Chen, M.; Zalzala, A. M. S.: A genetic approach to motion planning of redundant mobile manipulator systems considering safety and configuration. Journal of Robotic Systems, 14 (1997) 7, p. 529–544 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  73. [16] Trautman, P.; Krause, A.: Unfreezing the robot: Navigation in dense, interacting crowds, 2010, p. 797–803 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  74. [17] Lacevic, B.; Rocco, P.: Kinetostatic danger field – a novel safety assessment for human-robot interaction, 2010, p. 2169–2174 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  75. [18] Zhang, P.; Hornig, D.; Deemann, D.; Bauer, S.: Digitale Planung für schutzzaunlosen Robotereinsatz. wt Werkstattstechnik online, 108 (2018) 09, p. 568–573 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  76. [19] Visual Components, 2022. Internet: https://www.visualcomponents.com/de/. Zugriff am 20.5.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  77. [20] DIN EN ISO 13857:2020–04, Sicherheit von Maschinen – Sicherheitsabstände gegen das Erreichen von Gefährdungsbereichen mit den oberen und unteren Gliedmaßen. International Organization for Standardization, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  78. [21] RoboDK, 2022. Internet: https://robodk.com/simulation. Zugriff am 20.5.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  79. [22] Kuka Software „Kuka.Sim“,“ 2022. Internet: www.kuka.com/de-de/produkte-leistungen/robotersysteme/software/planung-projektierung-service-sicherheit/kuka_sim. Zugriff am 20 5 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  80. [23] Siemens PLM 2022. Internet: www.plm.automation.siemens.com/de/products/tecnomatix/manufacturing-simulation/robotics/process-simulate.shtml. Zugriff am 20.5.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  81. [24] DIN EN ISO 10218–1:2012–01: Industrieroboter – Sicherheitsanforderungen – Teil 1: Roboter. International Organization for Standardization, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  82. [25] Colgate, E.; Wannasuphoprasit, W.; Peshkin, M.: Cobots: robots for collaboration with human operators. In: Cobots: robots for collaboration with human operators, 1996 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-31
  83. [1] Land, N. et al.: A Framework for Realizing Industrial Human-Robot Collaboration through Virtual Simulation. Procedia CIRP, 2020, pp. 1194–1199 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  84. [2] Yu, T; Huang, J; Chang, Q.: Mastering the Working Sequence in Human-Robot Collaborative Assembly Based on Reinforcement Learning. IEEE Access, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  85. [3] DIN EN ISO 10218: Robotik – Sicherheitsanforderungen (ISO/DIS 10218:2021). Deutsche Fassung Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  86. [4] DIN ISO/TS 15066:2017–04: Roboter und Robotikgeräte – Kollaborierende Roboter (ISO/TS 15066:2016). Deutsche Fassung Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  87. [5] Liu, H; Wang, L.: Collision-Free Human-Robot Collaboration Based on Context Awareness. Robotics and Computer-Integrated Manufacturing. 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  88. [6] Scimmi, L. S. et al.: A Practical and Effective Layout for a Safe Human-Robot Collaborative Assembly Task. Applied Sciences, 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  89. [7] Pennekamp, J. et al.: Towards an infrastructure enabling the internet of production. IEEE International Conference on Industrial Cyber Physical Systems, 2019, pp. 31–37 Iovino, M.; Scukins, E.; Styrud, J. et al: A survey of behavior trees in robotics and AI. CoRR 2020, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  90. [8] Colledanchise, M.; Ögren, P.: Behavior trees in robotics and AI. Boca-] Wang, R. et al.: Too many cooks: Bayesian inference for coordinating multi-agent collaboration. Topics in Cognitive Science, 2021, pp. 414–432 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  91. [9] Çil, Z. et al.: Mathematical Model and Bee Algorithms for Mixed-Model Assembly Line Balancing Problem with Physical Human–Robot Collaboration. Applied Soft Computing, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  92. [10] Liau, L; Ryu, K.: Task Allocation in Human-Robot Collaboration (HRC) Based on Task Characteristics and Agent Capability for Mold Assembly. Procedia Manufacturing, 2020, pp. 179–186 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  93. [11] Herfs, W.; Storms, S.; Roggendorf, S. et al.: Aufgabenorientierte Zuordnung von Arbeitsinhalten zwischen Mensch und Roboter. Projektatlas Kompetenz Montage, 2019, pp. 92–97 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  94. [12] Wu, Y. et al.: Detectron2. https://github.com/facebookresearch/detectron2. 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  95. [13] Bradski G.: The OpenCV Library. Dr Dobb’s Journal of Software Tools. 2000 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-37
  96. [1] Klocke, F.: Fertigungsverfahren 5. Gießen, Pulvermetallurgie, Additive Manufacturing. Heidelberg: Springer-Verlag 2015. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  97. [2] van Bracht, R.; Pollok, P.; Piller, F T. et al.: Das Potenzial der additiven Fertigung: Digitale Technologien im Unternehmenskontext. Stand: 2019. Internet: www.vdi.de/fileadmin/pages/vdi_de/redakteure/ueber_uns/fachgesellschaften/GPL/dateien/Studie_Die_additive_Fertigung_ist_in_den_Unternehmen_angekommen_.pdf. Zugriff am 07.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  98. [3] Strategy&: Marktvolumen für gedruckte Produkte steigt bis 2030 auf 22,6 Milliarden Euro. Stand 2018. Internet: www.strategyand.pwc.com/de/de/presse/3d-druck. Zugriff am 07.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  99. [4] Bierdel, M.; Pfaff, A.; Kilchert, S. et al.: Ökologische und ökonomische Bewertung des Ressourcenaufwands. Additive Fertigungsverfahren in der industriellen Produktion. Stand 2019. Internet: www.ressource-deutschland.de/service/publikationen/detailseite/studie-additive-fertigungsverfahren/. Zugriff am 07.