Outline

Gliederung

IM 38, 2022, 45-48
Flexibles Referenzmodell zur Planung und Optimierung der Produktion (Teil 2): Generierung digitaler Fabrikmodelle durch den digitalen Zwilling
Jürgen Köbler, David Wußler, Michael Schlecht, Sarah Kirchenbaur, Hochschule Offenburg, Roland de Guio, INSA Straßburg, Max Blöchle und Benedikt Schwaiger, SMH Analytics GmbH

Bibtex

Cite as text

						@Article{Köbler+Wußler+Schlecht+Kirchenbaur+de Guio+Blöchle+Schwaiger,
							Cite-key = "Koebler2022", 
							Year= "2022", 
							Number= "5", 
							 Volume= "IM 38", 
							Pages= "45-48", 
							Journal   = "Industrie 4.0 Management",
							 Title= "Flexibles Referenzmodell zur Planung und Optimierung der Produktion (Teil 2):  Generierung digitaler Fabrikmodelle durch den digitalen Zwilling", 
							Author= "Jürgen Köbler, David Wußler, Michael Schlecht, Sarah Kirchenbaur, Hochschule Offenburg,
Roland de Guio, INSA Straßburg, Max Blöchle und Benedikt Schwaiger, SMH Analytics GmbH", 
							Doi= "https://doi.org/10.30844/IM_22-5_45-48", 
							 Abstract= "In dem ersten Teil dieses Beitrags, welcher in der Industrie 4.0 Management
Ausgabe 5/2021 erschienen ist, wurde das Referenzmodell bereits in
seinen wesentlichen Grundzügen erläutert [1]. Im zweiten Teil soll die
Weiterentwicklung zu einem flexiblen Referenzmodell aufgezeigt werden.
Der Fokus liegt auf die Implementierung von weiteren Planungstools, und
die Implementierung von KI-Tools zur Erreichung eines dynamischen
Produktionsengineerings in Form einer ganzheitlichen und integrierten
Fabrikplanung.", 
							 Keywords= "Digitales Engineering, Digitaler Zwilling, Flexibles Referenzmodell, Simulationsbasierte Optimierung, Data Engineering, flexible Kollaborationsplattform", 
							}
					
Jürgen Köbler, David Wußler, Michael Schlecht, Sarah Kirchenbaur, Hochschule Offenburg,
Roland de Guio, INSA Straßburg, Max Blöchle und Benedikt Schwaiger, SMH Analytics GmbH(2022): Flexibles Referenzmodell zur Planung und Optimierung der Produktion (Teil 2):  Generierung digitaler Fabrikmodelle durch den digitalen Zwilling. IM 385(2022), S. 45-48. Online: https://doi.org/10.30844/IM_22-5_45-48 (Abgerufen 21.12.24)
https://doi.org/10.30844/IM_22-5_45-48

Open Access

Abstract

Abstract

In dem ersten Teil dieses Beitrags, welcher in der Industrie 4.0 Management Ausgabe 5/2021 erschienen ist, wurde das Referenzmodell bereits in seinen wesentlichen Grundzügen erläutert [1]. Im zweiten Teil soll die Weiterentwicklung zu einem flexiblen Referenzmodell aufgezeigt werden. Der Fokus liegt auf die Implementierung von weiteren Planungstools, und die Implementierung von KI-Tools zur Erreichung eines dynamischen Produktionsengineerings in Form einer ganzheitlichen und integrierten Fabrikplanung.

Keywords

Schlüsselwörter

Digitales Engineering, Digitaler Zwilling, Flexibles Referenzmodell, Simulationsbasierte Optimierung, Data Engineering, flexible Kollaborationsplattform

References

Referenzen

[1] Schlecht, M. u. a.: Flexibles Referenzmodell zur Planung und Optimierung einer Produktion (Teil 1). In: Industrie 4.0 Management (2021) 5, S. 53-56. DOI: 10.30844/I40M_21-5_S53-56.

[2] Schlecht, M.; Berger, S.; Wußler, D.; Haun, M.; Köbler, J.: Optimierung der Reihenfolgeplanung: Integration von maschinellem Lernen und generischen Materialflussmodellen. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb 117 (2022), S. 9-13. https://doi.org/10.1515/zwf-2022-1005 

[3] Skoogh, A.; Perera, T.; Johansson, B.: Input data management in simulation – Industrial practices and future trends. In: Simulation Modelling Practice and Theory 29 (2012), S. 181-192. doi: 10.1016/j.simpat.2012.07.009.

[4] Bohács, G.; Semrau, K. F.: Automatische visuelle Datensammlung aus Materialflusssystemen und ihre Anwendung in Simulationsmodellen. In: Logistics Journal (2012). DOI: 10.2195/lj_NotRev_bohacs_de_201201_01.

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito