Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
, um zu prüfen, ob Sie einen Vollzugriff auf diese Publikation haben.
Ausgabe Teilzugriff

Jahrgang 111 (2021), Heft 03

wt Werkstattstechnik online
Autor:innen:
Zeitschrift:
wt Werkstattstechnik online
Verlag:
 2021

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 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 1 - 1
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 97 - 97
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 98 - 101
Montageanleitungen sind unabdingbar, um ein Produkt erfolgreich zu verkaufen. Zugleich sind sie sehr zeitaufwendig in der Erstellung und oft nicht gut verständlich. „ARCaide“ ist eine neue Methode, die vorhandene CAD-Daten nutzt und daraus...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Open Access Vollzugriff

Seite 102 - 106
Kürzere Innovations- und Produktlebenszyklen bringen eine höhere Variantenvielfalt in die Produktion. Infolge dessen ändern sich die Anforderungen an die Gestaltung der manuellen Montage. Werker müssen in kürzester Zeit befähigt werden, ein...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Download Artikel (PDF)
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 107 - 111
Für eine Kompetenzentwicklung im Wertschöpfungsprozess müssen Schnittstellen für die Interaktion mit dem System lernförderlich gestaltet sein. In der Mensch-Roboter-Kollaboration, zum Beispiel in der Montage, kann eine lernförderliche...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 112 - 117
In der Produktion verunreinigungsempfindlicher Güter müssen Automatisierungslösungen hohe Anforderungen an das chemische Emissionsverhalten sowie die Bio- und Partikelkontamination erfüllen. Zur Ertüchtigung von Produktionsanlagen, welche nicht...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 118 - 123
Der Beitrag befasst sich mit Teilaspekten bei der Entwicklung von Methoden zur gezielten, bearbeitungsparallelen Oberflächenkonditionierung beim Tiefbohren. Konkret handelt es sich um messtechnische und simulationsbasierte Ansätze zur...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 124 - 129
Prognosen bilden oft die Grundlage für Entscheidungen in der Produktion. Heute werden solche Voraussagen meist erfahrungs- oder modellbasiert getroffen. Bei komplexen Systemen stößt das an die Grenzen der Zuverlässigkeit oder ist mit hohem...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 130 - 135
Modell- und simulationsbasierte Ansätze werden in verschiedenen Lebenszyklusphasen von Montageanlagen eingesetzt. Potenziale bestehen vor allem bei der Vereinfachung von Planung und Programmierung. Moderne Visualisierungsmethoden wie Augmented...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 136 - 141
Unternehmen des produzierenden Gewerbes sind mit einem zunehmend dynamischen Marktumfeld konfrontiert, weshalb fabrikplanerische Anpassungen immer schneller erfolgen müssen. Der größte Zeitanteil in Fabrikplanungsprojekten wird jedoch für die...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 142 - 146
Digitale Assistenzsysteme sowie betriebliche Anreizsysteme besitzen in ihrer Kombination das Potenzial, die Belastungssituation in der manuellen Montage zu senken und die Leistungsbereitschaft zu steigern. In diesem Beitrag wird eine auf...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 147 - 151
Das BMBF-Forschungsprojekt „Broker für dynamische Produktionsnetzwerke (DPNB)“ widmet sich dem Anwendungsszenario „auftragsgesteuerte Produktion“ im Kontext von Industrie 4.0. Für die Angebotsplanung ist ein zentraler Aspekt die Bildung...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 152 - 158
Obwohl Druckluftleckagen jährlich hohe Kosten verursachen, ist deren automatisierte und aufwandsarme Erkennung immer noch nicht möglich. In diesem Beitrag wird das Konzept einer automatisierten KI-basierten Leckage-Erkennung vorgestellt und auf...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 159 - 160
Daten sind die Währung der Zukunft. Aber wie gewinnt ein Unternehmen die zahllosen Daten aus seinem Maschinenpark, um die Produktion zu modernisieren? Eine Software hilft: Sie liest die gewünschten Daten aus und stellt sie beliebigen Anwendungen...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 161 - 166
Die Produktionskomplexität in Unternehmen – getrieben durch externe und interne Faktoren – nimmt stetig zu. Gleichzeitig stoßen herkömmliche Ansätze der Datenverarbeitung bei der Analyse von großen Datenmengen in kurzer Zeit an ihre...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 167 - 171
In zahlreichen mechatronischen Anwendungen kann der Einsatz von Stromspeichern die notwendige Anschlussleistung reduzieren und die Energieeffizienz durch die Nutzung von Bremsenergie erhöhen. Ein Stromspeichersystem in eine Fremdmaschine zu...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 172 - 178
Im Lebenszyklus von Produktionsanlagen des Karosseriebaus finden fortwährend Layoutänderungen statt, die nicht in die digitalen Daten zurückfließen. Spätestens bei der Wiederverwendung der Anlagen steht die Anlagenplanung vor großen...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 03
Artikel
Kein Zugriff

Seite 179 - 183
Der digitale Zwilling als Modell gewinnt sowohl für die Entwicklung neuer Maschinengenerationen als auch für Simulationen parallel zum Betrieb stark an Bedeutung. Zur Erstellung entsprechender Modelle sind moderne flexible...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:

Literaturverzeichnis (255)

  1. [1] Leu, M. C.; ElMaraghy, H. A.; Nee, A. Y. C. et al: CAD model based virtual assembly simulation, planning and training. CIRP Annals 62 (2013) 2, pp. 799–822 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-6
  2. [2] Neb, A.; Strieg, F.: Generation of AR-enhanced Assembly Instructions based on Assembly Features. Procedia CIRP 72 (2018), pp. 1118–1123 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-6
  3. [3] Patron, C.: Konzept für den Einsatz von Augmented Reality in der Montageplanung. München: Herbert Utz Verlag 2005. Zugleich Dissertation, Technische Universität München, 2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-6
  4. [4] Neb, A.; Brandt, D.; Rauhöft, G. et al.: A novel approach to generate augmented reality assembly assistance automatically from CAD models. Procedia CIRP (2021); to be published Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-6
  5. [5] Fraunhofer-Gesellschaft: Future Work Lab. Internet: futureworklab.de/. Zugriff 16.12.2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-6
  6. [1] Zäh, M.; Reinhart, G.: Assistenzsysteme in der Produktion. wt Werkstattstechnik online 104 (2014) 9, S. 516 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  7. [2] Bornewasser, M.; Bläsing, D.; Hinrichsen, S.: Informatorische Assistenzsysteme in der manuellen Montage: Ein nützliches Werkzeug zur Reduktion mentaler Beanspruchung? Zeitschrift für Arbeitswissenschaft 72 (2018) 4, S. 264–275 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  8. [3] Hinrichsen, S.; Bendzioch, S.; Nikolenko, A. et al.: Einsatzpotenziale von Montagesassistenzsystemen. HOB – Die Holzbearbeitung (2018) 11, S. 26–28 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  9. [4] Schreiber, W.; Zürl, K.; Zimmermann, P. (Hrsg.): Web-basierte Anwendungen Virtueller Techniken. Das ARVIDA-Projekt – Dienste-basierte Software-Architektur und Anwendungsszenarien für die Industrie. Berlin: Springer Vieweg 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  10. [5] Arnold, D.; Furmans, K.: Materialfluss in Logistiksystemen. Berlin: Springer Vieweg 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  11. [6] Klapper, J.; Gelec, E.; Pokorni, B. et al.: Potenziale Digitaler Assistenzsysteme. Aktueller und zukünftiger Einsatz digitaler Assistenzsysteme in produzierenden Unternehmen. Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  12. [7] Bannat, A.: Ein Assistenzsystem zur digitalen Werker-Unterstützung in der industriellen Produktion. Dissertation, Technische Universität München, 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  13. [8] Blumberg, V. S. L.; Kauffeld, S.: Anwendungsszenarien und Technologiebewertung von digitalen Werkerassistenzsystemen in der Produktion – Ergebnisse einer Interview-Studie mit Experten aus der Wissenschaft, der Politik und der betrieblichen Praxis. Gruppe. Interaktion. Organisation. Zeitschrift für Angewandte Organisationspsychologie (GIO) (2020) 51, S. 5–24 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  14. [9] Manyika, J.; Chui, M.; Bisson, P. et al.: The Internet of Things: Mapping the Value Beyond the Hype. McKinsey Global Institute (2015) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  15. [10] Lacueva Pérez, F. J.; Brandl, P.; Gracia Bandrés, M. A.: Technology Monitoring: Report on Information Needed For Workers in the Smart Factory (2016) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  16. [11] Apt, W.; Schubert, M.; Wischmann, S.: Digitale Assistenzsysteme. Perspektiven und Herausforderungen für den Einsatz in Industrie und Dienstleistungen (2018) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-10
  17. [1] Bodenmann, G.; Perrez, M.; Schär, M.: Klassische Lerntheorien. Grundlagen und Anwendungen in Erziehung und Psychotherapie. Göttingen: Hogrefe Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  18. [2] Rohn, W.: Simulation – Praxis am Modell erlenen. In: Graf, J. (Hrsg.): Planspiele. Simulierte Realitäten für den Chef von morgen; mit Planspiel-Marktübersicht. Speyer: Gabal Verlag 1992, S. 19–28 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  19. [3] Romberg-Forkert, V.: Qualifizierung in der Produktion kleiner und mittelständischer Spritzgießbetriebe. Dissertation, Technische Hochschule Aachen, 1999 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  20. [4] Seel, N. M.; Hanke, U.: Lernen und Behalten. Weinheim: Beltz Verlag 2010 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  21. [5] Edelmann, W.: Lernpsychologie. Weinheim: Beltz Verlag 2000 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  22. [6] Reinhart, G.; Zaeh, M. F.: Assistenzsysteme in der Produktion. Editorial. wt Werkstattstechnik online 104 (2014) 9, S. 516. Internet: www.werkstattstechnik.de. Düsseldorf: Springer-VDI-Verlag Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  23. [7] Bächler, A.; Bächler, L.; Autenrieth, S. et al.: Entwicklung von Assistenzsystemen für manuelle Industrieprozesse. In: Rathmayer, S.; Pongratz, H. (Hrsg.): Proceedings of DeLFI Workshops 2015. Co-located with 13th e-Learning Conference of the German Computer Society (DeLFI 2015). Proceedings der Pre-Conference Workshops der 13. E-Learning Fachtagung Informatik. München 2015, S. 56–63 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  24. [8] Groß, E.; Gadermann, L.; Rossmeissl, T. et al.: Konzeption eines formalisierten und wertschöpfungsintegrierten Lernsystems. Strukturierte Weiterbildung während der Wertschöpfung. wt Werkstattstechnik online 109 (2019) 7/8, S. 522–526. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  25. [9] Groß, E.; Finkbeiner, S.; Siegert, J. et al.: Sprachsteuerung für die Mensch-Roboter-Kollaboration in der Montage. Gestaltung von Regeln und Implementierung. wt Werkstattstechnik online 110 (2020) 1/2, S. 73–79. Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  26. [10] Owens, F. J.: Signal processing of speech. New York: McGraw-Hill 1993 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  27. [11] Bierbaum, A.: Haptische Exploration von unbekannten Objekten mit einer humanoiden Roboterhand. Karlsruhe: KIT Scientific Publications 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  28. [12] Neumann, A. V.: Objektivierung der haptischen Oberflächenwahrnehmung des Deskriptors Rauheit. Aachen: Apprimus Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  29. [13] Grunwald, M.; Beyer, L. (Hrsg.): Der bewegte Sinn. Grundlagen und Anwendungen zur haptischen Wahrnehmung. Basel: Birkhäuser Verlag 2001 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  30. [14] Hatzfeld, C.: Experimentelle Analyse der menschlichen Kraftwahrnehmung als ingenieurtechnische Entwurfsgrundlage für haptische Systeme. München: Verlag Dr. Hut 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  31. [15] Hartmann, O.; Haupt, S.: Touch. Der Haptik-Effekt im multisensorischen Marketing. Freiburg: Haufe-Lexware GmbH & Co. KG 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-15
  32. [1] Heise Online Deutscher Zukunftspreis: EUV Technik für modernste Chips ausgezeichnet. Stand: 2020. Internet: www.heise.de/news/Deutscher-Zukunftspreis-EUV-Technik-fuer-modernste-Chips-ausgezeichnet-4971524.html. Zugriff am 12.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  33. [2] Whyte, W.: Cleanroom Technology: Fundamentals of Design, Testing and Operation. Hoboken, NJ: John Wiley & Sons 2010 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  34. [3] Klocke, S. D.; Whyte, W.: High efficiency air filtration. In: Whyte, W. (Hrsg.), Cleanroom Design. Chichester: Wiley 1999, pp. 157–182 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  35. [4] Detzer, R.: Neuartige Reinraumkonzepte. In: Reinraumtechik 2001, Tagung. 27–28. September 2001, Trier ; Düsseldorf: VDI Verlag 2001 (VDI-Berichte 1611), S. 115–127 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  36. [5] Von Dungen, R.: Automatisierung im Reinraum. In: Problemlösungen in der Reinraumtechnik. Düsseldorf: VDI Verlag, 1988 (VDI-Berichte Nr. 693), S. 123–133 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  37. [6] Hauptmann, G; Hohmann, R.: Handbuch der Reinraum-Praxis: Reinraumtechnologie und Human-Ressourcen. Landsberg: Ecomed-Verlag 1992, Kap. III-1 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  38. [7] Degenhart, E.: Strömungstechnische Auslegung reinraumtauglicher Fertigungseinrichtungen. Dissertation, Universität Stuttgart, 1992 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  39. [8] Schließer, J.: Untersuchungen von Reinheitssystemen zur Herstellung von Halbleiterprodukten. Dissertation, Universität Stuttgart, 1998 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  40. [9] SEMI E14–93: Measurement of particle contamination contributed to the product from the process or support tool. SEMI-Standardisation-Organization, 1993 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  41. [10] Degenhart, E.: Strömungstechnische Auslegung reinraumtauglicher Fertigungseinrichtungen. Dissertation, Universität Stuttgart, 1992 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  42. [11] Gommel, U.: Fertigungsanlagendesign für reine Produktionsumgebungen. CleanRooms Europe 2000: Conference Proceedings, June 28–30, Frankfurt, 2000 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  43. [12] Keller, M.; Gommel, U.; Hoffmann. V.: Clean Sterile Automation. Maßgeschneiderter, KI-basierter Reinraumabzug zur GMP-tauglichen Integration bestehender Automatisierungssysteme. TechnoPharm 10 (2020) 5, S. 246–252, Aulendorf: Editio Cantor Verlag Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  44. [13] Gommel, U.: Optimierung von Produktions- und Fertigungsanlagen. Vortrag auf Symposium der Messe LOUNGES, Karlsruhe 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  45. [14] Flexitex: Roboterschutzhüllen. Roboterschutz für Ihre Produktionsprozesse. Stand: 2020. Internet: www.roboterschutzhuellen.com/DE/roboterschutz.html Zugriff am 12.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  46. [15] DIN EN ISO 14644–14:2017–01: Reinräume und zugehörige Reinraumbereiche – Teil-14: Bewertung der Reinraumtauglichkeit von Geräten durch Partikelkonzentration in der Luft. Deutsche Fassung, Ausgabe Januar 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  47. [16] DIN EN ISO 14644–15:2018–03: Reinräume und zugehörige Reinraumbereiche – Teil-15: Bewertung der Reinraumtauglichkeit von Ausrüstungsgegenständen und Materialien anhand der chemischen Luft- und Oberflächenkonzentration. Deutsche Fassung, Ausgabe März 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  48. [17] Verein Deutsche Ingenieure: VDI 2083 Blatt 9.1: Reinraumtechnik – Reinheitstauglichkeit und Oberflächenreinheit. Berlin: Beuth Verlag, 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  49. [18] Verein Deutsche Ingenieure: VDI 2083 Blatt 17: Reinraumtechnik – Reinheitstauglichkeit von Werkstoffen. Berlin: Beuth Verlag, 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  50. [19] DIN EN ISO 13849–1:2016–06: Sicherheit von Maschinen – Sicherheitsbezogene Teile von Steuerungen – Teil-1: Allgemeine Gestaltungsleitsätze. Deutsche Fassung, Ausgabe Juni 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  51. [20] Gommel, U.: Verfahren zur Bestimmung der Reinraumtauglichkeit von Werkstoffpaarungen. Dissertation, Universität Stuttgart, 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  52. [21] DIN EN ISO 14644–1:2016–06: Reinräume und zugehörige Reinraumbereiche – Teil-1: Klassifizierung der Luftreinheit anhand der Partikelkonzentration. Deutsche Fassung, Ausgabe Juni 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  53. [22] DIN EN ISO 14644–8:2013–06: Reinräume und zugehörige Reinraumbereiche – Teil-8: Klassifizierung der Luftreinheit anhand der Chemikalienkonzentration (ACC). Deutsche Fassung, Ausgabe Juni 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-20
