Hybride Entscheidungsunterstützung in der Produktentstehung

Viele Anforderungen an technische Produkte treten erst zu einem späteren Zeitpunkt im Produktleben zu Tage: während der Produktnutzung, der Außerbetriebnahme oder der Materialrückführung. Dennoch müssen vor- und nachgelagerte Ressourcenverbräuche sowie zukünftig verfügbare Rezyklatmengen bereits während der Produktentstehung antizipiert und berücksichtigt werden.

Neue Konzepte sind erforderlich, um in der Produkt- und Produktionssystementwicklung mit schnell veränderlichen extremen Daten in unterschiedlichen Formaten umzugehen und zukünftig erforderliche Datenlagen rechtzeitig vorzubereiten: Welche Daten brauchen wir heute, welche morgen? Welche Informationen müssen wir zu welchem neuen Wissen aggregieren, um es in zukünftigen Entwicklungsprozessen zu berücksichtigen?

Die Produktentstehung gestaltet Kreislaufwirtschaft

Wer in der Produktentwicklung arbeitet, versteht sich als Problemlöser [1]. Man trägt die Gesamtverantwortung und gehört damit zu den zentralen Akteuren in der Gestaltung einer Kreislaufwirtschaft [2]. Wollen Unternehmen zukünftig klimaneutral werden, müssen Fachkräfte in der Produktentwicklung die Lebenszykluskomplexität [3] im eigenen Unternehmen, aber vor allem auch in vor- und nachgelagerten Prozessen bewusst beeinflussen [4, 5]. Wissen und Kompetenz sind ausschlaggebend dafür, dass ein Produkt zu einer Innovation wird [6]. Das Fundament dafür bilden Heuristiken, Methoden und Simulationen, die auf Daten, Informationen und Modellen basieren [7]. Damit beschränkt sich die Leistungsfähigkeit der Produktentstehung jedoch auf die Verarbeitung von modellierten Produkt- und Prozessdaten.

Ein PKW ist beispielsweise heute als Cyber-Physisches System (CPS) zu verstehen, das auf einem elektrifizierten Fahrzeugkonzept aufgebaut werden kann und mit anderen Elementen im Straßenverkehr im Sinne eines System-of-Systems interagiert (Bild 1). Für diesen PKW muss eine Baustruktur mit Blick auf das gesamte Produktleben – in Bild 1 dargestellt anhand des generischen Produktlebenszyklus (gPLC, siehe [8]) – festgelegt werden. Diese ist beispielsweise auch ausschlaggebend für die spätere Rezyklierung von Werkstoffen [9].

Der Austausch von Batterieelementen ist nur dann möglich, wenn die Demontage im Entwurf schon vorgesehen wird. Die Baustruktur muss entsprechend bereits mit dem Ziel von Nachhaltigkeit und Kreislauffähigkeit sowie im Kontext des Gesamtsystems gestaltet werden, in dem interdisziplinäre Abhängigkeiten bestehen [10].

Grenzen der Leistungsfähigkeit in der Entscheidungsfindung

Die Entscheidungssituation wird in Bild 1 durch sechs Aspekte von Komplexität detailliert, die die Grenzen der heutigen Leistungsfähigkeit exemplarisch zeigen:

• Die Baustruktur muss das Batteriesystem enthalten. Der erforderliche Bauraum hängt von der angestrebten maximalen Kapazität ab. Die Zielgröße ist unbekannt, realistische Ladezyklen und zukünftiges Fahrverhalten können nur von Fachleuten  geschätzt werden.
• Leichtbau reduziert den Energieverbrauch, Modularisierung erleichtert Demontage und Wiederverwendung. Energieeffizienz kann also im Widerspruch zur Ressourceneffizienz stehen. Während Leichtbau integrierte, auf den Einzelfall optimierte Strukturen fordert, ist Modularisierung nur durch standardisierte und damit im Einzelfall nie optimale Strukturelemente erreichbar. Die Mehrzieloptimierung erfordert Kompromisse.
• Neue Fertigungstechnologien werden parallel zur PKW-Entwicklung erforscht und zur Marktreife entwickelt. Die Reparatur defekter Batteriezellen mag heute noch nicht effizient sein, aber die entsprechende Technologie wird kontinuierlich weiterentwickelt. Deshalb sind Simulationsmodelle bisher nicht ausgereift genug, um Batterien instandhaltungsgerecht auszulegen.
• Die Vision nachhaltiger Produkte ist die vollständige Rezyklierbarkeit verwendeter Werkstoffe, ein Wandel von „Verbrauch“ zum reinen „Gebrauch“. In der Baustruktur werden Bauteile zu Baugruppen und zum Produkt verbunden. Verbundwerkstoffe ermöglichen Leichtbau-Lösungen. Das Rückgewinnen der Ausgangswerkstoffe erfordert aber prognostizierte Technologien, die jedoch noch keine Marktreife haben (hier im Bereich der Trennverfahren).
• PKW-Hersteller garantieren aktuell zumeist 70 % nutzbarer Akkukapazität nach 8 Jahren Betriebsdauer oder 160.000 km Laufleistung. Sicherheitsfaktoren gleichen fehlendes Wissen aus, da der Kapazitätsverlust in Bezug auf neue Batteriewerkstoffe (Lithium, Ersatz von Kobalt, Zink-Luft-Technik etc.) bisher nicht auf Lebensdauer validiert werden kann.
• Werden beispielsweise in der Kunststofffertigung Rezyklate beigemischt, ergeben sich mit der Zeit unkalkulierbare Mischverhältnisse von Körnern unterschiedlichen Alters. Die Erforschung von Auswirkungen auf die Prozessfähigkeit in der Produktion erfordert extrem aufwändige experimentelle Studien.

Diese Aspekte stehen beispielhaft für Grenzen der Leistungsfähigkeit, die durch zunehmende lebenszyklusbedingte Komplexität in Bezug auf Material- und Informationszirkularität [3, 8] bedingt sind. Konzepte wie die „Update-Factory“ [11] adressieren diese Herausforderung. Informationszirkularität für die Kreislaufwirtschaft muss für das Lernen aus dem Produktleben, aber auch für zunehmend angestrebte digitale Geschäftsmodelle bewusst gestaltet werden [8]. Die Leistungsfähigkeit wird dabei durch das Vorhandensein produktbezogener Informationen z. B. aus Wartungshistorie, Recyclingprozess, Digitaler Zwilling, Produktionsprozess und Entwicklungsiterationen bestimmt [8].

In der „Update-Factory“ sind beispielsweise Informationen aus der Zustandsüberwachung (Condition Monitoring) erforderlich für die Auswahl von Aufbereitungsmaßnahmen. Der klassische ingenieurwissenschaftliche Ansatz, derartige Informationen systematisch abzusichern und in Heuristiken und Simulationsmodellen zu verdichten (siehe z. B. [1, 12]), wird der Dynamik und geforderten Wandlungsfähigkeit zukünftiger Produkte nicht gerecht. Sie begrenzt entsprechend die Leistungsfähigkeit der gesamten Produktentstehung, von der Konzeptentwicklung bis hin zur Produktionsumsetzung.

Data Science und Künstliche Intelligenz bieten Potenzial

Um diese Grenzen der Leistungsfähigkeit bei der Entscheidungsfindung in der Produktentstehung zu überwinden, muss die Entscheidungsgüte bei gleichbleibendem Zeit- und Ressourceneinsatz erhöht werden. Data Science (DS) und Künstliche Intelligenz (KI) bieten das Potenzial, die Produktentwicklung zum Überwinden dieser Grenzen zu befähigen. In der Produktentwicklung etablierte Berechnungsverfahren wie Finite-Elemente-Analysen oder Fluiddynamik-Simulationen verbinden Domänenwissen aus der Mechanik und Grundlagen der Mathematik. Verfahren und Methoden der Data Science verbinden Fähigkeiten der Informatik und der Mathematik (insbesondere der Stochastik) mit dem Fachwissen jeweils betrachteter Domänen (siehe links in Bild 2, in Anlehnung an [13]).