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  100. [5] Verein Deutscher Ingenieure: VDI 3405 Blatt 1: Additive Fertigungsverfahren. Grundlagen, Begriffe, Verfahrensbeschreibungen. Berlin: Beuth Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  101. [6] Griffiths, C. A.; Howarth, J.; Rowbotham, G. d.-A. et al.: Effect of Build Parameters on Processing Efficiency and Material Performance in Fused Deposition Modelling. Procedia CIRP 49 (2016), pp. 28–32 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  102. [7] Flynn, J. M.; Shokrani, A.; Newman, S. T. et al.: Hybrid additive and subtractive machine tools – Research and industrial developments. International Journal of Machine Tools and Manufacture 101 (2016), pp. 79–101 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  103. [8] Morar, D.: Additive Manufacturing (AM). Entwicklung eines Informationsversorgungskonzepts zur Unterstützung des AM-Produktentstehungsprozesses. Wiesbaden: Springer Fachmedien Verlag 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  104. [9] Lachmayer, R.; Lippert, R. B.; Kaierle, S.: Additive Serienfertigung. Erfolgsfaktoren und Handlungsfelder für die Anwendung. Heidelberg: Springer-Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  105. [10] Werkstatt + Betrieb: Highend-CNC-Plattform Sinumerik 840D sl. Stand: 2012. Internet: www.werkstatt-betrieb.de/a/produktmeldung/highend-cnc-plattform-sinumerik-840d-sl-239061. Zugriff am 06.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-41
  106. [1] Yschwab: Alles im Griff – Greifer für Roboter. Stand: 2022. Internet: automationspraxis.industrie.de/robotik/greifer-fuer-roboter-grundlagen-funktion-und-hersteller/. Zugriff am 15.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  107. [2] Chen, L., Wabnitz, P., Berger, I. M. et al.: Design und Konstruktion eines neuen Konzepts für Mehrteilgreifer. 5. IFToMM DA-CH Konferenz 2019, RWTH Aachen. Internet: https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00047199/IFToMM_DACH_2019_paper_04.pdf. Zugriff am 15.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  108. [3] Sdahl, M.; Kuhlenkoetter, B.: CAGD – Computer Aided Gripper Design for a Flexible Gripping System. International Journal of Advanced Robotic Systems 2 (2005) 2, p. 15 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  109. [4] Cramer, J.; Demeester, E.; Kellens, K.: Development of an assistive webtool for robotic gripper selection. Procedia CIRP 106 (2022), pp. 250–257 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  110. [5] Saravanan, R.; Ramabalan, S.; Ebenezer, N. G. R. et al.: Evolutionary multi criteria design optimization of robot grippers. Applied Soft Computing 9 (2009) 1, pp. 159–172 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  111. [6] Fritzsche, R.; Richter, A.; Putz, M.: Product Flexible Car Body Fixtures with Position-dependent Load Balancing Based on Finite Element Method in Combination with Methods of Artificial Intelligence. Procedia CIRP 67 (2018), pp. 452–457 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  112. [7] Oberfichtner, L.; Ahrens, A.; Fritzsche, R. et al.: Solving a multi-dimensional matching problem for grouping clamping points on car body parts. Procedia CIRP 106 (2022), pp. 126–131 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  113. [8] Korte, B.; Vygen, J.: Combinatorial Optimization. Theory and Algorithms. Heidelberg: Springer-Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  114. [9] Fritzsche, R.; Voigt, E.; Schaffrath, R. et al.: Automated design of product-flexible car body fixtures with software-supported part alignment using particle swarm optimization. Procedia CIRP 88 (2020), pp. 157–162 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  115. [10] AGENT-3D e.V.: Technologievorhaben AutoHeat. Stand: 2022. Internet: agent3d.de/autoheat. Zugriff am 15.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  116. [11] Zmartpart: Greifarme der Zukunft – Automation, Handling, Robotik, Greifer. Stand: 2014. Internet: www.zmartpart.de/greifarme-zukunft-automation-handling-robotik-greifer/. Zugriff am 15.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-46
  117. [1] Kallas M. K.: Multi-Directional Unibody Casting Machine For A Vehicle Frame And Associated Methods, US 2019/0217380 A1, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  118. [2] Friedrich, H. E.: Leichtbau in der Fahrzeugtechnik, Springer Fachmedien Wiesbaden, Wiesbaden, 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  119. [3] Birkert et al.: Umformtechnische Herstellung komplexer Karosserieteile, Springer Berlin Heidelberg, Berlin, Heidelberg, 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  120. [4] Stucki, J.; Patinson, G.; Hamill, Q.; Prabhu, A.; Palanivel, S.; Lopez-Garrity, O.: Die cast aluminium alloys for structural components, PCT/US2021/014177, 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  121. [5] Tesla, Video: Battery Day, 2020. Internet: https://tesla-cdn.thron.com/static/JIXJRM_2020-Battery-Day-2000_WBRTSS.mp4?xseo=. Zugriff am 04.07.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  122. [6] Rai, A.; Sawant, S.; Winberg, P.; Burgess, M.; Spencer, T.; Kornmayer, P.; Pattinson, G.; Edwards, P.; Rinaldi, C.; Reikher, A.; Kuehmann, C.; Moll, D.: Integrated energy absorbing castings, WO 2022/031991 A1, 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  123. [7] Verein Deutscher Ingenieure: Gießen von Fahrwerks- und Karosseriekomponenten, VDI 2318, VDI Verlag, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  124. [8] Electrek: Tesla produces first Model Y megacast in gigafactory in Texas. Stand:2022. Internet: https://electrek.co/2021/05/17/tesla-produces-first-model-y-megacast-gigafactory-texas/. Zugriff am 04.07.22 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  125. [9] Insideevs: VW´s project Trinity To Use Giga-Casting & Automation to compete with Tesla. Stand 2022. Internet: https://insideevs.com/news/577128/volkwagen-compete-tesla-gigapress-robots/. Zugriff am 04.07.22 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  126. [10] Volvo Car Switzerland AG: Mega casting. Stand:2022. Internet: https://www.media.volvocars.com/ch/de-ch/media/photos/294346/mega-casting-1. Zugriff am 04.07.22 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  127. [11] Rakoto, B.; Ling, L.: Mega-Casting Trends for Automotive Manufactures, Mai 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  128. [12] YZweekly: Nios erstes Modell der ET5 mit “integrierter Druckgusstechnologie” wird in Serie produziert und ausgeliefert. Stand 2022. Internet: http://www.yzweekly.com/xyzd/zhengche/7604.htm. Zugriff am 02.