Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
, um zu prüfen, ob Sie einen Vollzugriff auf diese Publikation haben.
Ausgabe Kein Zugriff

Jahrgang 111 (2021), Heft 09

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 09
Artikel
Kein Zugriff

Seite 1 - 1
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 2 - 3
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 579 - 582
In diesem Beitrag wird die Konzeption und Erprobung eines Systems zur Datenerfassung mittels Spracherkennung in der manuellen Montage beschrieben. Dieses wurde in einem realen Montagesystem in der Lern- und Forschungsfabrik (LFF) des Lehrstuhls für...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 583 - 586
Mobile Roboter sind in verschiedenen Bereichen der Industrie zu wichtigen Werkzeugen geworden, insbesondere in der Logistik. Die sichere Navigation in hochdynamischen Umgebungen stellt jedoch weiterhin eine große Herausforderung für klassische...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 587 - 590
Der Prozess der Sollzeitermittlung von Montageprozessen sollte möglichst effizient gestaltet werden und eine genaue Abbildung der realen Montagezeit erlauben. Neueste Technologien werden bereits ergänzend zu klassischen Methoden genutzt. Dieser...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 591 - 596
Für die digitale 3D-VR-Fabrikplanung sind unterschiedliche Soft- und Hardwaresysteme am Markt verfügbar, die teilweise erhebliche Kompatibilitätsprobleme aufweisen. Für die Bewertung der Hardwareeignung für die 3D-VR-Fabrikplanung wird ein...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 597 - 601
Aktuelle Forschung zeigt das Potenzial von Produktionsplattformen im B2B-Bereich [1]. Durch die Betrachtung ganzheitlicher Lieferketten werden neben den Produktions- auch Montage- und Transportkapazitäten integriert. Für die Sicherstellung der...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 602 - 606
Die Auslagerung von Algorithmen auf Edge- und Cloud- umgebungen nach dem Software-as-a-Service-Paradigma bringt viele Vorteile für autonome mobile Roboter mit sich. Es kann jedoch nicht immer garantiert werden, dass die QoS-Anforderungen der...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 607 - 611
Im Umfeld von Industrie 4.0 halten die modernen Informationstechnologien immer stärker Einzug. Dabei sind Schlüsseltechnologien wie zum Beispiel künstliche Intelligenz (KI) oder Artificial Reality (AR) für sich allein genommen im industriellen...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 612 - 616
Bei der spanenden Endbearbeitung treten an der Oberfläche zyklische Belastungen in wechselnden Richtungen auf. Isotrope Verfestigungsmodelle wie das Johnson-Cook-Modell berücksichtigen dies nicht. In diesem Beitrag wird eine Erweiterung des...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 617 - 621
Zur Beurteilung der Ergonomie eines Arbeitsplatzes stehen bereits Methoden und Werkzeuge zur Verfügung. Jedoch erschöpfen komplexere Situationen nicht nur den Bewertungsrahmen dieser Werkzeuge, sie übersteigen auch deren Möglichkeiten, eine...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 622 - 627
Von Industrierobotern wird zunehmend eine hohe Bahn genauigkeit und ein gutes Störunterdrückungsverhalten gefordert. Um dem gerecht zu werden, wird hier ein semiaktiver Dämpfungsansatz vorgestellt, der Antriebsstrangschwingungen aktorbasiert...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 628 - 632
Die mechanische Nachbearbeitung von Propellergussrohlingen im Schiffbau ist ein manuell geprägter, zeitintensiver Bearbeitungsschritt. Eine Automatisierungslösung ist mithilfe eines Großroboters aufgrund seiner Tragfähigkeit und seines...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 633 - 637
Additive Fertigungstechnologien erlauben die bedarfsgerechte Produktion von individuellen Ersatzteilen. Durch Einsatz mobiler Fertigungseinheiten lässt sich mithilfe dieser Verfahren die Resilienz von isolierten Produktionsstätten erhöhen. Um...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 638 - 643
Millionen Pakete werden jährlich in Logistikzentren gehandhabt. Um die große Vielfalt unterschiedlicher Kartons abdecken zu können, kommen meist Standard-Greifsysteme mit leistungsfähigen Vakuumejektoren zum Einsatz, die durchgehend bei hohem...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 644 - 649
Die speziell zur Inspektion von Kavitäten eingesetzte industrielle Endoskopie ist im Gegensatz zu anderen zerstörungsfreien Prüfverfahren bisher wenig automatisiert. Dies liegt größtenteils an der anspruchsvollen Handhabung der Geräte...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 650 - 653
In diesem Beitrag wird ein Fügeprozess mittels sensitiver Robotik vorgestellt, bei dem gleichzeitig eine Inprozess-Dichtheitsprüfung durch Methoden des maschinellen Lernens erfolgt. Dabei werden komplexe Wirkzusammenhänge in den Daten extrahiert...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:
Cover der Ausgabe: wt Werkstattstechnik online Jahrgang 111 (2021), Heft 09
Artikel
Kein Zugriff

Seite 654 - 658
Bei CNC-gesteuerten Bearbeitungszentren ist das Erfassen der Rohteilposition und -abmessungen im Arbeitsraum der Werkzeugmaschine ein wichtiger Arbeitsschritt beim Rüstprozess vor dem Fräsvorgang. Meist wird zum Einmessen des Rohteils ein...
