Wissenslücken mit GenAI in der Instandhaltung überbrücken

Generative Künstliche Intelligenz (GenAI) für das Schreiben, Entwerfen, Zusammenführen oder Programmieren verbreitet sich schneller und globaler als jede bisherige Technologie [1]. Aufgrund der hohen Nutzerakzeptanz gibt es bei der Implementierung von GenAI am Arbeitsplatz typische Merkmale einer Bottom-up-Bewegung. Mitarbeitende nutzen ihre eigenen Geräte und kostenlose Software für die Erledigung ihrer Aufgaben.

Als erste Reaktion darauf und zugleich strategische Handlung stellen Unternehmen ihre firmenspezifischen GPT-Anwendungen bereit, die auf unternehmenseigenen Serverlandschaften gehostet werden, um unternehmensspezifisches Wissen an kritischen Schnittstellen zu schützen und gleichzeitig von der Wissensunterstützung durch Large Language Models (LLMs) zu profitieren. Effizienzgewinne werden insbesondere bei Aufgaben gemeldet, bei denen das erforderliche Wissen bislang nicht in einer strukturierten Synthese oder in expliziten Standards verfügbar ist [2]. Dies trifft auf viele administrative Aufgaben zu [3]. In der wissensintensiven Büroarbeit führt der Einsatz von GenAI zu hybriden Systemen bei der Aufgabenausführung [4].

Ein Bericht der acatech aus dem Jahr 2020 [5] zeigt den potenziellen Nutzen von GenAI-Anwendungen entlang der Wertschöpfungskette in der deutschen Fertigung auf und verdeutlicht wie KI-Funktionalitäten in vielen Teilprozessen unterstützend wirken können. Bislang bleiben die diesbezüglichen Investitionen jedoch hinter den Erwartungen zurück [6]. Die folgende Analyse reflektiert die Gründe dafür und diskutiert die Anforderungen an KI-Unterstützung in Fertigungsunternehmen. Ausgehend von einer soziotechnischen Perspektive auf den Einsatz von GenAI in der Fertigung werden Bereiche benannt, in denen Bedarfe bestehen, aber auch Umstände beleuchtet, die eine geringere Nutzung erklären. Darauf aufbauend wird ein Ansatz für ein kontextsensitives KI-basiertes Wartungsassistenzsysteme skizziert.

Anforderungen an GenAI aus einer soziotechnischen Systemperspektive

GenAI basiert auf LLMs, die anhand von natürlichen Sprachdaten aus allen verfügbaren Medien trainiert werden und aus statistischen Wahrscheinlichkeiten über die Abfolge von Wörtern und Silben kontextbezogene Antworten generieren [4, 7]. Sie führt Aufgaben aus, die herkömmlicherweise menschliche Kognition und Entscheidungsfindung erfordern würden [8]. Dadurch können unterschiedliche Entscheidungsstile, kausales Schließen und intuitives Herangehen unterstützt werden [9].

Angesichts der kontinuierlichen Interaktion von Nutzern mit den Werkzeugen der GenAI werden diese zu Entitäten in einem emergenten Prozess, da die geteilten Fragen und Wissenslücken das Reinforcement Learning der LLMs aktivieren [10]. Aus diesem Grund charakterisieren Bender et al. [7] LLMs als „stochastische Papageien”, die alle Anfragen auf dominante Muster der strukturierten Wissensdarstellung lenken. Langfristig fördert GenAI somit immer kausales Schließen entsprechend bestehender Lösungen [9] und nutzt Effizienzgewinne durch Standardisierung [2, 3].

GenAI ist kein isoliertes technisches Werkzeug, denn sie inkorporiert früheres menschliches Entscheiden und Handeln, welches in einem bestimmten Kontext entstanden ist. Dabei entwickelt sie sich durch die Interaktion mit anderen Nutzergruppen weiter. GenAI ist bereits für sich genommen ein soziotechnisches System. Im Zuge der kontinuierlichen Nutzung von LLMs materialisiert sich das Soziale weiter, d.h. die Unterstützungsbedarfe der Nutzer durch häufig gestellte Fragen, ihre Wissenslücken usw. werden durch digitale Spuren zunehmend sichtbar [11]. Durch das Nutzungsverhalten werden Bereiche mit Standardisierungsbedarf sowie das Standardisierungspotenzial deutlich. Daher wird GenAI dort als besonders hilfreich angesehen, wo es einen hohen Bedarf gibt, um über mehrere Plattformen verteilte und nicht in strukturierter Form verfügbare Informationen zu synthetisieren.

Zudem ermöglicht GenAI den Nutzern Zugriff auf Domänenwissen, auch wenn Domänenexperten nicht immer persönlich verfügbar sind. Außerdem erleichtert sie es, einen Startpunkt bei der Bearbeitung unstrukturierte Aufgabe zu finden und unterstützt zugleich individuelle Problemlösungsstile [2]. Grundsätzlich bietet GenAI sowohl Automatisierungspotenzial für Effizienzsteigerungen als auch Augmentationspotenzial für die Verbesserung der Ergebnisqualität [3].