  54. [1] Biermann D.; Bleicher F.; Heisel U. et al.: Deep hole drilling. CIRP Annals 67 (2018) 2, pp. 673–694 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  55. [2] Verein Deutscher Ingenieure: VDI 3210: Tiefbohrverfahren. Berlin: Beuth Verlag 2006 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  56. [3] Pfleghar, F.: Verbesserung der Bohrungsqualität beim Arbeiten mit Einlippentiefbohrwerkzeugen. Dissertation, Universität Stuttgart, 1976 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  57. [4] Cuesta, M.; Aristimuño, P.; Garay, A. et al.: Heat transferred to the workpiece based on temperature measurements by IR technique in dry and lubricated drilling of Inconel 718. Applied Thermal Engineering 104 (2016), pp. 309–318 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  58. [5] Jawahir, I. S.; Brinksmeier, E.; M‘Saoubi, R. et al.: Surface integrity in material removal processes: Recent advances. CIRP Annals 60 (2011) 2, pp. 603–626 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  59. [6] Wegert, R.; Guski, V.; Schmauder, S.; Möhring, H.-C.: Effects on surface and peripheral zone during single lip deep hole drilling. Procedia CIRP 87 (2020), pp. 113–118 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  60. [7] Wegert, R.; Guski, V.; Möhring, H.-C.; Schmauder, S.: Temperature monitoring in the subsurface during single lip deep hole drilling. tm – Technisches Messen 87 (2020) 12, pp. 757–767 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  61. [8] Wegert, R.; Guski, V.; Schmauder, S.; Möhring, H.-C.: Determination of thermo-mechanical quantities with a sensor-integrated tool for single lip deep hole drilling. Procedia CIRP 52 (2020), pp. 73–78 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  62. [9] Johnson, G.; Cook, W.: A constitutive model and data for metals subjected to large strains and high strain rates and high temperatures. Proceedings of the 7th International Symposium on Ballistics. The Hague. The Netherlands, 1983, pp. 541–547 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  63. [10] Arrazola, P. J.; Özel, T.; Umbrello, D. et al.: Recent advances in modelling of metal machining processes. CIRP Annals 62 (2013) 2, pp. 695–718 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-26
  64. [1] Westkämper, E.; Löffler, C.: Strategien der Produktion. Technologien, Konzepte und Wege in die Praxis. Heidelberg: Springer-Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  65. [2] Wiendahl, H.-H.: Auftragsmanagement der industriellen Produktion. Grundlagen, Konfiguration, Einführung. Heidelberg: Springer-Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  66. [3] Ashby, W. R.: An introduction to cybernetics. New York: J. Wiley 1956 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  67. [4] Beer, S.: Decision and control. The meaning of operational research and management cybernetics. Chichester: Wiley 2000 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  68. [5] Kluth, A.; Jäger, J.; Schatz, A. et al.: Evaluation of Complexity Management Systems – Systematical and Maturity-based Approach. Procedia CIRP 17 (2014), pp. 224–229 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  69. [6] Criminisi, A.; Shotton, J.: Decision forests for computer vision and medical image analysis. London: Springer 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  70. [7] Bertalanffy, L. v.: General System Theory. Foundations, Development, Applications. London: The Penguin Press 1971 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  71. [8] Patzak, G.: Systemtechnik – Planung komplexer innovativer Systeme. Grundlagen, Methoden, Techniken. Heidelberg: Springer-Verlag 1982 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  72. [9] Ropohl, G.: Allgemeine Systemtheorie. Einführung in transdisziplinäres Denken. Berlin: Edition Sigma 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  73. [10] Kruse, P.: next practice – Erfolgreiches Management von Instabilität. Veränderung durch Vernetzung. Offenbach: Gabal-Verlag 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  74. [11] Blaschka, M.: Intuition & wachsende Komplexität. Internet: drblaschka.de/intuition-wachsende-komplexitaet/. Zugriff am 25.01.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  75. [12] Döbel, I.; Leis, M.; Vogelsang, M. et al.: Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung. München: Fraunhofer-Gesellschaft 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  76. [13] Monostori, L.: AI and Machine Learning Techniques for Managing Complexity, Changes and Uncertainties in Manufacturing. IFAC Proceedings 35 (2002) 1, pp. 119–130 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  77. [14] Bishop, C. M.: Pattern recognition and machine learning. New York: Springer 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  78. [15] Murphy, R.; Newell, A.; Hargaden, V. et al.: Machine learning technologies for order flowtime estimation in manufacturing systems. Procedia CIRP 81 (2019), pp. 701–706 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  79. [16] Lingitz, L.; Gallina, V.; Ansari, F. et al.: Lead time prediction using machine learning algorithms: A case study by a semiconductor manufacturer. Procedia CIRP 72 (2018), pp. 1051–1056 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  80. [17] Pedregosa, F.; Varoquaux, G.; Gramfort, A. et al.: Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research 12 (2011), pp. 2825–2830 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  81. [18] Böhm, M.; Bauernhansl, T.; Jeschke, S.: Behavior of decision forest classification in dynamic manufacturing systems. 54th CIRP Conference on Manufacturing Systems (to be published May 2021) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-32
  82. [1] Abele, E.; Reinhart, G.: Zukunft der Produktion. Herausforderungen, Forschungsfelder, Chancen. München: Carl Hanser Fachbuchverlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  83. [2] Stehle, T.; Heisel, U.: Konfiguration und Rekonfiguration von Produktionssystemen. In: Spath, D.; Westkämper, E.; Bullinger, H.-J. et al. (Hrsg.): Neue Entwicklungen in der Unternehmensorganisation. Heidelberg: Springer Vieweg Verlag 2017, S. 333–367 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  84. [3] Paul, M.; Leiber, D.; Pleli, J. et al.: Simulation of Reconfigurable Assembly Cells with Unity3D. In: Ameri, F.; Stecke, K. E.; von Cieminski, G. et al. (Eds.): Advances in production management systems. Proceedings of the IFIP WG 5.7 International Conference, APMS 2019, Austin, TX, USA, 2019. Cham: Springer-International Publishing 2019, pp. 223–230 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  85. [4] Heuss, L.; Reinhart, G.: Integration of Autonomous Task Planning into Reconfigurable Skill-Based Industrial Robots. 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Vienna, Austria, 2020, pp. 1293–1296 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  86. [5] Bullinger, H.