Zukunftslabor Produktion: Vernetzung, Modellierung und Optimierung in der industriellen Produktion

Jonas Kallisch; Berend Denkena; Kathrin Kramer; Lukas Stürenburg; Slava Pachandrin; Markus Rokicki; Jörg Walter; Marcus Nein; Marvin Voss; Christoph Wunck; Karl Heinz Niemann; Matthias Schmidt; Klaus Dilger; Claudia Niederée; Norbert Hoffmann

doi:10.1515/zwf-2024-1061

Zukunftslabor Produktion: Vernetzung, Modellierung und Optimierung in der industriellen Produktion

Jonas Kallisch^*
, Berend Denkena
, Kathrin Kramer
, Lukas Stürenburg
, Slava Pachandrin
, Markus Rokicki
, Jörg Walter
, Marcus Nein
, Marvin Voss
, Christoph Wunck
, Karl Heinz Niemann
, Matthias Schmidt
, Klaus Dilger
, Claudia Niederée
, Norbert Hoffmann

^*Korrespondierende/r Autor/-in für diese Arbeit

Publikation: Beiträge in Zeitschriften › Zeitschriftenaufsätze › Forschung › Begutachtung

1 Zitat (Scopus)

Abstract

Das Zukunftslabor Produktion zeigt exemplarisch am Druckgussprozess, wie produzierende Unternehmen ihre Bestandsanlagen digitalisieren, deren Fertigung mit maschinellem Lernen optimieren und unter Erhalt ihrer Datensouveränität Informationen austauschen können. Ziel ist es, Unternehmen von der Digitalisierung der Maschine bis zur Datenplattform durchgehend zu unterstützen. Dabei liegt der Fokus auf der digitalen Abbildung der gesamten Industriellen Leistungskette In diesem Beitrag werden die eingesetzten Methoden, die entwickelten Konzepte und deren Nutzwerte beschrieben.

Titel in Übersetzung	Future Lab Production Networking, Modeling and Optimization of the Industrial Production
Originalsprache	Deutsch
Zeitschrift	ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb
Jahrgang	119
Ausgabenummer	5
Seiten (von - bis)	372-377
Seitenumfang	6
ISSN	0947-0085
DOIs	https://doi.org/10.1515/zwf-2024-1061
Publikationsstatus	Erschienen - 05.2024

Bibliographische Notiz

Publisher Copyright:
© 2024 Walter de Gruyter GmbH, Berlin/Boston, Germany.

Fachgebiete und Schlagwörter

Digital Twin
Information Exchange
Machine Learning
Manufacturing Network
Process Control
Retrofitting
Ingenieurwissenschaften

ASJC Scopus Sachgebiete

Strategie und Management
Ingenieurwesen (insg.)
Managementlehre und Operations Resarch

UN SDGs

Dieser Output leistet einen Beitrag zu folgendem(n) Ziel(en) für nachhaltige Entwicklung

Zugriff auf Dokument

10.1515/zwf-2024-1061

Dieses zitieren

Kallisch, J., Denkena, B., Kramer, K., Stürenburg, L., Pachandrin, S., Rokicki, M., Walter, J., Nein, M., Voss, M., Wunck, C., Niemann, K. H., Schmidt, M., Dilger, K., Niederée, C., & Hoffmann, N. (2024). Zukunftslabor Produktion: Vernetzung, Modellierung und Optimierung in der industriellen Produktion. ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb, 119(5), 372-377. https://doi.org/10.1515/zwf-2024-1061

@article{63800277bfda4850b70a4fc39128e825,

title = "Zukunftslabor Produktion: Vernetzung, Modellierung und Optimierung in der industriellen Produktion",

abstract = "Das Zukunftslabor Produktion zeigt exemplarisch am Druckgussprozess, wie produzierende Unternehmen ihre Bestandsanlagen digitalisieren, deren Fertigung mit maschinellem Lernen optimieren und unter Erhalt ihrer Datensouver{\"a}nit{\"a}t Informationen austauschen k{\"o}nnen. Ziel ist es, Unternehmen von der Digitalisierung der Maschine bis zur Datenplattform durchgehend zu unterst{\"u}tzen. Dabei liegt der Fokus auf der digitalen Abbildung der gesamten Industriellen Leistungskette In diesem Beitrag werden die eingesetzten Methoden, die entwickelten Konzepte und deren Nutzwerte beschrieben.",

keywords = "Digital Twin, Information Exchange, Machine Learning, Manufacturing Network, Process Control, Retrofitting, digital twin, information exchange, machine learning, manufacturing network, process control, retrofitting, Ingenieurwissenschaften",