Die DS bildet die Grundlage für Verfahren wie das Maschinelle Lernen oder das Schlussfolgern auf Ontologien. Derartige Verfahren können genutzt werden, um Maschinen Intelligenz zu verleihen – in Form von Künstlicher Intelligenz. Laut Expertenrat der Europäischen Kommission [14] bezieht sich Künstliche Intelligenz „auf Systeme, die intelligentes Verhalten zeigen, indem sie ihre Umgebung analysieren und – mit einem gewissen Maß an Autonomie – Maßnahmen ergreifen, um bestimmte Ziele zu erreichen.“

DS/KI können in datenbasierte Ansätze auf der einen Seite und wissensbasierte Ansätze auf der anderen Seite unterschieden werden [15] (rechts in Bild 2). Ausschlaggebend für eine Entscheidungsunterstützung ist nicht die Kategorisierung in DS und KI, sondern die neuen Fähigkeiten, die sich für Ingenieurinnen und Ingenieure in der Produktentstehung ergeben. Im Fokus stehen die Verfahren und Methoden, die einen grundlegend neuen Ansatz im Vergleich zu etablierten Ansätzen in der Produktentstehung bedeuten. Ziel ist dabei die Unterstützung des Menschen in dessen kognitivem Prozess im Sinne schwacher KI, nicht aber die Abbildung kognitiver Prozesse als Alternative zur menschlichen Intelligenz im Sinne starker Intelligenz (vgl. hybride Intelligenz [16]).

Chance und Herausforderung: Extreme Daten

Zentrale Anforderung mit Blick auf Daten und Informationen ist es, den Umgang mit extremen Daten (vgl. [17]) zu unterstützen. Extreme Daten werden hier verstanden als Daten, für die verschiedene Merkmale gleichzeitig wechselwirkend gelten. Großes Volumen, hohe Geschwindigkeit und große Vielfalt werden beispielsweise oft erst dadurch „extrem“, dass Daten verstreut vorliegen und unterschiedlich extreme Abweichungen in Werten aufweisen.

Vielfach handelt es sich um Daten, die sogar im Widerspruch zu bislang etablierten Ansätzen in der Produktentstehung stehen können: maschinell generierte Informationen im Entscheidungsprozess zu verwenden, der nach bisheriger Lehrmeinung abgesicherte und validierte Informationen erfordert (s. Bild 3). Im Vordergrund stehen hier nicht allgemeine Entscheidungsunterstützungssysteme [18], sondern die domänenspezifischen Herausforderungen in der Produktentstehung:

In der Produktentwicklung wird auf Heuristiken, Methoden, Modelle und Simulationen vertraut, die nach etablierten Standards erforscht und entwickelt wurden (s. oben). Daten müssen nach diesem Verständnis entlang der Wissenspyramide zu Informationen und Wissen verdichtet werden, bevor sie in Entscheidungen eingebunden werden. Diese Verdichtung kann als „Qualifizierung“ von Daten verstanden werden [19].

Sortierungs-, Berechnungs-, Optimierungs- und Beurteilungsverfahren beruhen im Gegensatz zum maschinellen Lernen auf diesem Verständnis. Auch Richtlinien und Standards sind Ergebnis einer solchen Qualifizierung, die in dem Fall durch Konsensbildung unter Fachpersonal  erfolgt und auf die sich Ingenieurinnen und Ingenieure in ihrem Handeln berufen können.

Um maschinell generierter Entscheidungsunterstützung folgen zu können, ist eine klare Assoziation von Verantwortung und Haftungsfragen bei der Interaktion von Mensch und KI-System erforderlich. Bei der Entscheidung, welches technische Konzept und welche konkrete technische Realisierung angestrebt wird, sind unterschiedliche Einflusselemente in Zukunft gleichermaßen zusammenzuführen: mathematische Auslegung nach Formel, technische Simulation und heuristische Regeln auf der einen Seite und Datenverfügbarkeiten über Nutzungssituationen im operationalen Betrieb sowie zusätzliche datentechnisch erfasste Randbedingungen wie Wetter, Umwelteinflüsse, gemessene Erschütterungen etc. auf der anderen Seite.

Ein Beispiel liefert die Luftfahrtindustrie: Flugzeugturbinen enthalten Turbinenschaufeln, die im Betrieb verschleißen und regelmäßig gewartet werden müssen. Im Betrieb wurde erkannt, dass der Verschleiß bei Flugstrecken über Indien signifikant höher als in anderen Lufträumen ist (siehe z. B. [20]). Es liegt in der Verantwortung der Produktentstehung, bezogen auf derartige Beobachtungen Entscheidungen über angepasste Wartungsintervalle, ein Flugverbot über Indien oder konstruktive Änderungen an den Bauteilen zu treffen – und damit über die Sicherheit der Flugzeugpassagiere mitzuentscheiden.