-J.; Ammer, D. (Hrsg.): Systematische Montageplanung. Handbuch für die Praxis. München: Carl Hanser Verlag 1986 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  87. [6] Eversheim, W.: Organisation in der Produktionstechnik 3. Heidelberg: Springer- Verlag 2002 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  88. [7] Michniewicz, J.: Automatische simulationsgestützte Arbeitsplanung in der Montage. München: Universitätsbibliothek der TU München 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  89. [8] Michniewicz, J.; Leiber, D.; Riedl, F. et al.: Automatisierte digitale Anlagenplanung. Methode für die automatisierte Planung von Montageanlagen auf Basis digitaler Produktdaten. wt Werkstattstechnik online 107 (2017) 9, S. 582–589. Internet: www.werkstattstechnik.de. Düsseldorf: Springer-VDI-Verlag Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  90. [9] Leiber, D.; Hammerstingl, V.; Weiß, F. et al.: Automated design of multi-station assembly lines. Procedia CIRP 79 (2019), pp. 137–142 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  91. [10] Järvenpää, E.; Siltala, N.; Hylli, O. et al.: The development of an ontology for describing the capabilities of manufacturing resources. Journal of Intelligent Manufacturing 30 (2019) 2, pp. 959–978 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  92. [11] Smale, D.: Towards an integrated framework for the configuration of modular micro assembly systems. PhD thesis, University of Nottingham, 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  93. [12] Kluge, S.: Methodik zur fähigkeitsbasierten Planung modularer Montagesysteme. Dissertation, Universität Stuttgart, 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  94. [13] Michalos, G.; Fysikopoulos, A.; Makris, S. et al.: Multi criteria assembly line design and configuration – An automotive case study. CIRP Journal of Manufacturing Science and Technology 9 (2015), pp. 69–87 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  95. [14] Woenckhaus, C.: Rechnergestütztes System zur automatisierten 3D-Layoutoptimierung. Heidelberg: Springer-Verlag 1994 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  96. [15] Woenckhaus, C.; Milberg, J.: Planning of three-dimensional layouts using numerical optimization methods. IEEE International Conference on Robotics and Automation, Atlanta, GA, USA, 1993, pp. 44–49 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  97. [16] Suemitsu, I.; Izui, K.; Yamada, T. et al.: Simultaneous optimization of layout and task schedule for robotic cellular manufacturing systems. Computers & Industrial Engineering 102 (2016), pp. 396–407 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  98. [17] Lim, Z. Y.; Ponnambalam, S. G.; Izui, K.: Nature inspired algorithms to optimize robot workcell layouts. Applied Soft Computing 49 (2016), pp. 570–589 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  99. [18] Pellegrinelli, S.; Pedrocchi, N.; Tosatti, L. M. et al.: Multi-robot spot-welding cells for car-body assembly: Design and motion planning. Robotics and Computer-Integrated Manufacturing 44 (2017), pp. 97–116 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  100. [19] Sharma, A.; Jha, A. K.; Halder, A.: Layout optimization of a robotic cell for foundry application by CAD based point cloud modeling – a case study. Industrial Robot: An International Journal 44 (2017) 6, pp. 788–797 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  101. [20] Azuma, R. T.: A Survey of Augmented Reality. Presence: Teleoperators and Virtual Environments 6 (1997) 4, pp. 355–385 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  102. [21] Roßgoderer, U.: System zur effizienten Layout- und Prozessplanung von hybriden Montageanlagen. München: Utz Verlag 2002 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  103. [22] Wang, Z. B.; Ong, S. K.; Nee, A. Y. C.: Augmented reality aided interactive manual assembly design. The International Journal of Advanced Manufacturing Technology 69 (2013) 5–8, pp. 1311–1321 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  104. [23] Wang, Z. B.; Ng, L. X.; Ong, S. K. et al.: Assembly planning and evaluation in an augmented reality environment. International Journal of Production Research 51 (2013) 23–24, pp. 7388–7404 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  105. [24] Heinig, M.: Nutzung von Virtuellen Technologien für die Montageplanung von Unikaten. Dissertation, Technische Universität Hamburg-Harburg, 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  106. [25] Villani, V.; Pini, F.; Leali, F. et al.: Survey on Human-Robot Interaction for Robot Programming in Industrial Applications. IFAC-PapersOnLine 51 (2018) 11, pp. 66–71 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  107. [26] Hammerstingl, V.: Steigerung der Rekonfigurationsfähigkeit von Montageanlagen durch Cyber-physische Feldgeräte. Dissertation, Technische Universität München, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  108. [27] Heuss, L.; Blank, A.; Dengler, S. et al.: Modular Robot Software Framework for the Intelligent and Flexible Composition of Its Skills. In: Ameri, F.; Stecke, K. E.; von Cieminski, G. et al. (Eds.): Advances in production management systems. Proceedings of the IFIP WG 5.7 International Conference, APMS 2019, Austin, TX, USA, 2019. Cham: Springer-International Publishing 2019, pp. 248–256 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  109. [28] Rovida, F.; Crosby, M.; Holz, D. et al.: SkiROS—A Skill-Based Robot Control Platform on Top of ROS. In: Koubaa, A. (Ed.): Robot Operating System (ROS). The complete reference. Cham: Springer International Publishing 2017, pp. 121–160 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  110. [29] Fang, H. C.; Ong, S. K.; Nee, A.Y.C.: Robot Path and End-Effector Orientation Planning Using Augmented Reality. Procedia CIRP 3 (2012), pp. 191–196 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  111. [30] Guhl, J.; Tung, S.; Kruger, J.: Concept and architecture for programming industrial robots using augmented reality with mobile devices like microsoft HoloLens. 22nd IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Limassol, 2017, pp. 1–4 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  112. [31] Quintero, C. P.; Li, S.; Pan, M. K. et al.: Robot Programming Through Augmented Trajectories in Augmented Reality. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Madrid, 2018, pp. 1838–1844 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  113. [32] Araiza-Illan, D.; San Bernabe, A. de; Hongchao, F. et al.: Augmented Reality for Quick and Intuitive Robotic Packing Re-Programming. 14th ACM/IEEE International Conference on Human-Robot Interaction (HRI), Daegu, Korea (South), 2019, p. 664. doi: 10.1109/HRI.2019.8673327 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  114. [33] Bogue, R.: The role of augmented reality in robotics. Industrial Robot: the international journal of robotics research and application. Ahead-of-print 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  115. [34] Puljiz, D.; Stöhr, E.; Riesterer, K. S. et al.: General Hand Guidance Framework using Microsoft HoloLens. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Macau, China, 2019, pp. 5185–5190. Doi: 10.1109/IROS40897.2019.8967649 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  116. [35] Blankemeyer, S.; Wiemann, R.; Posniak, L. et al.: Intuitive Robot Programming Using Augmented Reality. Procedia CIRP 76 (2018), pp. 155–160 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  117. [36] Leiber, D.; Reinhart, G.: A bi-level optimisation approach for assembly line design using a nested genetic algorithm. International Journal of Production Research 57 (2020) 2, pp. 1–16 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  118. [37] Siciliano, B.; Sciavicco, L.; Villani, L. et al.: Robotics. Modelling, Planning and Control. London: Springer-Verlag 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  119. [38] Izui, K.; Murakumo, Y.; Suemitsu, I. et al.: Multiobjective layout optimization of robotic cellular manufacturing systems. Computers & Industrial Engineering 64 (2013) 2, pp. 537–544 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-38
  120. [1] Statistisches Bundesamt (Hrsg.): Anteil der Wirtschaftssektoren an der Bruttowertschöpfung in Deutschland im Jahr 2019. Stand: Januar 2020. Internet: de.statista.com/statistik/daten/studie/36846/umfrage/anteil-der-wirtschaftsbereiche-am-bruttoinlandsprodukt/. Zugriff am 02.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  121. [2] Abele, E.; Reinhart, G.: Zukunft der Produktion. Herausforderungen, Forschungsfelder, Chancen. s.l.: Carl Hanser Fachbuchverlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  122. [3] Schenk, M.; Wirth, S.; Müller, E.: Fabrikplanung und Fabrikbetrieb. Methoden für die wandlungsfähige, vernetzte und ressourceneffiziente Fabrik. Berlin: Springer Vieweg Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  123. [4] 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/10.37544/1436-4980-2021-03-44
  124. [5] Pawellek, G.: Ganzheitliche Fabrikplanung. Grundlagen, Vorgehensweise, EDV-Unterstützung. Heidelberg: Springer-Verlag 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  125. [6] Feldmann, K.; Reinhart, G. (Hrsg.): Simulationsbasierte Planungssysteme für Organisation und Produktion. Modellaufbau, Simulationsexperimente, Einsatzbeispiele. Heidelberg, s.l.: Springer-Verlag 2000 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  126. [7] Sinnwell, C.; Haße, A.; Fischer, J. et al.: Kollaborative Produktionssystemplanung unter Verwendung eines modellbasierten, PLM-gestützten Entwicklungsprozesses. at – Automatisierungstechnik 66 (2018) 5, S. 406–417 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  127. [8] Brzozowski, A.; Fallenstein, D.; Lutz, M.; Wunderlich, C.: Bauruine BER – ein Lexikon des Wahnsinns. Berlins Pannenflughafen. WELT Ausgabe vom 11.03.2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  128. [9] Bryde, D.; Broquetas, M.; Volm, J. M.: The project benefits of Building Information Modelling (BIM). International Journal of Project Management 31 (2013) 7, pp. 971–980 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  129. [10] Neuhäuser, T.; Chen, Q.; Rösch, M. et al.: Building Information Modeling im Fabriklebenszyklus. ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 115 (2020) special, S. 66–69 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  130. [11] Bundesministerium für Verkehr und digitale Infrastruktur (Hrsg.): Stufenplan Digitales Planen und Bauen. Stand: 2015. Internet: www.bmvi.de/SharedDocs/DE/Publikationen/DG/stufenplan-digitales-bauen.pdf?__blob=publicationFile. Zugriff am 01.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  131. [12] Verein deutscher Ingenieure: VDI 2552 Blatt 1. Building Information Modeling (BIM). Berlin: Beuth Verlag 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  132. [13] Verein deutscher Ingenieure: VDI 2552 Blatt 2. Building Information Modeling (BIM). Berlin: Beuth Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  133. [14] Bauernhansl, T.; Hompel, M. ten; Vogel-Heuser, B.: Industrie 4.0 in Produktion, Automatisierung und Logistik. Wiesbaden: Springer Fachmedien Verlag 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  134. [15] Verein deutscher Ingenieure: VDI 4499 Blatt 1. Digitale Fabrik – Grundlagen. Berlin: Beuth Verlag 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  135. [16] DIN Deutsches Institut für Normung e. V.: DIN EN ISO 16739. Industry Foundation Classes (IFC) für den Datenaustausch in der Bauindustrie und im Anlagenmanagement. Berlin: Beuth Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  136. [17] buildingSMART International Limited: Industry Foundation Classes. Version 4.1.0.0. Internet: standards.buildingsmart.org/IFC/RELEASE/IFC4_1/FINAL/HTML/. Zugriff am 01.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  137. [18] Fjeld, M.; Bichsel, M.; Rauterberg, M.: BUILD-IT: An Intuitive Design Tool Based on Direct Object Manipulation. In: Wachsmut, I.; Fröhlich, M. (Hrsg.): Gesture and Sign Language in Human-Computer Interaction. Lecture Notes in Artificial Intelligence 1371 (1998) pp. 297–308 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-44
  138. [1] Abele, E.; Reinhart, G.: Zukunft der Produktion. München: Carl Hanser Verlag 2011 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  139. [2] Brandl, C.; Mertens, A.; Luczak, H. et al.: Produktion in der Industrie 4.0: Renaissance der arbeitswissenschaftlichen Forschung für manuelle Montagesysteme. Zeitschrift für Arbeitswissenschaft 72 (2018) 4, S. 227–228 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  140. [3] Pfeiffer, S.: Montage, Wissen und Erfahrung. In: Pfeiffer, S.; Rehberg, F.; Adami, W. et al. (Hrsg.): Montage braucht Erfahrung. München: Rainer Hampp Verlag 2008, S. 14–48 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  141. [4] Bauer, W.; Herkommer, O.; Schlund, S.: Die Digitalisierung der Wertschöpfung kommt in deutschen Unternehmen an. Zeitschrift für wirtschaftlichen Fabrikbetrieb 110 (2015) 1–2, S. 68–73 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  142. [5] Lohmann-Haislah, A.: Stressreport Deutschland 2012 – Psychische Anforderungen, Ressourcen und Befinden. Dortmund: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  143. [6] Apt, W.; Bovenschulte, M.; Priesack, K. et al.: Einsatz von digitalen Assistenzsystemen im Betrieb. Forschungsbericht 502. Bundesministerium für Arbeit und Soziales. Stand: 2018. Internet: https://www.bmas.de/DE/Service/Publikationen/Forschungsberichte/fb502-einsatz-von-digitalen-assistenzsystemen-im-betrieb.html. Zugriff am 12.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  144. [7] Reinhart, G.; Bengler, K.; Dollinger, C. et al.: Der Mensch in der Produktion von Morgen. In: Reinhart, G. (Hrsg.): Handbuch Industrie 4.0. Geschäftsmodelle, Prozesse, Technik. München: Carl Hanser Verlag 2017, S. 51–88 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  145. [8] Zaunmüller H.: Anreizsysteme für das Wissensmanagement in KMU: Gestaltung von Anreizsystemen für die Wissensbereitstellung der Mitarbeiter. Dissertation, RWTH Aachen, 2005 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  146. [9] Willenbacher, P.: Die Gestaltung unternehmerischer Anreizsysteme aus verhaltenswissenschaftlicher Perspektive. Dissertation, Technische Universität Kaiserslautern, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  147. [10] Deterding, S.; Khaled, R.; Nacke, L. et al.: Gamification: Toward a Definition. CHI ’11 Extended Abstracts on Human Factors in Computing Systems, Vancouver, 2011. Internet: http://gamification-research.org/wp-content/uploads/2011/04/02-Deterding-Khaled-Nacke-Dixon.pdf. Zugriff am 12.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  148. [11] Sailer, M.: Die Wirkung von Gamification auf Motivation und Leistung. Dissertation, Ludwigs-Maximilians-Universität München, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  149. [12] Korn, O.; Vaudervage, O.: Gamification in der Produktion – Anforderungen und Potenziale. In: Henke, M.; Kaczmarek, S. (Hrsg.): Gamification in der Logistik: Effektiv und spielend zu mehr Erfolg. München: Huss Verlag 2017, S. 51–78 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  150. [13] Kleinebrink, W.: Die Einwilligung im Beschäftigungsverhältnis nach neuem Datenschutzrecht – Rechtliche Vorgaben und praktische Gestaltung. Der Betrieb 71 (2018) 29, S. 1729–1735 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  151. [14] Seibt, T.; Hormel, R.; Kröger, S.: Personalbeurteilung und Personalentwicklung. In: Siller, H.; Stierle, J.; Glasmachers, K. (Hrsg.): Praxiswissen Personalcontrolling. Wiesbaden: Springer Gabler Verlag 2017, S. 137–155 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-50
  152. [1] Plattform Industrie 4.0: Fortschreibung der Anwendungsszenarien der Plattform Industrie 4.0. Ergebnispapier. Stand: 2016. Internet: https://www.plattform-i40.de/PI40/Redaktion/DE/Downloads/Publikation/fortschreibung-anwendungsszenarien. Zugriff am 09.12.2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-55
  153. [2] Wiesner, S.; Behrens, L.; Baalsrud Hauge, J.: Business Model Development for a Dynamic Production Network Platform. In: Lalic, B.; Majstorovic, V.; Marjanovic, U. et al. (Hrsg.): Advances in Production Management Systems. Towards Smart and Digital Manufacturing. Cham: Springer International Publishing 2020, S. 749–757 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-55
  154. [3] FZI Forschungszentrum Informatik: DPNB Broker für dynamische Produktionsnetzwerke. Internet: https://www.dpnb.de/dpnb/motivation/. Zugriff am 09.12.2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-55
  155. [4] IBM: IBM ILOG CPLEX Optimization Studio. Internet: https://www.ibm.com/products/ilog-cplex-optimization-studio. Zugriff am 09.12.2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-55