Der Fertigungskontext unterscheidet sich in mehrfacher Hinsicht von anderen Branchen und Wissensbereichen aufgrund der spezifischen Verflechtung von Technologie, Organisation und Nutzungsanforderungen (für theoretische Grundlagen siehe [12]). Wir verdeutlichen dies an vier Kernmerkmalen.

1. Hoher Standardisierungsgrad und explizite Aufgabenbeschreibung

Fertigungssysteme zeichnen sich durch einen hohen Grad an Standardisierung und Arbeitsabläufen auf der Grundlage expliziter Arbeitsbeschreibungen aus. Dies ist das Ergebnis von mehr als hundert Jahren Anwendung von Standardisierungsmethoden [13] und Automatisierung, auch in Bereichen flexibler Fertigungssysteme [14]. Produktivitätssteigerungen durch Prozessstandardisierung und Automatisierung werden seit jeher systematisch genutzt. Der Einsatz von KI-Lösungen zur standardisierten Ausführung bestimmter Aufgaben [15], wie beispielsweise Qualitätskontrolle, hat bereits zur Optimierung beigetragen. Es können zusätzliche Produktivitätseffekte durch LLMs angenommen werden, aber im Gegensatz zu anderen Branchen [3] nicht primär über eine weitere Standardisierung.

2. Hohes Bewusstsein für partizipative Arbeitsgestaltung und Arbeitsprozesse

Im produzierenden Gewerbe sind die überbetriebliche und betriebliche Mitbestimmung in hohem Maße institutionalisiert [16] und Betriebsräte dafür sensibilisiert, wie man von technologiebasierten Effizienzgewinnen profitieren, gleichzeitig Arbeitsplatzverluste verhindern sowie digitale Kontrollsysteme vermeiden kann [17]. Daher werden auch GenAI-Anwendungen unter dem Gesichtspunkt der Kompetenzentwicklung, der Beschäftigungssicherung und der möglichen Kontrollsysteme des Managements betrachtet, wie in der Labor-Process-Debatte verankert [18]. Aus Sicht der Gewerkschaften oder Betriebsräte muss eine neue Technologie, die womöglich zu einer Abwertung individueller Qualifikationen führt, mit Vorsicht behandelt werden [19].

Ein weiterer kritischer Punkt ist die in der GenAI versteckt angelegte Kontrollfunktion. Die kontinuierliche Interaktion mit einem LLM unter Offenbarung von Wissenslücken und offenen Fragen macht Defizite sukzessive bewertbar. Der EU AI Act [20] ordnet GenAI als Technologie mit geringem Risiko ein, wohingegen biometrische Ansätze als inakzeptables Risiko klassifiziert werden. GenAI enthält versteckte Komponenten, die zur Bewertung der Leistungspraktiken von Mitarbeitenden verwendet werden könnten. Dies ist eine ethische Herausforderung, die nicht nur aus Sicht der Mitarbeitenden auf Vorbehalte stoßen könnte, sondern auch Herausforderungen für die Rechenschaftspflicht des Managements mit sich bringt, da der Nutznießende der offengelegten Unterstützungsbedarfe das Softwareunternehmen und nicht das Fertigungsunternehmen ist. Dies macht eine schnelle und unreflektierte Einführung von GenAI in der Fertigung eher unwahrscheinlich.

3. Normbasiertes regulatorisches Organisationsdesign und implizites Wissen

Fertigungsunternehmen unterliegen einer hohen regulatorischen Dichte an Sicherheitsvorschriften und anderen Richtlinien, um die Branchenstandards während des gesamten Produktionsablaufs und möglicherweise auch in der Lieferkette (je nach regulatorischem Rahmen) einzuhalten. Die Arbeit in der Fertigung erfordert ein klares, regelbasiertes Verhalten, das den gesetzlichen Anforderungen wie SDGs, Datenschutz, Gesundheitsschutz usw. entspricht. Die Anzahl der gleichzeitig zu beachtenden Vorschriften hat im Laufe der Zeit erheblich zugenommen [21]. Vorgesetzte und Bedienende müssen sich mit dieser Technokratie auseinandersetzen.

KI-Unterstützung wird daher nicht für die Erstellung weiterer Standards benötigt, sondern für die Bewertung, Ordnung und Priorisierung bestehender Vorschriften innerhalb eines Arbeitsablaufs. Mit anderen Worten: In der Fertigung ist prozedurales Wissen erforderlich, um mit den Anforderungen eines stark regulierten Umfeldes umgehen zu können. Dieses Wissen ist zumindest teilweise implizit und wird durch Erfahrung erworben [22]. Aus diesem Grund zielen aktuelle Initiativen zur Entwicklung von LLMs für die Fertigung auf neue Ansätze im Wissensmanagement ab [23].

