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

Table of contents

Bibliographic information

Cover of Volume: wt Werkstattstechnik online Volume 113 (2023), Edition 03
Open Access Full access

wt Werkstattstechnik online

Volume 113 (2023), Edition 03

Authors:
Publisher
VDI fachmedien, Düsseldorf
Copyright year
2023
ISSN-Online
1436-4980
ISSN-Print
1436-4980

Chapter information

Open Access Full access

Volume 113 (2023), Edition 03

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

Authors:
ISSN-Print
1436-4980
ISSN-Online
1436-4980
Preview:

Bibliography

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

Citation

Download RIS Download BibTex

Downloads

Download chapter (PDF)

Notice

This work is protected by copyright and may only be used in accordance with the provisions of the Terms of Use and License Agreement. Any use of the work beyond this is expressly prohibited and will be prosecuted.

Share via email

Media