  156. [1] Industrie- und Handelskammer Nürnberg für Mittelfranken (Hrsg.).: Druckluft effizient nutzen. Praxisleitfaden für Energieeffizienz und Kosteneinsparung der Industrie- und Handelskammer Nürnberg für Mittelfranken. Internet: www.ihk-nuernberg.de/de/media/PDF/Innovation-Umwelt/Energie/leitfaden-druckluft-effizient-nutzen.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  157. [2] Bayerisches Landesamt für Umweltschutz (Hrsg.): Klima schützen – Kosten senken. Leitfaden für effiziente Energienutzung in Industrie und Gewerbe. Stand: 2004. Internet: druckluft-effizient.de/downloads/dokumente/energieleitfaden.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  158. [3] Dierolf, C.; Sauer, A.: Methoden zur Erkennung von Druckluftleckagen. wt Werkstattstechnik online 111 (2021) 1/2, S. 37–43, Internet: www.werkstattstechnik.de. Düsseldorf: VDI Fachmedien Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  159. [4] Dierolf, C.; Schneider, C.: Algorithmen gegen Druckluft-Verschwendung. Presseinformation. Stand: 26.06.2019. Internet: www.ipa.fraunhofer.de/de/presse/presseinformationen/Algorithmen-gegen-Druckluft-Verschwendung.html. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  160. [5] Bierbaum, U.; Hütter, J.: Druckluft-Kompendium. Darmstadt: Hoppenstedt Publishing 2007 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  161. [6] Frei, H.: Druckluft im Handwerk. Energie sparen – Klima schützen – Kosten senken! Stand: 2004. Internet: www.druckluft-effizient.de/downloads/dokumente/druckluft-im-handwerk-lfu.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  162. [7] Deutsches Institut für Normung e. V.: ISO 1219–1 – 2012–06 Fluidtechnik – Graphische Symbole und Schaltpläne – Teil 1: Graphische Symbole für konventionelle und datentechnische Anwendungen. Berlin: Beuth Verlag 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  163. [8] Zhang, K.; Kao, I.; Kambli, S. et al.: Experimental studies on intelligent fault detection and diagnosis using sensor networks on mechanical pneumatic systems. Proceedings of the 15th International Symposium on: Smart Structures and Materials & Nondestructive Evaluation and Health Monitoring, San Diego, California, 2008, SPIE 6932, p. 693247 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  164. [9] Unger, M.; Radgen, P.: Theoretical and experimental evaluation of compressed air leakages. Proceedings of the 11th International Conference on Energy Efficiency in Motor Driven Systems (EEMODS 2019) 2019, pp. 207–233 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  165. [10] Krichel, S.: Komponentenmodellierung und Strukturoptimierung in industriellen Druckluftnetzen. Dissertation, Universität Stuttgart, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  166. [11] Döbel, I.; Leis, M.; Vogelsang, M. et al.: Maschinelles Lernen – Eine Analyse zu Kompetenzen, Forschung und Anwendung. München 2018. Internet: www.bigdata.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/Fraunhofer_Studie_ML_201809.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  167. [12] Desmet, A.; Delore, M.: Leak detection in compressed air systems using unsupervised anomaly detection techniques. Annual Conference of the Prognostics and Health Management Society 8 (2017), p. 9f. Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  168. [13] Dierolf, C.; Sauer, A.: Clustering von Druckluftvolumenströmen zur Erkennung von Anomalien mit maschinellem Lernen. In: Technische Universität Graz (Hrsg.): 16. Symposium Energieinnovation. Graz: TU Graz 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  169. [14] CS Instruments GmbH: Datenblatt VA 520 – Inline-Durchfluss-Sensor. Produktinformation. Internet: www.cs-instruments.com/fileadmin/cs-data/Datenblaetter/Datenbl%C3%A4tter%20-%20DE/Technisches_Datenblatt_VA520_DE.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  170. [15] CS Instruments GmbH: Datenblatt Drucksensoren CS. Produktinformation. Internet: www.cs-instruments.com/fileadmin/cs-data/Datenblaetter/Datenbl%C3%A4tter%20-%20DE/Technisches_Datenblatt_Drucksensoren_DE.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  171. [16] Schel, D.; Henkel, C.; Stock, D. et al.: Manufacturing Service Bus: An Implementation. Procedia CIRP 67 (2018), pp. 179–184 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  172. [17] Müller, E.; Engelmann, J.; Löffler, T. et al.: Energieeffiziente Fabriken planen und betreiben., Heidelberg: Springer-Verlag 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  173. [18] Döbel, I.; Leis, M.; Vogelsang, M. M. et al.: Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf, S. 56. Stand: 2018. Internet: www.bigdata.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/BMBF_Fraunhofer_ML-Ergebnisbericht_Gesamt.pdf. Zugriff am 03.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  174. [19] Deutsches Institut für Normung e. V.: DIN SPEC 92001–1:2019–04, Künstliche Intelligenz – Life Cycle Prozesse und Qualitätsanforderungen – Teil 1: Qualitäts-Meta-Modell. Berlin: Beuth Verlag 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-60
  175. [1] Reinhart, G. (Hrsg.): Handbuch Industrie 4.0. Geschäftsmodelle, Prozesse, Technik. München: Carl Hanser Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  176. [2] Friedli, T.; Lanza, G.; Schuh, G. et al.: Aktive Gestaltung globaler Produktionsnetzwerke. Zeitschrift für wirtschaftlichen Fabrikbetrieb 05 (2017), S. 279–283 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  177. [3] Westkämper, E.; Löffler, C.: Strategien der Produktion: Technologien, Konzepte und Wege in die Praxis. Heidelberg: Springer-Verlag 2016. Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  178. [4] Müller, J.; Schroeder, T.: Die Biointelligente Wertschöpfung: White Paper des Kompetenzzentrums Biointelligenz. Fraunhofer IPA. Stand: 2019. Internet: www.ibp.fraunhofer.de/content/dam/ibp/ibp-neu/de/dokumente/presseinformationen/2019/20190515_PM_WhitePaper_Biointelligenz.pdf. Zugriff am 26.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  179. [5] Bauernhansl, T.; Brecher, C.; Drossel, W.-G. et al.: Biointelligenz: Eine neue Perspektive für nachhaltige industrielle Wertschöpfung. Fraunhofer IPA. Stuttgart: Fraunhofer-Verlag 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  180. [6] Eickelmann, M.; Wiegand, M.; Konrad, B.; Deuse, J.: Die Bedeutung von Data-Mining im Kontext von Industrie 4.0. ZWF – Zeitschrift für wirtschaftlichen Fabrikbetrieb 110 (2015) 11, S. 738–743 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  181. [7] Schuh, G.; Reuter, C.; Hauptvogel, A. et al.: Einleitung. In: Schuh, G.; Fuß, C. (Hrsg.): ProSense: Ergebnisbericht des BMBF-Verbundprojektes; hochauflösende Produktionssteuerung auf Basis kybernetischer Unterstützungssysteme und intelligenter Sensorik. Aachen: Apprimus Verlag 2015, S. 1–13 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  182. [8] Schuh, G.; Reinhart, G.; Prote, J. et al.: Data Mining Definitions and Applications for the Management of Production Complexity. Procedia CIRP 81 (2019), pp. 874–879. DOI: 10.1016/j.procir.2019.03.217 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  183. [9] Schmidt, T. G.; Schneider, F.; Leverenz, D.; Hafner, G.: Lebensmittelabfälle in Deutschland – Baseline 2015. Stand: 2019. Internet: www.thuenen.de/media/publikationen/thuenen-report/Thuenen_Report_71.pdf. Zugriff am 26.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  184. [10] Kranert, M.; Hafner, G.; Barabosz, J.; et al.: Ermittlung der weggeworfenen Lebensmittelmengen und Vorschläge zur Verminderung der Wegwerfrate bei Lebensmitteln in Deutschland. Stand: 2012. Internet: www.bmel.de/SharedDocs/Downloads/DE/_Ernaehrung/Lebensmittelverschwendung/Studie_Lebensmittelabfaelle_Langfassung.pdf?__blob=publicationFile&v=3. Zugriff am 26.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  185. [11] BMEL (Hrsg.): Nationale Strategie zur Reduzierung der Lebensmittelverschwendung. Bundesministerium für Ernährung und Landwirtschaft, Referat 216 – Nachhaltige Ernährung, Reduzierung von Lebensmittelverschwendung. Stand: 2019. Internet: www.bmel.de/SharedDocs/Downloads/DE/_Ernaehrung/Lebensmittelverschwendung/Nationale_Strategie_Lebensmittelverschwendung_2019.pdf?__blob=publicationFile&v=3. Zugriff am 26.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  186. [12] WWF Deutschland (Hrsg.): Das große Wegschmeißen. Vom Acker bis zum Verbraucher: Ausmaß und Umwelteffekte der Lebensmittelverschwendung in Deutschland. Stand: 2015. Internet: www.wwf.de/fileadmin/fm-wwf/Publikationen-PDF/WWF_Studie_Das_grosse_Wegschmeissen.pdf. Zugriff am 26.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  187. [13] Zhu, Z.; Chu, F.; Dolgui, A. et al.: Recent advances and opportunities in sustainable food supply chain: a model-oriented review. International Journal of Production Research 56 (2018) 17, pp. 5700–5722 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  188. [14] Schuh, G.; Salmen, M.; Jussen, P. et al.: Geschäftsmodell-Innovation. In: Reinhart, G. (Hrsg.): Handbuch Industrie 4.0. Geschäftsmodelle, Prozesse, Technik. München: Carl Hanser Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  189. [15] Bachstein, J. K.: Untersuchung von Einflussfaktoren auf die Einsatzleistung von Holstein-Friesian-Kühen und deren Beziehung zur Milchleistung in der Folgelaktation, S. 11 ff. Dissertation, Freie Universität Berlin, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  190. [16] Jacob, E.; Eugster, E.: Verfahren zur Behandlung der Käsereimilch und deren Bedeutung für die Lebensmittelsicherheit von Käse. Agroscope Science 4 (2016), S. 1–29 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  191. [17] Sliskovic, D; Grbic, R.; Hocenski, Z.: Adaptive Estimation of Difficult-To-Measure Process Variables. Automatika 54 (2013) 2, pp. 166–177 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  192. [18] Fortuna, L.; Graziani, S.; Rizzo, A. et al.: Soft Sensors for Monitoring and Control of Industrial Processes. London: Springer-Verlag 2007 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  193. [19] Savytskyi, O.; Tymoshenko, M.; Hramm, O. et al.: Application of Soft Sensors in the automated process control of different industries. E3S Web of Conferences 166 (2020) No. 05003. Doi.org/10.1051/e3sconf/202016605003 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  194. [20] Russell, S.; Norvig, P.: Artificial Intelligence: A Modern Approach. Global Edition, p. 693; Harlow: Pearson Education Ltd., 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  195. [21] Curreri, F.; Fiumara, G.; Xibilia, M.G.: Input Selection Methods for Soft Sensor Design: A Survey. Future Internet 12 (2020) 6, p. 6. DOI 10.3390/fi2060097 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-69
  196. [22] Cimini, F.; 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/10.37544/1436-4980-2021-03-69
  197. [1] Poliakov, N. A.; Tomasov, V. S.; Ulin, A. V.: Power density analysis of machine tool power converters. Proceedings of the 19th European Conference on Power Electronic and Applicatoins 2017, Warsaw/ Poland, pp. 1–9 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  198. [2] Appunn, R.; Frantzheld, J.; Jetter, M. et al.: MULTI® – rope-less elevator demonstrator at test tower Rottweil. Transportation Systems and Technology 4 (2018) 3, S. 80–89 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  199. [3] Khodaparastan, M.; Mohamed, A.: Flywheel vs. Supercapacitor as Wayside Energy Storage for Electric Rail Transit Systems. Inventions 4 (2019) 4, pp. 1–15 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  200. [4] Tan, K. H.; Fah, Y. F.: Reducing Fuel Consumption Using Flywheel Battery Technology for Rubber Tyred Gantry Cranes in Container Terminals. Journal of Power and Energy Engineering 5 (2017) 7, pp. 15–33 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  201. [5] Juhasz, T.; Hein, M.: Hochleistungsenergiespeicher für Servopressen unter Verwendung eines innovativen Schwungmassenspeichers. Magdeburg: o.A. 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  202. [6] Laribi, R.; Lu, Y.; Schaab, D. A. et al. (Hrsg.): Requirements Engineering and Morphological Analysis of Adaptive Control Strategies for Flywheel Energy Storage Systems in Industrial Applications. ECEEE Industrial Efficiency 2020, Göteborg, Sweden, pp. 273–284 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  203. [7] Mesemanolis, A.; Mademlis, C.; Kioskeridis, I.: Neur Neuro-Fuzzy Energy Management System in Elevator Drive Applications for Maximum Braking Energy Regenerative Capability. Proceedings of the 7th IET International Conference on Power Electronics, Machines and Drives (PEMD 2014), Manchester, United Kingdom, pp. 2.10.03–2.10.03 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  204. [8] Jabbour, N.; Mademlis, C.: Improved Control Strategy of a Supercapacitor-Based Energy Recovery System for Elevator Applications. IEEE Transactions on Power Electronics 31 (2016) 12, pp. 8398–8408 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  205. [9] Ortiz-Rivera, E. I.; Peng, F. Z.: Analytical Model for a Photovoltaic Module using the Electrical Characteristics provided by the Manufacturer Data Sheet. IEEE 36th Conference on Power Electronics Specialists 2005, Aachen, 2005, pp. 2087–2091 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  206. [10] Lunze, J.: Regelungstechnik 1. Systemtheoretische Grundlagen, Analyse und Entwurf einschleifiger Regelungen. Berlin: Springer Vieweg Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  207. [11] Schröder, D.: Elektrische Antriebe – Regelung von Antriebssystemen. Berlin: Springer-Verlag 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  208. [12] Parvez, M.; Mekhilef, S.; Tan, N. M. L. et al.: An improved active-front-end rectifier using model predictive control. Proceedings of the IEEE Applied Power Electronics Conference and Exposition (APEC), 2015, pp. 122–127 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  209. [13] Reinhart, F.; Neumann, K.; Aswolinskiy, W. et al.: Maschinelles Lernen in technischen Systemen. In: Trächtler, A.; Gausemeier, J. (Hrsg.): Steigerung der Intelligenz mechatronischer Systeme. Heidelberg: Springer-Verlag 2018, S. 73–118 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  210. [14] Dhall, D.; Kaur, R.; Juneja, M.: Machine Learning: A Review of the Algorithms and Its Applications. In: Singh, P.; Kar A.; Singh Y. et al (eds.): Proceedings of ICRIC 2019. Lecture Notes in Electrical Engineering 597. Cham: Springer International Publishing 2020. Doi.org/10.1007/978–3–030–29407–6_5 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  211. [15] Alloghani, M.; Al-Jumeily, D.; Mustafina, J. et al.: A Systematic Review on Supervised and Unsupervised Machine Learning Algorithms for Data Science. In: Berry, M. W.; Mohamed, A.; Yap, B. W. (Hrsg.): Supervised and Unsupervised Learning for Data Science. Cham: Springer International Publishing 2020, pp. 3–21 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  212. [16] Kaelbling, L. P.: Recent advances in reinforcement learning. Boston: Kluwer Academic 1996 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  213. [17] Russell, S. J.; Norvig, P.; Davis, E. et al.: Artificial intelligence. A modern approach. London: Pearson PLC 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  214. [18] Fayyad, U.; Haussler, D.; Stolorz, P..: KDD for Science Data Analysis: Issues and Examples. Stand: 1996. Internet: www.aaai.org/Papers/KDD/1996/KDD96–009.pdf. Zugriff am 26.02.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  215. [19] Wirth, R.; Hipp, J.: CRISP-DM: Towards a Standard Process Model for Data Mining. Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining 2000, pp. 29–39 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  216. [20] Belani, H.; Vukovic, M.; Car, Z.: Requirements Engineering Challenges in Building AI-Based Complex Systems. 2019 IEEE 27th International Requirements Engineering Conference Workshops (REW), Jeju Island, South Korea, 2019, pp. 252–255 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  217. [21] Vogelsang, A.; Borg, M.: Requirements Engineering for Machine Learning: Perspectives from Data Scientists. 2019 IEEE 27th International Requirements Engineering Conference Workshops (REW), Jeju Island, South Korea, 2019, pp. 245–251 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  218. [22] Iqbal, T.; Elahidoost, P.; Lucio, L.: A Bird‘s Eye View on Requirements Engineering and Machine Learning. 25th Asia-Pacific Software Engineering Conference (APSEC), Nara, Japan, 2018 , pp. 11–20 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  219. [23] Saaty, T. L.: Multicriteria decision making – the analytic hierarchy process. Planning, priority setting, resource allocation. Pittsburgh, PA/USA: RWS Publications 1990 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-75