Neuer Ansatz: Hybride Entscheidungsunterstützung

Hybride Entscheidungsunterstützung beschreibt die synergetische Verbindung bislang verwendeter Methoden, Heuristiken, Modelle und Simulationen auf der einen sowie Verfahren und Methoden der Data Science und Künstlichen Intelligenz auf der anderen Seite. Der Wandel in der Produktentstehung, um eine derartige hybride Entscheidungsunterstützung verantwortungsvoll einzubinden, muss sich auf einzelne Schlüssel-Aktivitäten und deren Abhängigkeiten in der Produktentstehung beziehen. Dazu zählen das Verstehen eines Problems bzw. eines Innovationspotenzials, das Konstruieren und das Absichern gegenüber Anforderungen und Kundenbedürfnissen.

Entwicklerinnen und Entwickler müssen einerseits darin unterstützt werden, Lösungsräume einzugrenzen und damit Entwicklungsaktivitäten optimal zu fokussieren. Andererseits sollen sie befähigt werden, neue Lösungen kreativ zu erarbeiten und umzusetzen. Es lassen sich sechs vielversprechende Ansätze zur Steigerung der Ergebnisgüte in der Produktentstehung identifizieren:

• die Beherrschung der Komplexität von Anforderungen [21],
• die Einbindung von nutzungsbezogenen Informationen [22],
• das Aufspannen und die Erklärbarkeit von Lösungsräumen [23],
• die kontinuierliche virtuelle Prozessabsicherung [24],
• das effiziente Zusammenspiel von Mensch und Informationstechnik sowie
• die Teilautomatisierung von Tätigkeiten [25, 26].

Dabei muss eine Steigerung der Entscheidungsgüte immer auch mit einer Verbesserung der Vorhersagefähigkeit von Produkteigenschaften und Produktionsbedingungen (vgl. [27]) einhergehen. Dies gilt insbesondere in Bezug auf das Beispiel der Kreislauffähigkeit von Produkten im Sinne eines „Design-for-Circularity“ und der Nachhaltigkeit im Sinne eines „Design-for-Sustainability“. Diese müssen dabei als Eigenschaften sowohl von Produkt als auch von Prozess verstanden werden. Der konsequente Wandel weg vom Verbrauch von Ressourcen hin zum langlebigen Gebrauch von Produkten erfordert ein kontinuierliches Lernen mit Perspektive auf Produktion, Nutzung und Außerbetriebnahme von Produkten.

Extreme Daten müssen mittels DS/KI für die spezifischen Fragestellungen in der Produktentstehung nutzbar gemacht werden. Beispielsweise kann der Kapazitätsverlust von Batterien (Beispiel in Bild 4) mit zunehmender Lebensdauer erster Produkte im Markt immer verlässlicher abgeschätzt werden. Es sind jedoch Daten von extrem zahlreichen und global verteilten Systemen (Fahrzeugen) zu berücksichtigen, deren Qualität stark von den Umgebungsbedingungen, der Speicherung und ggf. dem Nutzungsverhalten abhängt.

Wandel in der Produktentstehung als Ziel

Kreislaufwirtschaft und Nachhaltigkeit rücken als Schlüssel zur Bewältigung komplexer Herausforderungen des Klimawandels immer stärker in den gesellschaftlichen Fokus. Voraussetzung ist der Aufbau von Fähigkeiten zur Entwicklung kreislauffähiger Produkte. Parallel dazu sind klare Tendenzen zu erkennen, welche Basis-Algorithmen, Technologien und darauf beruhende DS/KI-Verfahren und -Methoden in absehbarer Zeit einen ausreichenden Reifegrad erreichen werden.

Um kreislauffähige Produkte zu entwickeln, muss die Leistungsfähigkeit der Produktentstehung unter Einbeziehung zusätzlicher, digitaler Fähigkeiten erhöht werden. Dazu ist ein grundlegender Wandel in der Produktentstehung erforderlich. Dabei muss ein grundlegendes Verständnis der Verlässlichkeit und Wirkung geschaffen werden, damit im Ingenieurswesen stets gemäß geltender Regeln und Vorgaben verantwortungsvoll gehandelt wird. Das DFG-Schwerpunktprogramm 2443 schafft ab 2024 die Grundlagen, um Entwicklungsingenieurinnen und -ingenieure von Produkt und zugehörigem Produktionssystem zu befähigen, Verfahren und Methoden der DS/KI zur Gestaltung kreislauffähiger Produkte einzusetzen.