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  129. [13] Phate Zhang/CnEVPost: HiPhi becomes latest Chinese EV startup to use large die-casting technology. Stand 01.03.2022. Internet: https://cnevpost.com/2022/03/01/hiphi-becomes-latest-chinese-ev-startup-to-use-large-die-casting-technology/. Zugriff am 06.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  130. [14] Stellantis: Lambda (historisch). Stand 2022. Internet: https://www.media.stellantis.com/de-de/lancia/gallery/1376. Zugriff am 02.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  131. [15] Land Rover, Land Rover Leichtbau Strategie, 2014. Stand 2022. Internet: https://media.landrover.com/dede/news/2014/05/land-rover-leichtbau-strategie. Zugriff am 21.02.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  132. [16] Idra: NEO 5500 – NEO 6100 – NEO 8000 – NEO 9000. Stand 2022. Internet: https://www.idragroup.com/de/gigapress. Zugriff am 04.07.2022. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  133. [17] Bühler Group: Umfassendes Know-how rund um die Produktion von Megacasting. Stand 2022 Internet: https://www.buhlergroup.com/content/buhlergroup/global/de/industries/die-casting/megacasting.html. Zugriff am 04.07.2022. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  134. [18] Spotlightmetal: LK Group introduces the World`s First 6000T & 9000T Giant Die Casting Machine. Stand: 2022. Internet: https://www.spotlightmetal.com/lk-group-introduces-the-worlds-first-6000t-9000t-giant-die-casting-machine-a-1036839/. Zugriff am 04.07.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  135. [19] Alu-Web: Handtmann investiert in Megacasting-Lösung von Bühler. Stand 2022.Internet: https://alu-web.de/handtmann-investiert-in-megacasting-loesung-von-buehler/. Zugriff am 04.07.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  136. [20] Idra: The great success of Giga Press. Stand: 2022. Internet: https://www.idragroup.com/en. Zugriff am 04.07.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  137. [21] Fuchs: Mega-Casting: Druckgussverfahren revolutioniert Automobilbau. Stand: 2022. Internet: https://www.fuchs.com/de/de/produkte/schmierstoffe-und-services/schmierstoffe-fuer-spezialanwendungen/umformschmierstoffe/mega-casting/. Zugriff am 04.07.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  138. [22] Home of Foundry: Think Big…Giga-Castings. Stand: 2022. Internet: https://www.home-of-foundry.de/news/think-biggiga-castings-1002. Zugriff am 04.07.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  139. [23] Briskham, P.: Joining of aluminium alloys with low ductility. 2022. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  140. [24] Paul, H.; Wollny, V.: Instrumente des strategischen Managements, De Gruyter Oldenbourg 2014. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  141. [25] Pischinger, S.; Seiffert, U.: Vieweg Handbuch Kraftfahrzeugtechnik, Springer Fachmedien Wiesbaden, Wiesbaden, 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  142. [26] Fuchslocher, G.: Gigacasting ist geeignet, den Karosseriebau neu zu denken, Automobil Produktion, 2022. Internet: https://www.automobil-produktion.de/interviews-734/gigacastingistgeeignet-den-karosseriebau-neu-zu-denken-501.html. Zugriff am 27.02.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-52
  143. [1] Thielmann, A.; Sauer, A.; Wietschel, M.: Gesamt-Roadmap Lithium-Ionen-Batterien 2030. Karlsruhe: Fraunhofer ISI 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  144. [2] Verein Deutscher Ingenieure: VDI Richtlinie 2860: Montage- und Handhabungstechnik; Handhabungsfunktionen, Handhabungseinrichtungen. Berlin: Beuth-Verlag 1990 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  145. [3] Baumeister, M.; Fleischer J.: Integrated cut and place module for high productive manufacturing of lithium-ion cells. CIRP Annals – Manufacturing Technology 63 (2014) 1, pp. 5–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  146. [4] Baumeister, M.: Automatisierte Fertigung von Einzelblattstapeln in der Lithium-Ionen-Zellproduktion, Aachen: Shaker Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  147. [5] Aydemir, M.; Mooy, R.; Glodde, A. et al.: Fügen von Elektrodenfolien in der Batteriezellherstellung. ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 112 (2017) 10, S. 684–689 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  148. [6] Pfeiffer, R.: Untersuchung der prozessbestimmenden Größen für die anforderungsgerechte Gestaltung von Pouchzellen-Verpackungen. Düren: Shaker Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  149. [7] Birke, K.; Demolli, S.: Chapter 2: Lithium-ion Cells: Discussion of Different Cell Housings. In: Birke, K. P. (ed.): Modern Battery Engineering – A Comprehensive Introduction. Singapore: World Scientific Publishing Company 2019, pp. 31–41 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-58
  150. [1] Jeffri, N. F. S.; Awang Rambli, D. R.: A review of augmented reality systems and their effects on mental workload and task performance. Heliyon 7 (2021) 3 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  151. [2] Havard, V.; Baudry, D.; Jeanne, B. et al.: A use case study comparing augmented reality (AR) and electronic document-based maintenance instructions considering tasks complexity and operator competency level. Virtual Reality 25 (2021) 4, S. 999–1014 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  152. [3] Lampen, E.; Teuber, J.; Gaisbauer, F. et al.: Combining Simulation and Augmented Reality Methods for Enhanced Worker Assistance in Manual Assembly. Procedia CIRP 81 (2019), S. 588–593 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  153. [4] Deshpande, A.; Kim, I.: The effects of augmented reality on improving spatial problem solving for object assembly. Advanced Engineering Informatics 38 (2018), S. 760–775 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  154. [5] Bosch, T.; Könemann, R.; Cock, H. de et al.: The effects of projected versus display instructions on productivity, quality and workload in a simulated assembly task. PETRA ‚17: 10th International Conference on PErvasive Technologies Related to Assistive Environments, Island of Rhodes/Greece, 2017, S. 412–415 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  155. [6] Cortes, G.; Marchand, E.; Brincin, G. et al.: MoSART: Mobile Spatial Augmented Reality for 3D Interaction With Tangible Objects. Frontiers in robotics and AI 5 (2018), p. 93 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  156. [7] Loch, F.; Quint, F.; Brishtel, I.: Comparing Video and Augmented Reality Assistance in Manual Assembly. 