  220. [1] Steegmüller, D.; Zürn, M.: Wandlungsfähige Produktionssysteme für den Automobilbau der Zukunft. In: Vogel-Heuser, B.; Bauernhansl, T.; Hompel, M. ten (Hrsg.): Handbuch Industrie 4.0. Band 1: Produktion. Heidelberg: Springer-Verlag 2017, S. 27–44 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  221. [2] Schäfer, S. F.: Intuitive digitale Fabriklayoutplanung. Entwicklung eines Werkzeugs zur Unterstützung der Fabrikstrukturplanung in der Automobilindustrie. Düren: Shaker Verlag 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  222. [3] Biesinger, F.; Kras, B.; Weyrich, M.: A Survey on the Necessity for a Digital Twin of Production in the Automotive Industry. 2019 23rd International Conference on Mechatronics Technology (ICMT), Salerno, Italy, 2019, pp. 1–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  223. [4] Grundig, C.-G.: Fabrikplanung. München: Carl Hanser Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  224. [5] Bracht, U.; Geckler, D.; Wenzel, S.: Digitale Fabrik. Methoden und Praxisbeispiele. Berlin: Springer Vieweg Verlag 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  225. [6] Draht, R.: Datenaustausch in der Anlagenplanung mit AutomationML. Heidelberg: Springer-Verlag 2010 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  226. [7] Biesinger, F.; Meike, D.; Kraß, B. et al.: A digital twin for production planning based on cyber-physical systems. A Case Study for a Cyber-Physical System-Based Creation of a Digital Twin. Procedia CIRP 79 (2019), pp. 355–360 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  227. [8] Westkämper, E.; Zahn, E.: Wandlungsfähige Produktionsunternehmen. Das Stuttgarter Unternehmensmodell. Heidelberg: Springer Verlag 2009 of Technology 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  228. [9] Grieves, M.: Origins of the Digital Twin Concept. Florida: Florida Institute of Technology 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  229. [10] Stark, R.; Damerau, T.: Digital Twin. In: Chatti, S.; Tolio, T. (Hrsg.): CIRP Encyclopedia of Production Engineering. Berlin, Heidelberg: Springer-Verlag 2019, S. 1–8 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  230. [11] Shafto, M.; Conroy, M.; Doyle, R. et al.: DRAFT Modeling, Simulation, Information Technology & Processing Roadmap. Internet: www.nasa.gov/pdf/501321main_TA11-MSITP-DRAFT-Nov2010-A1.pdf. Zugriff am 04.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  231. [12] Negri, E.; Fumagalli, L.; Macchi, M.: A Review of the Roles of Digital Twin in CPS-based Production Systems. Procedia Manufacturing 11 (2017), pp. 939–948 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  232. [13] Jones, D.; Snider, C.; Nassehi, A. et al.: Characterising the Digital Twin. A systematic literature review. CIRP Journal of Manufacturing Science and Technology 29 (2020) part A, pp. 36–52 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  233. [14] Fraunhofer IPA: Laserscanning. Methode und Werkzeuge für eine zukünftige Planung von Fabriken und Produktionssystemen. Internet: survey-service.de/wp-content/uploads/2018/04/ download_fraunhofer-institut.pdf. Zugriff am 04.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  234. [15] Kerber, S.: Prozessgestaltung zum Einsatz digitaler Fabrikgesamtmodelle. Wiesbaden: Springer Fachmedien Verlag 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  235. [16] Bauernhansl, T.; Krüger, J.; Reinhart, G. et al.: WGP-Standpunkt Industrie 4.0. Wissenschaftliche Gesellschaft für Produktionstechnik WGP e.V. Stand: 2016. Internet: wgp.de/wp-content/uploads/WGP-Standpunkt_Industrie_4–0.pdf. Zugriff am 04.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  236. [17] Biesinger, F.; Meike, D.; Kras, B. et al.: A Case Study for a Digital Twin of Body-in-White Production Systems General Concept for Automated Updating of Planning Projects in the Digital Factory. 2018 IEEE 23rd International Conference on Emerging Technologies and Factory Automation (ETFA), 2018, Turin, Italy, pp. 19–26 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  237. [18] Denkena, B.; Stobrawa, S.; Dittrich, M.-A. et al.: Automated Generation of a Digital Twin Using Scan and Object Detection for Data Acquisition. Stand: 2019. Internet: www.asim-fachtagung-spl.de/asim2019/papers/05_Proof_107.pdf. Zugriff am 04.03.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  238. [19] VDI Verein Deutscher Ingenieure: VDI 4499 – Digitale Fabrik Grundlagen. Berlin: Beuth Verlag 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  239. [20] Walla, W.; Kiefer, J.: Life Cycle Engineering – Integration of New Products on Existing Production Systems in Automotive Industry. In: Hesselbach J., Herrmann C. (eds.): Glocalized Solutions for Sustainability in Manufacturing. Heidelberg: Springer-Verlag 2011, pp. 207–212 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  240. [21] Hagemann, S.; Stark, R.: Automated Body-in-White Production System Design. ICFET ‚18: Proceedings of the 4th International Conference on Frontiers of Educational Technologies, Moscow, Russian Federation, 2018, pp. 192–196 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  241. [22] Walla, W.: Standard- und Modulbasierte digitale Rohbauprozesskette. Frühzeitige Produktbeeinflussung bezüglich Produktionsanforderungen im Karosserierohbau der Automobilindustrie. Dissertation, Karlsruher Institut für Technologie, 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  242. [23] Mayring, P.; Fenzl, T.: Qualitative Inhaltsanalyse. In: Baur, N.; Blasius, J. (Hrsg.): Handbuch Methoden der empirischen Sozialforschung. Wiesbaden: Springer Fachmedien Verlag 2019, S. 633–648 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  243. [24] Witrisal, K.; Grebien, S.; Kulmer, J. et al.: High-accuracy Positioning for Indoor Applications: RFID, UWB, 5G, and beyond (Invited Paper). IEEE International Conference on RFID, Orlando, FL, USA, 2016, pp. 1–7 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-80
  244. [1] Shafto, M.; Conroy, M.; Doyle, R. et al.: Modeling, Simulation, Information Technology & Processing Roadmap. Technology Area 11. NASA, Washington, DC, USA. Stand: November 2010. Internet: www.nasa.gov/pdf/501321main_TA11-MSITP-DRAFT-Nov2010-A1.pdf. Zugriff am 11.01.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  245. [2] inspire AG: MORe. Stand: 2020. Internet: www.more-simulations.ch. Zugriff am 11.01.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  246. [3] Spescha, D.: Framework for efficient and accurate simulation of the dynamics of machine tools. Dissertation, TU Clausthal, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  247. [4] Hernández-Becerro, P.; Spescha, D.; Wegener, K.: Model order reduction of thermo-mechanical models with parametric convective boundary conditions: focus on machine tools. Computational Mechanics (2020). doi.org/10.1007/s00466–020–01926-x Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  248. [5] Hernández-Becerro, P.: Efficient Thermal Error Models of Machine Tools. Dissertation, ETH Zürich, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  249. [6] Altintas, Y.; Brecher, C.; Weck, M.; Witt, S.: Virtual Machine Tool. CIRP Annals 54 (2005) 2, pp. 115–138 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  250. [7] Niehues, K.: Identifikation linearer Dämpfungsmodelle für Werkzeugmaschinenstrukturen. Dissertation, Technische Universität München, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  251. [8] Semm, T.; Sellemond, M.; Rebelein, C.; Zaeh, M. F.: Efficient Dynamic Parameter Identification Framework for Machine Tools. Journal of Manufacturing Science and Engineering 142 (2020) 8, pp. 081003–1–12. doi.org/10.1115/1.4046987 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  252. [9] Rebelein, C.: Prognosefähige Simulation von Dämpfungseffekten in mechatronischen Werkzeugmaschinenstrukturen. Dissertation, Technische Universität München, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  253. [10] Schwarz, S.: Prognosefähigkeit dynamischer Simulationen von Werkzeugmaschninenstrukturen. Dissertation, Technische Universität München, 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  254. [11] Semm, T.; Fischer, A.; Zaeh, M. F.: Identification of Optimization Potentials Using Flexible Multibody Models with Local Damping Information. Procedia CIRP, 2020 [im Druck] Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87
  255. [12] Heylen, W.; Lammens, S.: FRAC: a Consistent Way of Comparing Frequency Response Functions. In: Friswell, M. I.; Mottershead, J. E. (eds.): Identification in Engineering Systems. Swansea: University of Wales 1996, pp. 48–57 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-03-87

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