Dieser Beitrag entstand im Programmausschuss „DFG Schwerpunktprogramm 2443 – Hybrid Decision Support in Product Creation (Hybride Entscheidungsunterstützung in der Produktentstehung)“.

Das könnte Sie auch interessieren

Manuelle Abläufe in der Automobilproduktion optimieren Bausteinbasierter Ansatz zur effizienten Erstellung von Arbeitssystemsimulationen Barbara Brockmann, Tobias Jurk, Beate Stoffels, Jochen Deuse

Im produzierenden Gewerbe gewinnt die Integration digitaler Menschmodelle im Produktentstehungs- und Herstellungsprozess zunehmend an Bedeutung. Besonders in der Montage, die durch einen hohen Anteil manueller Tätigkeiten geprägt ist, ermöglichen Bewegungssimulationen eine realitätsnahe Abbildung menschlicher Arbeit und leisten damit einen wesentlichen Beitrag zur bewegungsökonomischen Bewertung, Prozessabsicherung und Effizienzsteigerung. Der breiten Anwendung in der Produktionsplanung stehen jedoch verschiedene Herausforderungen wie der hohe Initialaufwand zur Erstellung der Humansimulation als auch volatile Planungsbedingungen gegenüber. Dieser Beitrag stellt einen praxisorientierten Lösungsansatz aus der Automobilmontage vor, der eine aufwandsreduzierte Erstellung von Simulationen sowie deren frühzeitige und durchgängige Nutzung im Planungsprozess ermöglicht.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 48-55

KI-gestützte Beölungsstrategien beim Gewindeformen Adaptive Sprühstrahlsteuerung zur Erhöhung von Prozesssicherheit und Werkzeugstandzeit Reinhard Schmied, Marco Susic, Christian Donhauser

Das Gewindeformen erfordert eine präzise Schmierstoffapplikation, da hohe Flächenpressungen und lokale Temperaturspitzen die Werkzeugbelastung erheblich beeinflussen. Aktuelle Sprüh- und Minimalmengenschmierungssysteme (MMS) weisen trotz etablierter Technik häufig Streuverluste, unzureichende Benetzung und instabile Tropfendynamik auf. Diese wissenschaftliche Betrachtung beinhaltet und untersucht einen integrativen Ansatz zur adaptiven Präzisionsbeölung beim Gewindeformen, der auf Computational Fluid Dynamics (CFD)-basierter Strömungsanalyse, experimenteller Validierung und Künstliche Intelligenz (KI)-gestützten Optimierungsverfahren basiert. Im Fokus stehen Tropfengröße, Strahlgeometrie, Düsenposition und Umgebungsströmung sowie deren Einfluss auf die Benetzungsintensität. Erste simulationsgestützteVoruntersuchungen zeigen das Potenzial einer datenbasierten Optimierung zur Reduktion von Benetzungsdefiziten und zur Auslegung künftiger Regelstrategien für eine ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 76-83

SmartBending: Inline-Messtechnik zur Prozesskorrektur Inline-Prozessoptimierung zur Fehlerkorrektur beim Schwenkbiegen Christian Donhauser , Reinhard Schmied, Marco Susic

Schwenkbiegen ist ein etabliertes Umformverfahren, bei dem Materialverlust vermieden und Ressourcen effizient genutzt werden. Der Prozess erfordert jedoch aufwändige Optimierungen, die bisher stark vom Fachwissen der Bediener abhängen. Dies führt zu hohem Zeit- und Materialaufwand, da Optimierungsschritte iterativ erfolgen. Angesichts des Fachkräftemangels ist eine technologische Aufrüstung der Anlagen im Sinne von Industrie 4.0 notwendig. Im Rahmen eines Projekts wurden mittels intelligenter Sensorik kritische Einflussfaktoren erfasst, die Korrelationen zwischen Produktfehlern und Anlagenverformungen aufzeigen. Darauf basierend wurde eine Methodik entwickelt, die die Grundlage für eine Inline-Kompensation schafft, bei der die Anlage eigenständig Prozessparameter anpasst, um Produktfehler zu korrigieren und perspektivisch eine fehlerfreie Fertigung ab dem ersten Bauteil zu ermöglichen.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 134-141

Digitale Zwillinge zur Emissionsreduktion Ex-ante Fallstudie an einem Pumpenprüfstand in der industriellen Produktion Felix Bischoff, Ingela Tietze , Peter Hertweck, Nina van Hasz

Digitale Zwillinge werden häufig als vielversprechender Hebel zur Reduzierung von Treibhausgas-Emissionen (THG-Emissionen) in der industriellen Produktion diskutiert, belastbare empirische Nachweise zu ihrem tatsächlichen Nutzen unter Praxisbedingungen fehlen jedoch weitgehend. In dieser Fallstudie werden die Emissionseinsparpotenziale eines Digitalen Zwillings als konzeptionell beschriebenes Zielsystems am Beispiel eines Prüfstands für Hydraulikpumpen ex-ante quantifiziert. Hierzu werden die THG-Emissionen des ursprünglichen Prüfplans für das Jahr 2025 auf Basis real gemessener Energieverbräuche der geprüften Pumpen und zeitlich aufgelöster Emissionsintensitäten des Strombezugs ermittelt. Anschließend erfolgt eine regelbasierte Umplanung, bei der energieintensive Prüfprozesse in emissionsärmere Zeitintervalle verlagert werden. Die Umplanung berücksichtigt dabei betriebliche Praxisrestriktionen. Prozesse und Anlagen werden nicht verändert. Das Einsparpotenzial wird ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 16-24 | DOI 10.30844/I4SD.26.3.2

Digital Competence Lab (DCL) für die Logopädie Konzeption einer Lernplattform zur Förderung digitaler Handlungskompetenzen Anika Thurmann , Antonia Weirich , Kerstin Bilda, Fiona Dörr , Lars Tönges

Die digitale Transformation des Gesundheitswesens verändert die logopädische Versorgung nachhaltig. Smarte Technologien und Künstliche Intelligenz (KI) eröffnen neue Möglichkeiten, um die Qualität der Therapie zu sichern, Versorgungsengpässe zu adressieren und Patienten stärker in Übungsprozesse einzubinden. Gleichzeitig erweitern diese Entwicklungen das Rollenverständnis von Logopäden, die neben ihrer therapeutischen Kernaufgabe zunehmend digitale Systeme als unterstützende Werkzeuge einsetzen. Aufbauend auf einer Machbarkeitsstudie zur KI-gestützten Anwendung ISi-Speech-Sprechen im Realsetting der Parkinson-Komplextherapie (PKT) werden in diesem Beitrag zentrale Herausforderungen der Implementierung smarter Technologien skizziert.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 110-118 | DOI 10.30844/I4SD.26.1.110

KI-Implementierung in der industriellen Qualitätskontrolle Ein Design-Science-Ansatz, der technische und menschliche Faktoren miteinander verbindet Jens Pöppelbuß , Kathrin Nauth

Künstliche Intelligenz (KI) bietet ein erhebliches Potenzial zur Verbesserung der industriellen Qualitätskontrolle, doch eine erfolgreiche Implementierung erfordert die sorgfältige Berücksichtigung ethischer und menschlicher Faktoren. Dieser Artikel untersucht, wie automatisierte Oberflächeninspektionssysteme eingesetzt werden können, um menschliche Fähigkeiten zu erweitern und gleichzeitig eine ethische Integration in die Arbeitsabläufe zu gewährleisten. Im Rahmen einer Design-Science-Research-Untersuchung (DSR) wurden zwölf Interessenvertreter aus sechs Organisationen auf drei Kontinenten befragt und zwölf soziotechnische Designanforderungen abgeleitet. Diese sind in Vorbereitungs- und Implementierungs-/Betriebsphasen unterteilt und befassen sich mit menschlichem Handeln, Mitarbeiterbeteiligung und verantwortungsvollem Wissensmanagement. Zu den wichtigsten Ergebnissen zählen die entscheidende Bedeutung einer sinnvollen Mitarbeiterbeteiligung während der ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 120-127 | DOI 10.30844/I4SD.26.1.120