2016 12th International Conference on Intelligent Environments (IE), London, United Kingdom, 2016, S. 147–150 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  157. [8] Alves, J. B.; Marques, B.; Dias, P. et al.: Using augmented reality for industrial quality assurance: a shop floor user study. The International Journal of Advanced Manufacturing Technology 115 (2021) 1–2, S. 105–116 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  158. [9] Bertram, P.; Birtel, M.; Quint, F. et al.: Intelligent Manual Working Station through Assistive Systems. IFAC-PapersOnLine 51 (2018) 11, S. 170–175 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  159. [10] Evans, G.; Miller, J.; Iglesias Pena, M. et al.: Evaluating the Microsoft HoloLens through an augmented reality assembly application. SPIE Defense + Security, Anaheim, California, United States, 2017, 101970V Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  160. [11] Funk, M.; Kosch, T.; Kettner, R. et al.: motioneap: An overview of 4 years of combining industrial assembly with augmented reality for industry 4.0. 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-63
  161. [1] Krüger, J.; Lambrecht, J.: Industrie 4.0 „Chancen der vierten industriellen Revolution“. In: Krüger, J.; Parthey, J.; Wink, R. (Hrsg.): Wissenschaft und Innovation: Wissenschaftsforschung Jahrbuch 2014. Berlin: Wissenschaftlicher Verlag 2015, S. 9–29 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  162. [2] Marschall, J. et al.: Gesundheitsreport 2021. Coronakrise und Digitalisierung. In: Storm, A. (Hrsg.): Beiträge zur Gesundheitsökonomie und Versorgungsforschung Band 37. Heidelberg: medhochzwei Verlag 2021, S. 15–16 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  163. [3] Liebers, F.; Brendler, C.; Latza, U.: Alters- und berufsgruppenabhängige Unterschiede in der Arbeitsunfähigkeit durch häufige Muskel-Skelett-Erkrankungen. Bundesgesundheitsblatt – Gesundheitsforschung – Gesundheitsschutz 56 (2013), S. 367–380. Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  164. [4] Vignais, N. et al.: Innovative system for real-time ergonomic feedback in industrial manufacturing. Applied Ergonomics 44 (2013) 4, pp. 566–574 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  165. [5] Nguyen, T. D.; Bloch, C.; Krüger, J: The Working Posture Controller: Automated Adaptation of the Work Piece Pose to Enable a Natural Working Posture. Procedia CIRP 44 (2016), pp. 14–19 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  166. [6] Wilhelm, M. et al.: ErgoTakt: A novel approach of human-centered balancing of manual assembly lines. Procedia CIRP 97 (2021), pp. 354–360 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  167. [7] Kee, D.: Systematic Comparison of OWAS, RULA, and REBA Based on a Literature Review. International Journal of Environmental Research and Public Health 19 (2022) 1, #595, doi.org/10.3390/ijerph19010595 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  168. [8] McAtamney, L.; Corlett, E. N.: RULA: a survey method for the investigation of work-related upper limb disorders. Applied Ergonomics 24 (1993) 2, pp. 91–99 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  169. [9] Bazarevsky, V. et al.: BlazePose: On-device Real-time Body Pose tracking. arXiv:2006.10204v1 (2020), doi.org/10.48550/arXiv.2006.10204 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  170. [10] Cao, Z. et al: OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence 43 (2021) 1, pp. 172–186 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  171. [11] Liu, Z.: 3D Skeletal Tracking on Azure Kinect. Azure Kinect Body Tracking SDK. CVPR2019 Workshop on 3D Computer Vision in Medical Environments, CVPR 2019, Long Beach/USA. Stand: 2019. Internet: docslib.org/doc/5255523/azure-kinect-body-tracking-sdk-zicheng-liu-principal-research-manager-microsoft-azure-kinect-dk. Zugriff am 05.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  172. [12] Manghisi, V. M. et al.: Automatic ergonomic postural risk monitoring on the factory shopfloor - The Ergosentinel Tool. Procedia Manufacturing 42 (2020), pp. 97–103 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  173. [13] Fernández, M. M. et al.: Ergonomic risk assessment based on computer vision and machine learning. Computers & Industrial Engineering 149 (2020) # 106816 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  174. [14] Kim, W. et al.: Ergonomic postural assessment using a new open-source human pose estimation technology (OpenPose). International Journal of Industrial Ergonomics 84 (2021) # 103164 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  175. [15] Wollendorfer, M: Automatisierte Evaluierung der Ergonomie am Arbeitsplatz durch den Einsatz von Deep Learning. Diplomarbeit, Technische Universität Wien, 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  176. [16] Eversberg, L.; Grosenick, P. Meusel M. et al.: An Industrial Assistance System with Manual Assembly Step Recognition in Virtual Reality. 2021 International Conference on Applied Artificial Intelligence (ICAPAI), 2021, pp. 1–6, doi: 10.1109/ICAPAI49758.2021.9462061 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-68
  177. [1] Pfleging, B.; Rang, M.; Broy, N.: Investigating user needs for non-driving-related activities during automated driving. In: Häkkila, J.; Ojala, T. (Hrsg.): MUM ‚16: Proceedings of the 15th International Conference on Mobile and Ubiquitous Multimedia. New York/USA: ACM Press 2016, pp. 91–99 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  178. [2] Shaer, O.; Boyle, L.N.; Sadun, R. et al.: Towards work in automated vehicles. Proceedings of CHI 2019 Workshop on Looking into the Future: Weaving the Threads of Vehicle Automation, 2019, pp. 10–16 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  179. [3] Mercedes-Benz: The Mercedes-Benz F015 Luxury in Motion. Internet: https://www.mercedes-benz.com/en/innovation/autonomous/research-vehicle-f-015-luxury-in-motion Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  180. [4] Mathis, L.-A.; Widlroither, H.; Traub, N.: Towards Future Interior Concepts: User Perception and Requirements for the Use Case Working in the Autonomous Car. In: Stanton, N. (Ed.): Advances in Human Aspects of Transportation. AHFE 2021. Lecture Notes in Networks and Systems 270 (2021), pp. 315–322, doi.org/10.1007/978–3–030–80012–3_37 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  181. [5] Schneider, T.; Ghellal , S. Love, S. et al.: Increasing the User Experience in Autonomous Driving through different Feedback Modalities. IUI `21: Proceedings of the 26th International Conference on Intelligent User Interfaces 2021, pp. 7-10, doi.org/10.1145/3397481.3450687 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  182. [6] Schneider, T., Hois, J.; Rosenstein, A. et al.: Explain Yourself! Transparency for Positive UX in Autonomous Driving. CHI ‚21: Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems 2021, Article #161, pp. 1-12, doi.org/10.1145/3411764.3446647 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  183. [7] Schneider, T., Hois, J.; Rosenstein, A. et al.: Velocity Styles for Autonomous Vehicles affecting Control, Safety, and User Experience. SUI ’21: Symposium on Spatial User Interaction 2021, Article #29, pp. 1-2, doi.org/10.1145/3485279.3485308 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-73
  184. [1] Bogue, R.: Exoskeletons – a review of industrial applications. Industrial Robot: An International Journal 45 (2018) 5, pp. 585–590 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  185. [2] Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (Hrsg.): MEGAPHYS – Mehrstufige Gefährdungsanalyse physischer Belastungen am Arbeitsplatz. Band 1. Stand: 2019. Internet: www.baua.de/DE/Angebote/Publikationen/Berichte/F2333.pdf?__blob=publicationFile&v=1. Zugriff am 12.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  186. [3] Brenscheidt, S.; Siefer, A.; Hinnenkamp, H. et al.: Arbeitswelt im Wandel: Zahlen – Daten – Fakten. Stand: 2019. Internet: www.baua.de/DE/Angebote/Publikationen/Praxis/A100.pdf?__blob=publicationFile&v=3. Zugriff am 12.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  187. [4] EU-OSHA (eds.): Work-related musculoskeletal disorders: prevalence, costs and demographics in the EU. Stand: 2019. Internet: osha.europa.eu/sites/default/files/Work-related_MSDs_prevalence_costs_and_demographics_in_the_EU_report.pdf. Zugriff am 12.09.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  188. [5] Parent-Thirion, A.; Biletta, I.; Cabrita, J. et al.: 6th European Working Conditions Survey. Overview report. Luxembourg: Publications Office of the European Union 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  189. [6] Schalk, M.; Siegert, J.; Schneider, U. et al.: Effektivität industrieller Exoskelette. wt Werkstattstechnik online 111 (2021) 5, S. 319–323. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  190. [7] Bär, M.; Steinhilber, B.; Rieger, M. A. et al.: The influence of using exoskeletons during occupational tasks on acute physical stress and strain compared to no exoskeleton – A systematic review and meta-analysis. Applied ergonomics 94 (2021), p. 103385 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  191. [8] Glitsch, U.; Bäuerle, I.; Hertrich, L. et al.: Biomechanische Beurteilung der Wirksamkeit von rumpfunterstützenden Exoskeletten für den industriellen Einsatz. Zeitschrift für Arbeitswissenschaft 74 (2020) 4, S. 294–305 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  192. [9] Schmalz, T.; Colienne, A.; Bywater, E. et al.: A Passive Back-Support Exoskeleton for Manual Materials Handling: Reduction of Low Back Loading and Metabolic Effort during Repetitive Lifting. IISE Transactions on Occupational Ergonomics and Human Factors 10 (2022) 1, pp. 7–20 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  193. [10] Baltrusch, S. J.; van Dieën, J. H.; Koopman, A. S. et al.: SPEXOR passive spinal exoskeleton decreases metabolic cost during symmetric repetitive lifting. European Journal of Applied Physiology 120 (2020) 2, pp. 401–412 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  194. [11] Del Ferraro, S.; Falcone, T.; Ranavolo, A. et al.: The Effects of Upper-Body Exoskeletons on Human Metabolic Cost and Thermal Response during Work Tasks-A Systematic Review. International journal of environmental research and public health 17 (2020) 20, # 7374, doi.org/10.3390/ijerph17207374 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  195. [12] Elprama, S. A.; Vanderborght, B.; an Jacobs: An industrial exoskeleton user acceptance framework based on a literature review of empirical studies. Applied ergonomics 100 (2022), p. 103615 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  196. [13] Hoffmann, N.; Argubi-Wollesen, A.; Linnenberg, C. et al.: Towards a Framework for Evaluating Exoskeletons. In: Wulfsberg, J. P.; Hintze, W.; Behrens, B.-A. (eds.): Production at the leading edge of technology. Proceedings of the 9th Congress of the German Academic Association for Production Technology (WGP), 2019. Heidelberg: Springer-Verlag 2019, pp. 441–450 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  197. [14] Kopp, V.; Holl, M.; Schalk, M. et al.: EXOWORKATHLON: A prospective Study Approach for the Evaluation of industrial Exoskeletons. Manuscript submitted for publication (2022) Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  198. [15] van der Molen, H. F.; Foresti, C.; Daams, J. G. et al.: Work-related risk factors for specific shoulder disorders: a systematic review and meta-analysis. Occupational and environmental medicine 74 (2017) 10, pp. 745–755 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  199. [16] Herberts, P.; Kadefors, R.: A study of painful shoulder in welders. Acta orthopaedica Scandinavica 47 (1976) 4, pp. 381–387 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  200. [17] Hensel, R.; Keil, M.: Subjektive Evaluation industrieller Exoskelette im Rahmen von Feldstudien an ausgewählten Arbeitsplätzen. Zeitschrift für Arbeitswissenschaft 72 (2018) 4, S. 252–263 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  201. [18] DIN EN ISO 9606–1:2017–12: Prüfung von Schweißern – Schmelzschweißen – Teil 1: Stähle (ISO 9606–1:2012, einschließlich Cor 1:2012 und Cor 2:2013). Deutsche Fassung, Ausgabe Dezember 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  202. [19] Dilthey, U.: Schweißtechnische Fertigungsverfahren 1: Schweiß-und Schneidtechnologien. Heidelberg: Springer-Verlag 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  203. [20] Kopplin, O.: Neue Ausbildungswege: Schweißsimulator „Soldamatic“ im Einsatz bei Gothaer Fahrzeugtechnik. Der Praktiker (2018) 9, S. 479–480 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  204. [21] Borg, G.: Anstrengungsempfinden und körperliche Aktivität. Deutsches Ärzteblatt 101 (2004) 15, A 1016–1021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  205. [22] Borg, G.: Borg‘s perceived exertion and pain scales. Champaign/ Ill.: Human Kinetics 1998 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  206. [23] Alemi, M. M.; Madinei, S.; Kim, S. et al.: Effects of Two Passive Back-Support Exoskeletons on Muscle Activity, Energy Expenditure, and Subjective Assessments During Repetitive Lifting. Human factors 62 (2020) 3, pp. 458–474 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  207. [24] Huysamen, K.; Bosch, T.; Looze, M. de et al.: Evaluation of a passive exoskeleton for static upper limb activities. Applied ergonomics 70 (2018), pp. 148–155 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-79
  208. [1] Airbus S.A.S.: Global Market Forecast 2022–2040. Internet: www.airbus.com/en/products-services/commercial-aircraft/market/global-market-forecast. Zugriff am 02.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  209. [2] Papp, S.; Weidinger, W.; Meir-Huber, M. e. a.: Handbuch Data Science: Mit Datenanalyse und Machine Learning Wert aus Daten generieren. München: Carl Hanser Verlag 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  210. [3] Bramer, M.: Principles of Data Mining. London: Springer-Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  211. [4] Brunton, S. L.; Kutz, N. J.: Data-Driven Science and Engineering. Cambridge: Cambridge University Press 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  212. [5] Susto, G. A.; Schirru, A.; Pampuri, S. et al.: Machine Learning for Predictive Maintenance: A Multiple Classifier Approach. IEEE Transactions on Industrial Informatics 11 (2015) 3, pp. 812–820 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  213. [6] Li, H.-J.; Yang, S.-H.: Using Range Profiles as Feature Vectors to Identify Aerospace Objects. IEEE Transactions on Antennas and Propagation 41 (1993) 3, pp. 261–268 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  214. [7] Urbah, A.; Banov, M.; Doroshko, S. et al.: Non-destructive inspection of aircraft landing gear during residual strength testing. Proceedings of the International Conference “Non-destructive Testing and Diagnostics”. ISSN 1392–2114 ULTRAGARSAS (ULTRASOUND) 64 (2009) 1, pp. 43–45 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  215. [8] Fahrmeier, L.; Heumann, C.; Künstler, R. e. a.: Statistik: Der Weg zur Datenanalyse. Heidelberg: Springer-Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  216. [9] Seiffert, C.; Khoshgoftaar, T. M.; van Hulse, J. e. a.: RUSBoost: Improving classification performance when training data is skewed. 19th International Conference on Pattern Recognition, 2008, pp. 1–4, doi: 10.1109/ICPR.2008.4761297 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  217. [10] Freund, Y.; Schapire, R. E.: A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences 55 (1997) 1, pp. 119–139 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  218. [11] Michalski, R. S.; Stepp, R. E.; Diday, E.: A Recent Advance in Data Analysis: Clustering Objects into Classes Characterized by Conjunctive. In: Kanal, L. N.; Rosenfeld, A. (Hrsg.): Progress in Pattern Recognition. Amsterdam: North-Holland 1981, pp. 33–56 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-85
  219. [1] Remane, G.; Hanelt, A.; Tesch, J. F. et al.: The business model pattern database – A tool for systematic business model innovation. International Journal of Innovation Management 21 (2017) 1, # 1750004 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  220. [2] Steegmüller, D; Zürn, M.: Wandlungsfähige Produktionssysteme für den Automobilbau der Zukunft. In: Bauernhansl, T.; ten Hompel, M.; Vogel-Heuser, B. (Hrsg.): Industrie 4.0 in Produktion, Automatisierung und Logistik. Wiesbaden: Springer Fachmedien 2014, S. 103–119 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  221. [3] May, M. C.; Schmidt, S.; Kuhnle, A. et al.: Product Generation Module: Automated Production Planning for optimized workload and increased efficiency in Matrix Production Systems. Procedia CIRP 96 (2021), pp. 45–50. DOI: 10.1016/j.procir.2021.01.050 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  222. [4] Siegert, J.; Schlegel, T.; Bauernhansl, T.: Matrix Fusion Factory. Procedia Manufacturing 23 (2018), pp. 177–182. DOI: 10.1016/j.promfg.2018.04.013 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  223. [5] Koren, Y.; Heisel, U.; Jovane, F. et al.: Reconfigurable Manufacturing Systems. In: Dashchenko, A. I. (ed.): Manufacturing Technologies for Machines of the Future. Heidelberg: Springer-Verlag 2003, S. 627–665 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  224. [6] Brownlow, J.; Zaki, M.; Neely, A. et al.: Data and Analytics – Data-Driven Business Models: A Blueprint for Innovation. Stand: 2015. Internet: www.researchgate.net/publication/276272305_Data-Driven_Business_Models_A_Blueprint_for_Innovation. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  225. [7] Trauth, D.; Bergs, T.; Prinz, W.: Monetarisierung von technischen Daten. Innovationen aus Industrie und Forschung. Heidelberg: Springer Vieweg Verlag 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  226. [8] Förster, M.; Bansemir, B.; Roth, A.: Innovation von datengetriebenen Geschäftsmodellen. HMD Praxis der Wirtschaftsinformatik 58 (2021) 3, S. 595–610, doi.org/10.1365/s40702–021–00730–2 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  227. [9] Hartmann, P. M.; Zaki, M.; Feldmann, N. et al.: Big Data for Big Business? A Taxonomy of Data-driven Business Models used by Start-up Firms. Stand: 2014. Internet: www.nsuchaud.fr/wp-content/uploads/2014/08/Big-Data-for-Big-Business-A-Taxonomy-of-Data-driven-Business-Models-used-by-Start-up-Firm.pdf. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  228. [10] Hoffmann, D.: Big Data: Wie die Industrie mit Daten Geld verdienen kann. Produktion, 18.01.2021. Internet: https://www.produktion.de/technik/big-data-wie-die-industrie-mit-daten-geld-verdienen-kann-299.html. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  229. [11] Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg: Datenmonetarisierung. Wie der Mittelstand Daten gewinnbringend für sich nutzt. 8. Dezember 2020. Internet: www.wirtschaft-digital-bw.de/aktuelles/thema-des-monats/datenmonetarisierung. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  230. [12] Müller, J.; Lassnig, M.; Klieber, K.: Digitale Geschäftsmodelle und Smart Services Stand: 2020. Internet: www.dtz-salzburg.at/digitale-gescha%CC%88ftsmodelle-smart-services/. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  231. [13] Yousfi, S.; Chiadmi, D.; Rhanoui, M.: Smart big data framework for insight discovery. Journal of King Saud University – Computer and Information Sciences (2022). In Press, Corrected Proof, doi.org/10.1016/j.jksuci.2021.12.009 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  232. [14] Bratschi, N.: Visualisierung von Daten Stand: 2016. Internet: www.digitale-nachhaltigkeit.unibe.ch/unibe/portal/fak_wiso/a_bwl/inst_wi/abt_digital/content/e90958/e490158/e490165/files500819/Vertiefungsartikel_NathalieBratschi_ger.pdf. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  233. [15] Deutsche Energie-Agentur GmbH (Hrsg.): Digitale Marktkommunikation für das Energiesystem der Zukunft. Stand: 2021. Internet: www.dena.de/fileadmin/dena/Publikationen/PDFs/2021/dena_BR_Future_Energy_Lab_Gutachten_Digitale_Marktkommunikation_WEB.pdf. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  234. [16] Hecker, D.; Koch, D. J.; Heydecke, J. et al.: Big-Data-Geschäftsmodelle — die drei Seiten der Medaille. Wirtschaftsinformatik & Management 8 (2016) 6, pp. 20–30 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  235. [17] Wixom, B. H.; Ross, J. W.: How to Monetize Your Data. Stand: 2017. Internet: sloanreview.mit.edu/article/how-to-monetize-your-data/. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  236. [18] Hagedorn, M.; Hartmann, S.; Heilert, D. et al.: Automobile Wertschöpfung 2030/2050. Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie. Stand: 2019. Internet: www.bmwi.de/Redaktion/DE/Publikationen/Studien/automobile-wertschoepfung-2030–2050.pdf?__blob=publicationFile&v=16. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  237. [19] Schreier, J.: KI und smarte Datennutzung machen Fahrzeugproduktion effizienter. Stand: 2020. Internet: www.industry-of-things.de/ki-und-smarte-datennutzung-machen-fahrzeugproduktion-effizienter-a-909539/. Zugriff am 19.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  238. [20] Schmidt, S.; Martin, A.J.; Bauernhansl, T.: Datenkategorisierung für datenbasierte Geschäftsmodelle. wt werkstattstechnik online 112 (2022) 7/8, S. 501–505. Düsseldorf: VDI-Fachmedien. Internet: www.werkstattstechnik.de Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  239. [21] Lassnig, M.; Stabauer, P.; Breitfuß, G et al.: Geschäftsmodellinnovationen im Zeitalter von Digitalisierung und Industrie 4.0. HMD Praxis der Wirtschaftsinformatik 55 (2018) 2, S. 284–296 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  240. [22] Omar, Y. M.; Minoufekr, M.; Plapper, P.: Business analytics in manufacturing: Current trends, challenges and pathway to market leadership. Operations Research Perspectives 6 (2019), p. 100127. DOI: 10.1016/j.orp.2019.100127 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  241. [23] Vijayaraghavan, A.; Dornfeld, D.: Automated energy monitoring of machine tools. CIRP Annals, 59 (2010) 1, pp. 21–24 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  242. [24] Gutowski, T.; Murphy, C.; Allen, D. et al.: Environmentally benign manufacturing: Observations from Japan, Europe and the United States. Journal of Cleaner Production, 13(2005) 1, pp. 1–17 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-91
  243. [1] Lotter, B.; Wiendahl, H.-P.: Montage in der industriellen Produktion. Heidelberg: Springer-Verlag 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  244. [2] Zheng, Y.-F.; Hemami, H.: Mathematical modeling of a robot collision with its environment. Journal of Robotic Systems 2 (1985) 3, pp. 289–307 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  245. [3] Walker, I. D.: Impact configurations and measures for kinematically redundant and multiple armed robot systems. IEEE Transactions on Robotics and Automation 10 (1994) 5, pp. 670–683 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  246. [4] Ferretti, G.; Magnani, G.; Zavala Rio, A.: Impact modeling and control for industrial manipulators. IEEE Control Systems 18 (1998) 4, pp. 65–71 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  247. [5] Tornambe, A.: Modeling and control of impact in mechanical systems: theory and experimental results. IEEE Transactions on Automatic Control 44 (1999) 2, pp. 294–309 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  248. [6] Lee, S. H.; Kim, S. H.; Kwak, Y. K.: Modeling and analysis of internal impact for general classes of robotic mechanisms. Proceedings of 2000 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2000), Takamatsu, Japan, 2000, pp. 1955–1962 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  249. [7] Garabini, M.; Passaglia, A.; Belo, F. et al.: Optimality principles in variable stiffness control: The VSA hammer. 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2011), San Francisco, CA, 2011, pp. 3770–3775 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  250. [8] Imran, A.; Yi, B.