VDI Fachmedien GmbH & Co. KG, Düsseldorf 2021
Autor:innen:

Literaturverzeichnis (195)

  1. [1] Sudhoff, M.; Leineweber, S.; Linsinger, M.; Niemeyer, J.F.; Kuhlenkötter, B.: Objective data acquisition as the basis of digitization in manual assembly systems. Procedia CIRP Vol. 93: 53nd CIRP Conference on Manufacturing Systems, 2020, S. 1176 – 1181 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  2. [2] Willett, D.: Beiträge zur statistischen Modellierung und effizienten Dekodierung in der automatischen Spracherkennung. Duisburg, Dissertation, Gerhard-Mercator-Universität -Gesamthochschule Duisburg Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  3. [3] Softtrend AG, SmartVoice (2021). Internet: https://www.softtrend.ch/de/industrie Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  4. [4] Kunze, S.: Industrielle Sprachsteuerung (2020). Internet: https://www.industry-of-things.de/wie-es-ist-eine-maschine-mit-sprache-zu-steuern-a-980356/ Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  5. [5] Pfister, B.; Kaufmann, T.: Sprachverarbeitung. Heidelberg: Springer-Verlag 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  6. [6] Lotter, B.; Wiendahl, H.: Montage in der industriellen Produktion. Ein Handbuch für die Praxis. Heidelberg: Springer (VDI-Buch) 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  7. [7] Konold, P.; Reger, H.: Praxis der Montagetechnik. Produktdesign, Planung, Systemgestaltung. 2. Auflage. Wiesbaden: Vieweg+Teubner Verlag (Vieweg Praxiswissen) 2003 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  8. [8] Ćwikła, G.: Methods of Manufacturing Data Acquisition for Production Management – A Review. In: AMR 837, S. 618–623. DOI: 10.4028/www.scientific.net/AMR.837.618. 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  9. [9] GitHub (2021): Picovoice/wake-word-benchmark. Internet: https://github.com/Picovoice/wake-word-benchmark. Zugriff am 08.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  10. [10] Porcupine SDK Introduction (2021). Internet: https://picovoice.ai/docs/porcupine/. Zugriff am 08.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  11. [11] Vosk Offline Speech Recognition API (2021): Vosk Models. Internet: https://alphacephei.com/vosk/models. Zuletzt aktualisiert am 03.06.2021, Zugriff am 08.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  12. [12] Varga, K.: Research Stories (2017): Kaldi ASR: Extending the ASpIRE model. Internet: https://chrisearch.wordpress.com/2017/03/11/speech-recognition-using-kaldi-extending-and-using-the-aspire-model/. Zugriff am 08.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  13. [13] Linsinger, M.; Sudhoff, M.; Lemmerz, K.; Glogowski, P.; Kuhlenkötter, B.: Task-based Potential Analysis for Human-Robot Collaboration within Assembly Systems. In: Schüppstuhl, T.; Tracht, K.; Franke, J., (Hrsg.): Tagungsband des 3. Kongresses Montage Handhabung Industrieroboter. 1. Auflage. Berlin, Heidelberg: Springer Vieweg, 2018, S. 1–12 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  14. [14] Großmann, C.; Graeser, O.; Schreiber, A.: ClipX: Auf dem Weg zur Industrialisierung des Schaltschrankbaus. In: Vogel-Heuser, B.; Bauernhansl, T.; ten Hompel, M.: Handbuch Industrie 4.0 Bd. 2. Springer 2017, S. 169–18 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-5
  15. [1] Fragapane G.; Ivanov D.; Peron M. et al.: Increasing flexibility and productivity in industry 4.0 production net-works with autonomous mobile robots and smart intralogistics. Annals of operations research (2020), pp. 1–19 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  16. [2] Alatise M. B.; Hancke G.P.: A review on challenges of autonomous mobile robot and sensor fusion methods. IEEE Access, vol. 8 (2020), pp. 39 830–39 846 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  17. [3] Robla-Gómez S.; Becerra V.M.; Llata, J.R. et al.: Working together: A review on safe human-robot collaboration in industrial environments. IEEE Access, vol. 5 (2017), pp. 26 754–26 773 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  18. [4] Qian K.; Ma X.; Dai X. et al.: Socially acceptable pre-collision safety strategies for human-compliant navigation of service robots. Advanced Robotics, vol. 24, no. 13 (2010), pp. 1813–1840 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  19. [5] Chiang H.-T. L.; Faust A.; Fiser M. et al. : Learning navigation behaviors end-to-end with autorl. IEEE Robotics and Automation Letters, vol. 4, no. 2 (2014), pp. 2007–2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  20. [6] Faust A.; Oslund K.; Ramirez O. et al.: Prm-rl: Long-range robotic navigation tasks by combining reinforcement learning and sampling-based planning. IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2018, pp. 5113–5120 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  21. [7] Francis A.; Faust A.; Chiang H.-T. et al. : Long-range indoor navigation with prm-rl. IEEE Transactions on Robotics (2020), pp. 22–32. Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  22. [8] Shi H.; Shi L.; Xu M. et al. : End-to-end navigation strategy with deep reinforcement learning for mobile robots. IEEE Transactions on Industrial Informatics, vol. 16, no. 4 (2019), pp. 2393–2402 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  23. [9] Kästner L.; Buiyan T.; Zhao X. et al.: Connecting Deep-Reinforcement-Learning-based Obstacle Avoidance with Conventional Global Planners using Waypoint Generators. arXiv preprint arXiv:2104.03663 (2021) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  24. [10] Rösmann C.; Hoffmann F.; and Bertram T.: Timed-elastic-bands for time-optimal point-to-point nonlinear model predictive control. 2015 european control conference (ECC). IEEE, 2015, pp. 3352–3357 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  25. [11] Fox, D.; Burgard, W. and Thrun, S. : The dynamic window approach to collision avoidance. IEEE Robotics & Automation Magazine, 4 (1), 1997, pp. 23–33 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-9