author = "Jonas Kallisch and Berend Denkena and Kathrin Kramer and Lukas St{\"u}renburg and Slava Pachandrin and Markus Rokicki and J{\"o}rg Walter and Marcus Nein and Marvin Voss and Christoph Wunck and Niemann, \{Karl Heinz\} and Matthias Schmidt and Klaus Dilger and Claudia Nieder{\'e}e and Norbert Hoffmann",

note = "Publisher Copyright: {\textcopyright} 2024 Walter de Gruyter GmbH, Berlin/Boston, Germany.",

year = "2024",

month = may,

doi = "10.1515/zwf-2024-1061",

language = "Deutsch",

volume = "119",

pages = "372--377",

journal = "ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb",

issn = "0947-0085",

publisher = "Walter de Gruyter GmbH",

number = "5",

}

Kallisch, J, Denkena, B, Kramer, K, Stürenburg, L, Pachandrin, S, Rokicki, M, Walter, J, Nein, M, Voss, M, Wunck, C, Niemann, KH, Schmidt, M, Dilger, K, Niederée, C & Hoffmann, N 2024, 'Zukunftslabor Produktion: Vernetzung, Modellierung und Optimierung in der industriellen Produktion', ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb, Jg. 119, Nr. 5, S. 372-377. https://doi.org/10.1515/zwf-2024-1061

TY - JOUR

T1 - Zukunftslabor Produktion

T2 - Vernetzung, Modellierung und Optimierung in der industriellen Produktion

AU - Kallisch, Jonas

AU - Denkena, Berend

AU - Kramer, Kathrin

AU - Stürenburg, Lukas

AU - Pachandrin, Slava

AU - Rokicki, Markus

AU - Walter, Jörg

AU - Nein, Marcus

AU - Voss, Marvin

AU - Wunck, Christoph

AU - Niemann, Karl Heinz

AU - Schmidt, Matthias

AU - Dilger, Klaus

AU - Niederée, Claudia

AU - Hoffmann, Norbert

PY - 2024/5

Y1 - 2024/5

N2 - Das Zukunftslabor Produktion zeigt exemplarisch am Druckgussprozess, wie produzierende Unternehmen ihre Bestandsanlagen digitalisieren, deren Fertigung mit maschinellem Lernen optimieren und unter Erhalt ihrer Datensouveränität Informationen austauschen können. Ziel ist es, Unternehmen von der Digitalisierung der Maschine bis zur Datenplattform durchgehend zu unterstützen. Dabei liegt der Fokus auf der digitalen Abbildung der gesamten Industriellen Leistungskette In diesem Beitrag werden die eingesetzten Methoden, die entwickelten Konzepte und deren Nutzwerte beschrieben.

AB - Das Zukunftslabor Produktion zeigt exemplarisch am Druckgussprozess, wie produzierende Unternehmen ihre Bestandsanlagen digitalisieren, deren Fertigung mit maschinellem Lernen optimieren und unter Erhalt ihrer Datensouveränität Informationen austauschen können. Ziel ist es, Unternehmen von der Digitalisierung der Maschine bis zur Datenplattform durchgehend zu unterstützen. Dabei liegt der Fokus auf der digitalen Abbildung der gesamten Industriellen Leistungskette In diesem Beitrag werden die eingesetzten Methoden, die entwickelten Konzepte und deren Nutzwerte beschrieben.

KW - Digital Twin

KW - Information Exchange

KW - Machine Learning

KW - Manufacturing Network

KW - Process Control

KW - Retrofitting

KW - digital twin

KW - information exchange

KW - machine learning

KW - manufacturing network

KW - process control

KW - retrofitting

KW - Ingenieurwissenschaften

UR - https://www.scopus.com/pages/publications/85193920866

UR - https://www.mendeley.com/catalogue/d0d6a6d2-5f3f-36de-9154-b263f2f30fc1/

U2 - 10.1515/zwf-2024-1061

DO - 10.1515/zwf-2024-1061

M3 - Zeitschriftenaufsätze

AN - SCOPUS:85193920866

SN - 0947-0085

VL - 119

SP - 372

EP - 377

JO - ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb

JF - ZWF Zeitschrift fuer Wirtschaftlichen Fabrikbetrieb

IS - 5

ER -

Zukunftslabor Produktion: Vernetzung, Modellierung und Optimierung in der industriellen Produktion

Abstract

Bibliographische Notiz

Fachgebiete und Schlagwörter

ASJC Scopus Sachgebiete

UN SDGs

Zugriff auf Dokument

Fingerprint

Dieses zitieren