-J.: A Closed-Form Analytical Modeling of Internal Impulses With Application to Dynamic Machining Task: Biologically Inspired Dual-Arm Robotic Approach. IEEE Robotics and Automation Letters 3 (2018) 1, pp. 442–449 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  251. [9] Romanyuk, V.; Soleymanpour, S.; Liu, G.: A Multiple Working Mode Approach to Hammering with a Modular Reconfigurable Robot. 2019 IEEE International Conference on Mechatronics and Automation (ICMA), Tianjin, China, 2019, pp. 774–779 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  252. [10] Kraus, W.: Force control of cable-driven parallel robots. Stuttgarter Beiträge zur Produktionsforschung, Band 49. Stuttgart: Fraunhofer Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  253. [11] Nemoto, T.; Walter, J.; Bachmann, C. et al.: Highly Dynamic 2-DOF Cable-Driven Robotic Wrist Based on a Novel Topology. IEEE Robotics and Automation Letters 7 (2022) 2, pp. 5727–5734 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  254. [12] Friesen, J. M.; Dean, J. L.; Bewley, T. et al.: A Tensegrity-Inspired Compliant 3-DOF Compliant Joint. 2018 IEEE International Conference on Robotics and Automation (ICRA), Brisbane, QLD, 2018, pp. 3301–3306 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-97
  255. [1] Bartenschlager, J.; Hebel, H.; Schmidt, G.: Handhabungstechnik mit Robotertechnik. Funktion, Arbeitsweise, Programmierung. Wiesbaden: Vieweg+Teubner Verlag 1998 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  256. [2] Pott, A.; Dietz, T.: Industrielle Robotersysteme. Entscheiderwissen für die Planung und Umsetzung wirtschaftlicher Roboterlösungen. Wiesbaden: Springer Vieweg 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  257. [3] Heinrich, B.; Linke, P.; Glöckler, M.: Grundlagen Automatisierung. Sensorik, Regelung, Steuerung. Wiesbaden: Springer Vieweg 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  258. [4] Fantoni, G.; Santochi, M.; Dini, G. et al.: Grasping devices and methods in automated production processes. CIRP Annals 63 (2014) 2, pp. 679–701 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  259. [5] Nagel, M.; Giese, F.; Becker, R.: Flexible Gripper Design Through Additive Manufacturing. In: Reinhardt, D.; Saunders, R.; Burry, J. (Hrsg.): Robotic Fabrication in Architecture, Art and Design 2016. Cham: Springer International Publishing 2016, pp. 455–459 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  260. [6] Friedmann, M.; Fleischer, J.: Automated Configuration of Modular Gripper Fingers. Procedia CIRP 106 (2022), pp. 70–75 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  261. [7] Hesse, S.: Greiftechnik. Effektoren für Roboter und Automaten. München: Carl Hanser Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  262. [8] Honarpardaz, M.: Finger Design Automation for Industrial Robots. A Generic and Agile Approach. Linköping: Linköping University Electronic Press 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  263. [9] Brown, R. G.; Brost, R. C.: A 3-D modular gripper design tool. IEEE Transactions on Robotics and Automation 15 (1999) 1, pp. 174–186 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  264. [10] Balan, L.; Bone, G. M.: Automated Gripper Jaw Design and Grasp Planning for Sets of 3D Objects. Journal of Robotic Systems 20 (2003) 3, pp. 147–162 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  265. [11] PHD Inc.: Modular Gripper Jaw Tooling. Click & Grip. Stand: 2020. Internet: litstore.phdinc.com/pdf.asp?filename=CLICK-GRIP.pdf. Zugriff am 08.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  266. [12] Carbone, G. (ed.): Grasping in robotics. London: Springer-Verlag 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  267. [13] Belter, J. T.; Segil, J. L.; Dollar, A. M. et al.: Mechanical design and performance specifications of anthropomorphic prosthetic hands: a review. Journal of rehabilitation research and development 50 (2013) 5, pp. 599–618 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  268. [14] Weiss Robotics GmbH & Co. KG: FiNGERKIT by Weiss Robotics. Internet: weiss-robotics.com/fingerkit/. Zugriff am am 08.08.2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  269. [15] Steward, D. V.: The design structure system: A method for managing the design of complex systems. IEEE Transactions on Engineering Management EM-28 (1981) 3, pp. 71–74 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  270. [16] Barg, S.: Kontextbezogene Auslegung von Produktbaukästen. Dissertation, RWTH Aachen, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  271. [17] Krause, D.; Gebhardt, N.: Methodische Entwicklung Modularer Produktfamilien. Hohe Produktvielfalt Beherrschbar Entwickeln. Heidelberg: Springer Vieweg 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101
  272. [18] Kipp, T.: Methodische Unterstützung der variantengerechten Produktgestaltung. Dissertation, Technisch Universiät Hamburg-Harburg, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2022-09-101

Neuesten Ausgaben

wt Werkstattstechnik online
Alle Ausgaben anzeigen
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 116 (2026), Heft 01-02
Ausgabe Vollzugriff
Forschung und Entwicklung in der Produktion
Jahrgang 116 (2026), Heft 01-02
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 115 (2025), Heft 11-12
Ausgabe Vollzugriff
Forschung und Entwicklung in der Produktion
Jahrgang 115 (2025), Heft 11-12
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 115 (2025), Heft 10
Ausgabe Vollzugriff
Forschung und Entwicklung in der Produktion
Jahrgang 115 (2025), Heft 10
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 115 (2025), Heft 09
Ausgabe Vollzugriff
Forschung und Entwicklung in der Produktion
Jahrgang 115 (2025), Heft 09
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 115 (2025), Heft 07-08
Ausgabe Vollzugriff
Forschung und Entwicklung in der Produktion
Jahrgang 115 (2025), Heft 07-08

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.

Feedback geben

Wir freuen uns über Ihr Feedback zu Inhalten und Funktionen. Ihre Nachricht hilft uns, unseren Service stetig zu verbessern.

Bewertung
Bild anhängen
oder hier ablegen
PNG oder JPG (max. 3 MB)

Anmelden

Passwort vergessen?
Login über Ihre Institution (SSO, Shibboleth, OpenAthens)
Noch kein Benutzerkonto?
Jetzt registrieren

Publikation zitieren

Download: RIS