  26. [1] Lotter, B.; Wiendahl, H.-P.: Montage in der industriellen Produktion. Heidelberg: Springer-Verlag 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  27. [2] ElMaraghy, H.; ElMaraghy, W.: Smart Adaptable Assembly Systems. Procedia CIRP 44 (2016), pp. 4–13 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  28. [3] Manns, M.; Fischer, K.; Du, H. et al.: A new approach to plan manual assembly. International Journal of Computer Integrated Manufacturing 31 (2018) 9, pp. 907–920 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  29. [4] Boothroyd, G.; Dewhurst, P.; Knight, W.: Product design for manufacture and assembly. New York: M. Dekker 2002 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  30. [5] Hedman, R.; Almström, P.: A state of the art system for managing time data in manual assembly. International Journal of Computer Integrated Manufacturing 30 (2017) 10, pp. 1060–1071 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  31. [6] Caragnano, G.; Lavatelli, I.: ERGO-MTM model: an integrated approach to set working times based upon standardized working performance and controlled biomechanical load. IEA 2012: 18th World congress on Ergonomics – Designing a sustainable future. Work 41 (2012) supplement 1, pp. 4422–4427 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  32. [7] Cho, H.; Lee, S.; Park, J.: Time estimation method for manual assembly using MODAPTS technique in the product design stage. International Journal of Production Research 52 (2014) 12, pp. 3595–3613 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  33. [8] Polotski, V.; Beauregard, Y.; Franzoni, A.: Combining predetermined and measured assembly time techniques: Parameter estimation, regression and case study of fenestration industry. International Journal of Production Research 57 (2019) 17, pp. 5499–5519 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  34. [9] Qiu, S.; He, Q.; Fan, X. et al.: Virtual human hybrid control in virtual assembly and maintenance simulation. International Journal of Production Research 52 (2014) 3, pp. 867–887 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  35. [10] Vaclav, S.; Mares, A.; Legutko, S. et al.: Proposal of a System for Estimating the Assembly Time in Small and Medium-Sized Enterprises. Tehnicki vjesnik – Technical Gazette 27 (2020) 6. pp. 2089–2096 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  36. [11] Fraunhofer IFF (Hrsg.): Automatische Zeiterfassung für manuelle Montageprozesse. Internet: www.iff.fraunhofer.de/content/dam/iff/de/dokumente/publikationen/automatische-zeiterfassung-fuer-manuelle-montageprozesse-fraunhofer-iff.pdf. Zugriff am 30.07.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  37. [12] Tang, K.-H.; Ho, C.-F.; Mehlich, J. et al.: Assessment of Handover Prediction Models in Estimation of Cycle Times for Manual Assembly Tasks in a Human–Robot Collaborative Environment. Applied Sciences 10 (2020) 2, p. 556 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  38. [13] Fantoni, G.; Al-Zubaidi, S. Q.; Coli, E. et al.: Automating the process of method-time-measurement. International Journal of Productivity and Performance Management 70 (2021) 4, S. 958–982 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  39. [14] Bellarbi, A.; Jessel, J.-P.; Da Dalto, L.: Towards Method Time Measurement Identification Using Virtual Reality and Gesture Recognition. 2019 IEEE International Conference 12, San Diego, CA/USA, 2019, pp. 191–1913 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  40. [15] Buzjak, D.; Kunica, Z.: Towards immersive designing of production processes using virtual reality techniques. Interdisciplinary Description of Complex Systems 16 (2018) 1, pp. 110–123 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  41. [16] Xia, P.; Lopes, A. M.; Restivo, M. T.: A review of virtual reality and haptics for product assembly (part 1): rigid parts. Assembly Automation 33 (2013) 1, pp. 68–77 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  42. [17] Winkes, P. A.; Aurich, J. C.: Method for an Enhanced Assembly Planning Process with Systematic Virtual Reality Inclusion. Procedia CIRP 37 (2015), pp. 152–15 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-13
  43. [1] VDI 4499 Blatt 1 (2008): Digitale Fabrik. Grundlagen. Ausgabe Februar 2008, bestätigt 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  44. [2] Aurich, P.; Stöber, R.; Nitsche, A.; Stonis, M.: Einsatzmöglichkeiten digitaler Werkzeuge im Fabrikplanungsprozess. Fabriksoftware 24 (2019) 1, S. 25–28 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  45. [3] Adler, S.; Masik, S.: Der digitale Zwilling für virtuelle Fabrikplanung und -betrieb. In: Orsolits, H.; Lackner, M. (Hrsg.): Virtual Reality und Augmented Reality in der Digitalen Produktion. Wiesbaden: Springer Fachmedien 2020, S. 192 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  46. [4] Wohlgenannt, I.; Simons, A.; Stieglitz, S.: Virtual Reality. Business & Information Systems Engineering 62 (2020) 5, S. 455 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  47. [5] Vretos, N.; Daras, P.; Asteriadis, S. et al.: Exploiting sensing devices availability in AR/VR deployments to foster engagement. Virtual Reality 23 (2019) 4, S. 399 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  48. [6] Brunkow, P.; Hub, M.: Zur Relevanz der Akzeptanz virtueller Techniken. Entwicklung eines Modells zur multikriteriellen Frühphasenbewertung virtueller Techniken. wt WerkstattsTechnik online 108 (2018) 108, S. 162 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  49. [7] DIN EN ISO 9241–11:2018–1: Ergonomie der Mensch-System-Interaktion – Teil 11: Gebrauchstauglichkeit: Begriffe und Konzepte (ISO 9241–11:2018). DIN Deutsches Institut für Normung e.V. Berlin: Beuth Verlag, S. 9 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  50. [8] Augustin, H.: Planungsvorgehen für die Digitale Fabrikplanung im Kontext der Digitalen Fabrik. In: Bauer, W.; Sihn, W.; Ohlhausen, P. (Hrsg.): Journal of Engineering, Management and Operations. Wien: LIT-Verlag 2018, S. 99–109 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  51. [9] Stanney, K. M.; Mollaghasemi, M.; Reeves, L. et al.: Usability engineering of virtual environments (VEs): identifying multiple criteria that drive effective VE system design. International Journal of Human-Computer Studies 58 (2003) 4, S. 450 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  52. [10] Rademacher, M. H.: Vorgehensmodell zur Evaluation von VR-Arbeitssystemen. In: Rademacher, M. H. (Hrsg.): Virtual Reality in der Produktentwicklung. Wiesbaden: Springer Fachmedien Wiesbaden 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  53. [11] Mihelj, M.; Novak, D.; Beguš, S.: Virtual Reality Technology and Applications. Dordrecht: Springer Netherlands 2014, S. 172 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  54. [12] Stanney, K. M.; Mollaghasemi, M.; Reeves, L. et al.: Usability engineering of virtual environments (VEs): identifying multiple criteria that drive effective VE system design. International Journal of Human-Computer Studies 58 (2003) 4, S. 452 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  55. [13] Gäse, T.; Günther, A.; Heller, A.: Vernetzte Layoutplanung und verteilte 3D-Visualisierung von Produktionssystemen. 2005, S. 2 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  56. [14] [Geyer, M.: Flexibles Planungssystem zur Berücksichtigung ergonomischer Aspekte bei der Produkt- und Arbeitssystemgestaltung. Berlin, Heidelberg: Springer Berlin; Imprint 1997, S. 1–2 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-17
  57. [1] Wang, Y.; Peng, T.: Speculations on the Market Evolution of Cloud Manufacturing 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  58. [2] Juan Du, V. S.: Ontology-Based Information Integration and Decision Making in Prefabricated Construction Component Supply Chain. In: Twenty-third Americas Conference on Information Systems (2017) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  59. [3] Parker, G. G.; van Alstyne, M. W.; Choudary, S. P.: Die Plattform-Revolution. Von Airbnb, Uber, PayPal und Co. lernen: Wie neue Plattform-Geschäftsmodelle die Wirtschaft verändern 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  60. [4] Wu, D.; Greer, M. J.; Rosen, D. W.; Schaefer, D.: Cloud Manufacturing: Drivers, Current Status, and Future Trends 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  61. [5] Xu, W.; Yao, B.; Fang, V.; Xu, W.; Liu, Q.; Zhou, Z.: Service-oriented sustainable manufacturing: Framework and Methodologies. In: Zeng, Y. (Hrsg.): 2014 International Conference on Innovative Design and Manufacturing (ICIDM 2014). Montréal, Québec, Canada, 13 – 15 August 2014. Piscataway, NJ 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  62. [6] Behrens, L.; Wiesner, S.: Empirische Studie zu dynamischen Produktionsplattformen – Potenziale für den Einsatz von dynamischen Plattformen während der COVID-19 Pandemie. In: Industrie 4.0 Management (2021) 37 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  63. [7] Laserhub: Laserhub – Ihr digitaler Komplettanbieter für Metallteile. Internet: https://laserhub.com/. Zugriff am 30.04.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  64. [8] Xometry Europe. In: Xometry Europe (2020). Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  65. [9] Stefan Wiesner; Larissa Behrens; Jannicke Baalsrud Hauge: Business Model Development for a Dynamic Production Network Platform 2020. Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  66. [10] DPNB – Broker für dynamische Produktionsnetzwerke. Internet: https://www.dpnb.de/. Zugriff am 30.04.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  67. [11] Bortolini, M.; Ferrari, E.; Gamberi, M.; Pilati, F.; Faccio, M.: Assembly system design in the Industry 4.0 era: a general framework. In: IFAC-PapersOnLine 50 (2017) 1, S. 5700–05 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  68. [12] Lotter, B.; Wiendahl, H.-P.: Montage in der industriellen Produktion. Ein Handbuch für die Praxis, 2. Aufl. 2013. Berlin, Heidelberg 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  69. [13] Hinrichsen, S.; Riediger, D.; Unrau, A.: Assistance Systems in Manual Assembly: Production Engineering and Management. Proceedings 6th International 2016. Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  70. [14] Wolfartsberger, J.; Hallewell Haslwanter, J.; Lindorfer, R.: Perspectives on Assistive Systems for Manual Assembly Tasks in Industry. In: Technologies 7 (2019), S. 12 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  71. [15] Mueller, R.; Vette-Steinkamp, M.; Hoerauf, L.; Speicher, C.; Bashir, A.: Intelligent and Flexible Worker Assistance Systems – Assembly Assistance Platform for Planning Assisted Assembly and Rework as Well as Execution of a Worker-Centered Assistance. In: Richard, P.; Chessa, M.; Braz, J. (Hrsg.): VISIGRAPP 2018. Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications : Funchal, Madeira, Portugal, January 27–29, 2018. Setúbal, Portugal 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  72. [16] Aehnelt, M.; Urban, B.: The Knowledge Gap: Providing Situation-Aware Information Assistance on the Shop Floor. In: Nah, F. F.-H.; Tan, C.-H. (Hrsg.): HCI in business. Second international conference, HCIB 2015, held as part of HCI International 2015, Los Angeles, CA, USA, August 2–7, 2015 ; proceedings. Cham 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  73. [17] Bertram, P.; Birtel, M.; Quint, F.; Ruskowski, M.: Intelligent Manual Working Station through Assistive Systems. In: IFAC-PapersOnLine 51 (2018) 11, S. 170–75 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  74. [18] Thamm, S.; Huebser, L.; Adam, T.; Hellebrandt, T.; Heine, I.; Barbalho, S.; Velho, S. K.; Becker, M.; Bagnato, V. S.; Schmitt, R. H.: Concept for an augmented intelligence-based quality assurance of assembly tasks in global value networks. In: Procedia CIRP 97 (2021), S. 423–28 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-23
  75. [1] Quigley, M. et al.: ROS: an open-source Robot Operating System. ICRA workshop on open source software. Volume 3 (2009) 3.2. Internet: scholar.google.com/scholar?oi=bibs&cluster=143767492575573826&btnI=1&hl=de. Zugriff am 24.08.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  76. [2] Wan, J.; Zhang, D.; Zhao, S. et al.: Context-aware vehicular cyber-physical systems with cloud support: architecture, challenges, and solutions. IEEE Communications Magazine 52 (2014) 8, pp. 106–113 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  77. [3] Wan, J. et al.: Cloud robotics: Current status and open issues. IEEE Access 4 (2016), pp. 2797–2807 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  78. [4] Lambrecht, J. et al.: Cognitive Edge for Factory: a Case Study on Campus Networks enabling Smart Intralogistics. 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), Zaragoza, Spain, 2019, pp. 1325–1328, doi: 10.1109/ETFA.2019.8869394 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  79. [5] Lambrecht, J.: Funk, E.: Edge-Enabled Autonomous Navigation and Computer Vision as a Service: A Study on Mobile Robot’s Onboard Energy Consumption and Computing Requirements. In: Silva, M.; Luís Lima, J.; Reis, L. et al. (Eds.): Robot 2019: Fourth Iberian Robotics Conference. ROBOT 2019. Advances in Intelligent Systems and Computing 1093 (2019), pp. 291–302 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  80. [6] Waibel, M. et al.: Roboearth. IEEE Robotics & Automation Magazine 18 (2011) 2, pp. 69–82 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  81. [7] Egwutuoha, I. P. et al.: A fault tolerance framework for high performance computing in cloud. Proceedings of the 12th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (ccgrid 2012), 2012, pp. 709–710 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  82. [8] N. N.: Time-Sensitive Networking Task Group Stand: 2021. Internet: www.ieee802.org/1/pages/tsn.html. Zugriff am 24.08.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  83. [9] Prinz, F. et al.: End-to-end redundancy between real-time I4. 0 Components based on Time-Sensitive Networking. 2018 IEEE 23rd International Conference on Emerging Technologies and Factory Automation (ETFA). Volume 1, 2018, pp. 1083–1086 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-28
  84. [1] Mensch-Roboter-Kollaboration: So arbeiten Mensch und Maschine sicher zusammen. 2018. Internet: https://www.vde.com/topics-de/industry/aktuelles/mensch-roboter-kollaboration. Zugriff am 23.04.2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  85. [2] Institut für angewandte Arbeitswissenschaft e. V. (ifaa): Zahlen / Daten / Fakten – Mensch-Roboter-Kollaboration. 2017. Internet: https://www.arbeitswissenschaft.net/fileadmin/user_upload/Downloads/Factsheet_Mensch_Roboter_Kollaboration.pdf, Zugriff am 23.08.2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  86. [3] Maienschein, B.: „Kollege“ Roboter: Freund oder Feind?. In: MM Logistik, 6 (2018), S. 18–21 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  87. [4] Nördinger, S.: 4 Konzepte für eine sichere Mensch-Roboter-Kollaboration. 2017. Internet: https://www.produktion.de/trends-innovationen/id-4-konzepte-fuer-eine-sichere-mensch-roboter-kollaboration-120.html. Zugriff am 24.04.2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  88. [5] Deutsches Institut für Normung e. V. (Hrsg.): DIN EN ISO 13849-1 – Sicherheit von Maschinen – Sicherheitsbezogene Teile von Steuerungen – Teil 1: Allgemeine Gestaltungsleitsätze. Berlin: Beuth-Verlag GmbH, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  89. [6] Deutsches Institut für Normung e. V. (Hrsg.): DIN EN ISO 13849-2 – Sicherheit von Maschinen – Sicherheitsbezogene Teile von Steuerungen – Teil 2: Validierung. Berlin: Beuth-Verlag GmbH, 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  90. [7] Deutsches Institut für Normung e. V. (Hrsg.): DIN ISO/TS 15066 – Roboter und Robotikgeräte – Kollaborierende Roboter. Berlin: Beuth-Verlag GmbH, 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  91. [8] Deutsches Institut für Normung e. V. (Hrsg.): DIN EN ISO 10218-2 – Industrieroboter – Sicherheitsanforderungen – Teil 2: Robotersysteme und Integration. Berlin: Beuth-Verlag GmbH, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  92. [9] Deutsches Institut für Normung e. V. (Hrsg.): DIN EN ISO 10218-1 – Industrieroboter – Sicherheitsanforderungen – Teil 1: Roboter. Berlin: Beuth-Verlag GmbH, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  93. [10] Rockwell Automation: Grundbegriffe der Sensorik – Lehrgangs-Handbuch. 2001. Internet: http://www.swibox.ch/fileadmin/user_upload/elektrokomponenten/Diverse_Grundlagen/Grundlagebegriffe_der_ Sensorik.pdf. Zugriff am 23.08.2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  94. [11] Rojas Cuevas, A.: AR / VR Technology – Will it change the world? In: Premo S.L. (Hrsg.): VR – EM motion tracking sensors & applications. Málaga, 2017. – ISBN 84–697–8100–5 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  95. [12] MotionMiners GmbH, 2019. Internet: https://www.motionminers.com/index.html. Zugriff am 08.05.2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  96. [13] Alpayadin, E.: Introduction to machine learning – third edition. The MIT Press Cambridge, Massachusetts, 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  97. [14] Statista, 2018: Größte Hersteller von Industriemaschinen weltweit nach Umsatz im Jahr 2017 (in Milliarden US-Dollar). Internet: https://de.statista.com/statistik/daten/studie/478377/umfrage/ranking-der-hersteller-von-industriemaschinen-nach-umsatz/. Zugriff am 05.04.2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-33
  98. [1] Vovk A., Sölter J., Karpuschewski B.: Numerical investigation of the influence of multiple loads on material modifications during hard milling. 18th CIRP Conference on Modelling of Machining Operations, Ljubljana, Slovenia, 2021, pp.??? Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-38
  99. [2] Field, M.; Kahles, J.F.: Review of surface integrity of machined components. CIRP Annals Manufacturing Technoly 20 (1971), pp. 491–510 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-38
  100. [3] Armstrong, P.J.; Frederick, C.O.: A Mathematical Representation of the Multi Axial Bauschinger Effect. CEGB Report RD/B/N 731, Central Electricity Generating Board. Materials at High Temperature, 24 (2007), pp. 1–26 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-38
  101. [4] Vovk, A.; Sölter, J.; Karpuschewski, B.: Finite element simulations of the material loads and residual stresses in milling utilizing the CEL method. Procedia CIRP 87 (2020), pp. 539–544. doi.org/10.1016/j.procir.2020.03.005 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-38
  102. [5] Rech J., Arrazola P., Claudin C. et al.: Characterisation of friction and heat partition coeffcients at the tool-work material interface in cutting. Annals of the CIRP 62 (2013), pp. 79–82 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-38
  103. [1] Marschall, J.; Hildebrandt, S.; Kleinlercher, K.-M.; Nolting, H.-D. (2020): DAK Gesundheitsreport 2020. Stress in der modernen Arbeitswelt. Sonderanalyse: Digitalisierung und Homeoffice in der Corona-Krise. 1. Auflage. Hg. v. Andreas Storm. Heidelberg: medhochzwei Verlag (Beiträge zur Gesundheitsökonomie und Versorgungsforschung, 33). Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-43
  104. [2] Sicherheit und Gesundheit bei der Arbeit – Berichtsjahr 2019. Unfallverhütungsbericht Arbeit; Dortmund: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin 2020. ISBN: 978–3–88261–736–8, S. 216, Papier, PDF-Datei, DOI: 10.21934/baua:bericht20201215 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-43
  105. [3] Gefährdungsbeurteilung bei physischer Belastung – die neuen Leitmerkmalmethoden (LMM) – Kurzfassung. 3. Auflage. Dortmund: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin 2019. ISBN: 978–3–88261–261–5, Seiten 37, Projektnummer: F 2333, Papier, PDF-Datei, DOI: 10.21934/baua:bericht20191203 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-43
  106. [4] Schaub, K.G.; Mühlstedt, J.; Illmann, B.; Bauer, S.; Fritzsche, L.; Wagner, T. et al. (2012): Ergonomic assessment of automotive assembly tasks with digital human modelling and the ergonomics assessment worksheet‘ (EAWS). In: IJHFMS 3 (3/4), S. 398. DOI: 10.1504/IJHFMS.2012.051581 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-43
  107. [5] IFA: Bewertung physischer Belastungen gemäß DGUV-Information 208–033 (bisher: BGI/GUV-I 7011) (Anhang 3). Internet: http://www.dguv.de/medien/ifa/de/fac/ergonomie/pdf/bewertung_physischer_belastungen.pdf Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-43
  108. [6] Gesetz über die Durchführung von Maßnahmen des Arbeitsschutzes zur Verbesserung der Sicherheit und des Gesundheitsschutzes der Beschäftigten bei der Arbeit. ArbSchG. 1996 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-43
  109. [1] Verl, A.; Valente, A.; Melkote, S.; Brecher, C.; Ozturk, E.; Taner Tunc, L.: Robots in machining, CIRP Annals, 68/2, 2019: 799–822 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  110. [2] Le-Tien, L.; Albu-Schäffer, A.: Robust Adaptive Tracking Control Based on State Feedback Controller with Integrator Terms for Elastic, Joint Robots With Uncertain Parameters, IEEE TCST, 26/6, 2259–2267, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  111. [3] Niu, B.; Zhang, H.: Model based control of industrial robot and implementation of its gain scheduling robust control, IEEE Robio 2011, Karon Beach, Phuket, 2156–2162 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  112. [4] Mesmer, P.; Neubauer, M.; Lechler, A.; Verl, A.: Robust design of independent joint control of industrial robots with secondary encoders, Robotics and Computer-Integrated Manufacturing, 73, 2022 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  113. [5] Klimchik, A.; Pashkevich, A.: Robotic manipulators with double encoders: accuracy improvement based on advanced stiffness modeling and intelligent control, IFAC-PapersOnLine 2018, 51/11: 740–745 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  114. [6] Weigand, J.; Gafur, N.; Ruskowski, M.: Flatness Based Control of an Industrial Robot Joint Using Secondary Encoders, Robotics and Computer-Integrated Manufacturing, 68, 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  115. [7] Matsubara, A.; Ibaraki, S.; Kakino, Y.: Enhancement of Feed Drive Dynamics of NC Machine Tools by Actively Controlled Sliding Guideway, JSME International Journal Series C, 47/1: 150–159, 2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  116. [8] Verl, A.; Frey, S.: Improvement of feed drive dynamics by means of semi-active damping, CIRP Annals, 61/1: 351–354, 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  117. [9] Liu, Y.; Waters, T. P.; Brennan, M. J.: A comparison of semi-active damping control strategies for vibration isolation of harmonic disturbances, Journal auf Sound and Vibration, 280/1–2: 21–39, 2005 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  118. [10] Glad, T.; Ljung, L.: Velocity Estimation from Irregular, Noisy Position Measurements, IFAC Proceedings Volumes, 17/2: 1069–1073, 1984 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-48
  119. [1] Dryba, S.; Meißner, J.; Wanner, M.-C. et al.: Hochpräzises Bearbeiten von Schiffspropellern: Roboterapplikation zum Bohren von tiefengenauen Markierungssacklöchern auf großen Schiffspropellern. wt Werkstattstechnik online 107 (2017) 3, S. 182–188 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  120. [2] Müller, C.: IFR Press Conference. Stand: 24.09.2020. Internet: https://ifr.org/downloads/press2018/Presentation_WR_2020.pdf. Zugriff am 10.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  121. [3] Merlet, J.-P.: Optimal design of robots. Conference: Robotics: Science and Systems I, June 8–11, 2005, Massachusetts Institute of Technology Cambridge Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  122. [4] Briot, S.; Goldsztejn, A.: Topology optimization of industrial robots: Application to a five-bar mechanism. Mechanism and Machine Theory 120 (2018), S. 30–56 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  123. [5] Harzheim, L.: Strukturoptimierung. Grundlagen und Anwendungen. Frankfurt, M.: Verlag Harri Deutsch 2008 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  124. [6] Dryba, S.; Kny, R.; Wanner, M.-C. et al.: Vorrichtung nach Art eines Knickarmroboters, B25J 9/04. 07.10. Internet: https://depatisnet.dpma.de/DepatisNet/depatisnet?action=bibdat&docid=WO002015067334A1. Zugriff am 10.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  125. [7] Fanuc Deutschland GmbH: M-2000iA/2300. Der größte Lastenheber im Programm. Internet: https://www.fanuc.eu/de/de/roboter/roboterfilter-seite/m-2000-serie/m-2000ia-2000. Zugriff am 10.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  126. [8] Kawasaki Robotics GmbH: MG15HL Roboter. Roboter mit hohem Handgelenk-Drehmoment. Internet: https://robotics.kawasaki.com/de1/products/robots/extra-large-payloads/MG15HL/. Zugriff am 10.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-54
  127. [1] Shih, W.: Is It Time to Rethink Globalized Supply Chains? Stand: 15.06.2021. Internet: https://sloanreview.mit.edu/article/is-it-time-to-rethink-globalized-supply-chains/. Zugriff am 15.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  128. [2] Ya, W.; Hamilton, K.: On-Demand Spare Parts for the Marine Industry with Directed Energy Deposition: Propeller Use Case. In: Meboldt, M.; Klahn, C. (Hrsg.): Industrializing Additive Manufacturing – Proceedings of Additive Manufacturing in Products and Applications – AMPA2017. Cham: Springer International Publishing 2018, S. 70–81 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  129. [3] Durach, C. F.; Kurpjuweit, S.; Wagner, S. M.: The impact of additive manufacturing on supply chains. International Journal of Physical Distribution & Logistics Management 47 (2017) 10, S. 954–971 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  130. [4] Petschow, U.; Ferdinand, J.-P.; Dickel, S. et al.: Dezentrale Produktion, 3D-Druck und Nachhaltigkeit. Trajektorien und Potenziale innovativer Wertschöpfungsmuster zwischen Maker-Bewegung und Industrie 4.0. Berlin: Institut für ökologische Wirtschaftsforschung Berlin 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  131. [5] Khajavi, S. H.; Partanen, J.; Holmström, J.: Additive manufacturing in the spare parts supply chain. Computers in Industry 65 (2014) 1, S. 50–63 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  132. [6] Fraunhofer-Verbund Produktion: Cluster 3.1. »Resilienzsteigerung komplexer Wertschöpfungssysteme mittels additiver Fertigungsverfahren«. Stand: 14.06.2021. Internet: https://www.produktion.fraunhofer.de/de/forschung-im-verbund/zukunftsthemen/RESYST/Blog/31_ResilienzsteigerungadditiverFertigungsverfahren.html. Zugriff am 14.06.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  133. [7] Gebhardt, A.: Additive Fertigungsverfahren. Additive Manufacturing und 3D-Drucken für Prototyping – Tooling – Produktion. München: Hanser 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  134. [8] DIN Deutsches Institut für Normung e. V.: EN ISO/ASTM 52900:2017. Additive Fertigung – Grundlagen – Terminologie. Berlin: Beuth Verlag GmbH Juni 2017 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  135. [9] Dombrowski, U.; Malorny, C.; Engel, C.: Erfolgreich im Ersatzteilmanagement durch Anwendung additiver Fertigungsverfahren. ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 109 (2014) 9, S. 621–624 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  136. [10] Despeisse, M.; Minshall, T.: Skills and Education for Additive Manufacturing: A Review of Emerging Issues. In: Lödding, H.; Riedel, R.; Thoben, K.-D. et al. (Hrsg.): Advances in Production Management Systems. The Path to Intelligent, Collaborative and Sustainable Manufacturing. Cham: Springer International Publishing 2017, S. 289–297 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  137. [11] Thomas-Seale, L.; Kirkman-Brown, J. C.; Attallah, M. M. et al.: The barriers to the progression of additive manufacture: Perspectives from UK industry. International Journal of Production Economics 198 (2018), S. 104–118 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  138. [12] Vogt, M.; Rips, A.; Emmelmann, C.: Augmented Reality in der additiven Produktion. ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 115 (2020) 11, S. 800–804 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  139. [13] [ Thompson, S. M.; Bian, L.; Shamsaei, N. et al.: An overview of Direct Laser Deposition for additive manufacturing; Part I: Transport phenomena, modeling and diagnostics. Additive Manufacturing 8 (2015), S. 36–62 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  140. [14] Gibson, I.; Rosen, D.; Stucker, B.: Additive Manufacturing Technologies. 3D Printing, Rapid Prototyping, and Direct Digital Manufacturing. New York, NY, s.l.: Springer New York 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  141. [15] Möller, M.; Emmelmann, C.: Prozessmanagement für das Laser-Pulver-Auftragschweißen. Dissertation Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  142. [16] Dass, A.; Moridi, A.: State of the Art in Directed Energy Deposition: From Additive Manufacturing to Materials Design. Coatings 9 (2019) 7, S. 418 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  143. [17] Uriondo, A.; Esperon-Miguez, M.; Perinpanayagam, S.: The present and future of additive manufacturing in the aerospace sector: A review of important aspects. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 229 (2015) 11, S. 2132–2147 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  144. [18] Deutscher Verband für Schweißen und Verwandte Verfahren: Grundlegende wissenschaftliche Konzepterstellung zu bestehenden Herausforderungen und Perspektiven für die Additive Fertigung mit Lichtbogen. Studie im Auftrag der Forschungsvereinigung Schweißen und verwandte Verfahren e.V. des DVS. Düsseldorf: DVS Media GmbH 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  145. [19] Bauer, W.; Dworschak, B.; Zaiser, H.: Weiterbildung und Kompetenzentwicklung für die Industrie 4.0. In: Vogel-Heuser, B.; Bauernhansl, T.; Hompel, M. ten (Hrsg.): Handbuch Industrie 4.0. Berlin, Heidelberg: Springer Berlin Heidelberg 2016, S. 1–14 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  146. [20] Link, M.; Hamann, K.: Einsatz digitaler Assistenzsysteme in der Produktion. ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 114 (2019) 10, S. 683–687 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  147. [21] Lachmayer, R.; Lippert, R. B.; Kaierle, S. (Hrsg.): Additive Serienfertigung. Erfolgsfaktoren und Handlungsfelder für die Anwendung. Berlin: Springer Vieweg 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  148. [22] Milgram, P.; Takemura, H.; Utsumi, A. et al.: Augmented reality: a class of displays on the reality-virtuality continuum. Photonics for Industrial Applications, Boston, MA, 1995, S. 282–292 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  149. [23] Glanz, A.: Augmented Reality in der Industrie 4.0. In: Borgmeier, A.; Grohmann, A.; Gross, S. F. (Hrsg.): Smart Services und Internet der Dinge: Geschäftsmodelle, Umsetzung und Best Practices. München: Carl Hanser Verlag GmbH & Co. KG 2017, S. 123–134 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-59
  150. [1] Gabriel, F.; Fahning, M.; Meiners, J. et al.: Modeling of vacuum grippers for the design of energy efficient vacuum-based handling processes. Production Engineering (2020) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-64
  151. [2] Gabriel, F.; Römer, M.; Bobka, P. et al.: Model-based grasp planning for energy-efficient vacuum-based handling. CIRP Annals (2021) 70, S. 1–4 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-64
  152. [3] Kuolt, H.; Kampowski, T.; Poppinga, S. et al.: Increase of energy efficiency in vacuum handling systems based on biomimetic principles. In: Weber, J. (Edit.): 12th International Fluid Power Conference (12. IFK). Dresden: Dresdner Verein zur Förderung der Fluidtechnik e. V. Dresden 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-64
  153. [4] Gabriel, F.; Bergers, J.; Aschersleben, F. et al.: Increasing the Energy-Efficiency in Vacuum-Based Package Handling Using Deep Q-Learning. Energies 2021 (2021) 14 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-64
  154. [1] Martin, K.; Stewart, C. V.; Hammond, R.: Real time tracking of borescope tip pose. Third IEEE Workshop on Applications of Computer Vision. WACV‘96, Sarasota, FL, USA, 1996, pp. 123–128 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  155. [2] General Electric Company, Schenectady, NY: Borescope and navigation method thereof. 15.04.2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  156. [3] Matthias, S.; Kästner, M.; Reithmeier, E.: A 3D measuring endoscope for hand-guided operation. Measurement Science and Technology 29 (2018) 9, S. 94001 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  157. [4] Pulwer, S.; Fiebelkorn, R.; Zesch, C. et al.: Endoscopic orientation by multimodal data fusion. MOEMS and Miniaturized Systems XVIII, San Francisco, United States, 2019, S. 39 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  158. [5] Yang, Y.; Song, G.; Harding, K.: 3D tracking for borescope inspections. SPIE Sensing Technology + Applications, Baltimore, Maryland, United States, 2015, 94890L Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  159. [6] Siemens Energy, Inc., Orlando, FL: Optical inspection scope with deformable, self-supporting deployment tether. 2015 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  160. [7] Heilemann, F.; Dadashi, A.; Wicke, K.: Eeloscope—Towards a Novel Endoscopic System Enabling Digital Aircraft Fuel Tank Maintenance. Aerospace 8 (2021) 5, S. 136 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  161. [8] Dong, X.; Axinte, D.; Palmer, D. et al.: Development of a slender continuum robotic system for on-wing inspection/repair of gas turbine engines. Robotics and Computer-Integrated Manufacturing 44 (2017), S. 218–229 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  162. [9] Vorrichtung und Verfahren für die Boroskopinspektion von technischen Geräten (DE102020106509) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  163. [10] Vorrichtung für die Boroskopinspektion von technischen Geräten (DE102020106508) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  164. [11] Oke Peters, J.; Thies, M.; Schüppstuhl, T. et al.: Verfahren und Vorrichtung zur Inspektion schwer erreichbarer Komponenten (DE102019100820 A1). 14.01.2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  165. [12] Spinnler, K.; Bergen, T.; Wittenberg, T.: Automatisierung der technischen Endoskopie mit Hilfe von Methoden der digitalen Bildverarbeitung. 4. Fachseminar: Optische Prüf- und Messverfahren (2015) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  166. [13] Spinnler, K.; Arnold, C.; Elter, M. et al.: Neue Entwicklungen für die automatische Sichtprüfung von Innenflächen. DGZfP-Jahrestagung – Vortrag 73 (2007) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  167. [14] Bergen, T.; Wittenberg, T.: Stitching and Surface Reconstruction From Endoscopic Image Sequences: A Review of Applications and Methods. IEEE journal of biomedical and health informatics 20 (2016) 1, pp. 304–321 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  168. [15] Speidel, S.: Analyse endoskopischer Bildsequenzen für ein laparoskopisches Assistenzsystem. Karlsruhe: KIT Scientific Publ 2010 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  169. [16] Martelli, S.; Mazzei, L.; Canali, C. et al.: Deep Endoscope: Intelligent Duct Inspection for the Avionic Industry. IEEE Transactions on Industrial Informatics 14 (2018) 4, S. 1701–1711 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  170. [17] Svensén, M.; Hardwick, D. S.; Powrie, H. E. G.: Deep Neural Networks Analysis of Borescope Images. European Conference of the Prognostics and Health Management Society (2018) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  171. [18] Gutierrez, P.; Luschkova, M.; Cordier, A. et al.: Synthetic training data generation for deep learning based quality inspection, 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  172. [19] Mahmood, F.; Chen, R.; Sudarsky, S. et al.: Deep Learning with Cinematic Rendering: Fine-Tuning Deep Neural Networks Using Photorealistic Medical Images. Physics in Medicine & Biology 63 (2018) 18, S. 185012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  173. [20] Bosnar, L.; Doria Saric; Siddhartha Dutta et al.: Image Synthesis Pipeline for Surface Inspection (2020) Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-70
  174. [1] Müller, R.; Kanso, A; Schneider, M.: Ein Lösungsansatz zur Verbesserung der Genauigkeit von kraftgeregelten Applikationen basierend auf einem seriellen Roboter mit integrierter Sensorik. Digital-Fachtagung Mechatronik. Darmstadt 2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  175. [2] Kanso, A.; Vette-Steinkamp, M.: Müller, R.: Development of a Sensitive Winding Application Based on a Serial Robot and Integrated Torque Sensors. Smart Technologies for Precision Assembly.2021 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  176. [3] Feldhusen, J.; Grote, K.-H.: Pahl/Beitz Konstruktionslehre. Berlin, Heidelberg: Springer Berlin Heidelberg 2013 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  177. [4] Lotter, B.; Wiendahl, H.-P.: Montage in der industriellen Produktion. Berlin, Heidelberg: Springer Berlin Heidelberg 2012 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  178. [5] Klaus, F.; Schöppner, V.; Spur, G.: Handbuch Fügen, Handhaben und Montieren. Hanser Verlag, 2014 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  179. [6] Lee, I.; Shin, Y. J.: Machine learning for enterprises: Applications, algorithm selection, and challenges. Bus. Horiz., vol. 63, no. 2, pp. 157–170, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  180. [7] Wuest, T.; Weimer, D.; Irgens, C. et al.: Machine learning in manufacturing: advantages, challenges, and applications, Production & Manufacturing Research. vol. 4. pp. 23–45, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  181. [8] Schneider, T; Klein, S.; Schütze, A.: Machine learning in industrial measurement technology for detection of known and unknown faults of equipment and sensors. tm – Technisches Messen, 86 (11), pp. 706–718, 2019 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  182. [9] Lueth, K. L.; Patsioura, C.; Williams, Z. D. et al.: The current state of data analytics usage in industrial companies. Industrial Analytics 2016/2017, 2016 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  183. [10] Edmondson, N. F.; Redford, A. H.: A compliance device for flexible close tolerance assembly. Industrial Robot: An International Journal 28 (1), S. 54–63, 2001 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  184. [11] Müller, R.; Esser, M.; Janßen, C. et al.: Flexible automatisierte Montagesysteme – Toleranzoptimierte Montage von miniaturisierten Produkten. Mechatronik, Wiesloch, 2009 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  185. [12] Müller, R.; Mende, L.; Blum, A. et al.: Prozessorientiertes Toleranzmanagement in der Montage. Summer School Toleranzmanagement, Erlangen, 2020, S. 117–124 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  186. [13] Schneider, T.; Helwig, N.; Schütze, A.: Industrial condition monitoring with smart sensors using automated feature extraction and selection. IOP Meas. Sci. Technol. 29 094002, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-76
  187. [1] Pfeifer, T., Schmitt, R.; Autonome Produktionszellen. Aachen: VDI (2006), Springer Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  188. [2] Datron AG: Datron next REST API Automation, 14 Juni 2021 [Online]. Internet: https://datron-next.com/software-optionen/datron-next-rest-api-automation/ Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  189. [3] Goodfellow, I.; Bengio, Y.; Courville, A.: Deep Learning, The MIT Press, 2016, ISBN 10: 0262035618 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  190. [4] Othman, N. A.; Salur M. U.; Karakose, M.; Aydin, I.: An embedded real-time object detection and measurement of its size. In International Conference on Artificial Intelligence and Data Processing (IDAP), p. 1–4. IEEE, 2018 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  191. [5] Kumar Das, S.; Prasad Das, S.; Dey, N.; Hassanien, A.-E.: Machine Learning Algorithms for Industrial Applications, Verlag Springer Nature, 2020 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  192. [6] Lowe, D. G.: Distinctive Image Features from Scale-Invariant Keypoints. In International Journal of Computer Vision. Band 60, Nr. 2, Seiten 91–110, 2004 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  193. [7] Bay, H.; Tuytelaars, T.; Van Gool, L.: SURF: Speeded Up Robust Features. In: Leonardis A., Bischof H., Pinz A. (eds) Computer Vision – ECCV 2006. ECCV 2006. Lecture Notes in Computer Science, vol 3951. HeiBerlin, Heidelberg: Springer. Doi.org/10.1007/11744023_32 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  194. [8] Rublee, E.; Rabaud, V.; Konolige, K.; Bradski, G.: ORB: An efficient alternative to SIFT or SURF. In: International Conference on Computer Vision, 2011, pp. 2564–2571. DOI: 10.1109/ICCV.2011.6126544 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80
  195. [9] Huang, C.; Chen, D.; Tang, X.: Implementation of Workpiece Recognition and Location Based on Opencv. In 8th International Symposium on Computational Intelligence and Design (ISCID), Hangzhou, China, Dec. 2015, pp. 228–232. DOI: 10.1109/ISCID.2015.143 Google Scholar öffnen doi.org/10.37544/1436-4980-2021-09-80

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