4. Prozessspezifische Bedarf an Wissensunterstützung

Der Wissensbedarf der Mitarbeitenden unterscheidet sich je nach Teilprozess erheblich. In der Anlagenüberwachung ist man mit einer ständig zunehmenden Komplexität von Werkzeugmaschinen konfrontiert, deren Betrieb und Wartung fundiertes Fachwissen erfordern. Dies ist insbesondere für KMU eine große Herausforderung, da sie aufgrund des demografischen Wandels nur begrenzt Zugang zu qualifizierten Fachkräften haben. Mehr als die Hälfte der offenen Stellen kann innerhalb eines akzeptablen Zeitraums nicht mehr mit qualifiziertem Personal besetzt werden [24]. Infolgedessen beauftragen KMU zunehmend kostenintensive externe Wartungsdienste. Dadurch entstehen teilweise Redundanzen und zugleich neue Fehlerquellen.  Der Austausch von Wartungs- und Erfahrungswissen nimmt indessen ab. LLMs bieten Potenzial für die Unterstützung der Fehlererkennung, Kommunikation und Informationssuche durch Mensch-KI-Interaktion.

Betrachtet man das Potenzial von GenAI zur Unterstützung von Fertigungsprozessen aus einer soziotechnischen Systemperspektive, zeigt sich ein Bedarf in: 1) Strategien zur Bewältigung der teilprozessspezifischen Herausforderungen, die sich aus der Technokratie mit einer vielschichtigen Regelungsdichte ergeben, und 2) Ansätzen zur Überbrückung von Wissenslücken, wenn menschliches Fachwissen und implizites Wissen nicht verfügbar sind.

Überbrückung von Wissenslücken in der industriellen Instandhaltung

Um den teilprozessspezifischen Zugriff auf zwei Arten von Wissen, implizites Bedienungswissen und komplexes Regelwissen, zu erleichtern und Wissenslücken nahezu in Echtzeit zu schließen, ist ein KI-basiertes kontextsensitives Wartungsassistenzsystem erforderlich. Ein solches System muss verschiedene Ebenen der Wissensrepräsentation integrieren, wie in Bild 1 [25, 26] dargestellt:

1. Dokumentationsebene: Dokumente sind oft unstrukturiert und aufgrund ihrer sprachlichen Vielfalt schwer zu analysieren. Ein kontextsensitives KI-basiertes Assistenzsystem muss in der Lage sein, strukturierte Informationen aus heterogenen Daten zu extrahieren.
2. Expertenebene: Wartungsprozesse werden weitgehend durch das implizite Wissen der Mitarbeitenden bestimmt. Ein kontextsensitives KI-basiertes Assistenzsystem muss in der Lage sein, implizites Wissen zu erfassen, es durch technisches Wissen über die Anlagenstruktur zu ergänzen, Maschinendaten und Serviceberichte zu analysieren und in formales, standardisiertes Wissen zu übersetzen.
3. Planungsebene: Eine effiziente Einsatz- und Wartungsplanung erfordert die Verknüpfung und Analyse von Maschinen-, Prozess- und Personaldaten. Ein kontextsensitives KI-basiertes Assistenzsystem muss daher in der Lage sein, relevante Planungsinformationen und automatisierte Entscheidungshilfen zu integrieren.
4. Prozessebene: Um unstrukturierte Daten in analysierbare Formate zu konvertieren, sind datengesteuerte Algorithmen zur Verarbeitung natürlicher Sprache erforderlich. Die systematische und datenschutzkonforme Speicherung von Wissen erfordert zudem flexible Datenstrukturen, die Beziehungen zwischen Entitäten abbilden und semantisch beschreiben können.
5. Interaktionsebene: Eine nutzungsfreundliche Mensch-Maschine-Schnittstelle ist entscheidend, um den Zugang zu empirischem Wissen zu erleichtern und es damit zu demokratisieren. Das Fragenstellen sollte in natürlicher Sprache möglich sein, und Antworten sollten in einem dialogbasierten Chat gegeben werden.

Die technischen Komponenten hinter dieser Schichtarchitektur sind Retrieval-Augmented Generation (RAG) und intelligente KI-Agenten. RAG bereichert Nutzeranfragen mit relevanten Kontextdaten aus internen und externen Quellen und ermöglicht so, Entscheidungen auf der Grundlage der neuesten Informationen zu treffen, ohne dass eine manuelle Datenaggregation erforderlich ist [27]. Parallel dazu können KI-Agenten, die auf LLMs basieren, komplexe Aufgaben mittels natürlicher Sprache interpretieren, in logische Schritte zerlegen und selbstständig ausführen. Als digitale Assistenten am Arbeitsplatz optimieren sie Arbeitsabläufe, reduzieren nicht wertschöpfende Aufgaben und verbessern den Informationsfluss in fragmentierten IT-Landschaften [28]. RAG und KI-Agenten reduzieren den Programmieraufwand und verbessern den flexiblen, anpassungsfähigen und nutzungsfreundlichen Wartungssupport.

Ein Beispiel hierfür ist die HSC600 der Firma Exeron aus Oberndorf, Deutschland, eine hochpräzise Fräsmaschine, die aufgrund ihrer Komplexität besondere Herausforderungen bei der Wartung mit sich bringt. Ein kontextsensitives KI-basiertes Assistenzsystem (siehe Bild 2 zur Veranschaulichung)bietet durch seine mehrsprachige Interaktion in Sprach- und Textform einen umfassenden Zugang für verschiedene Nutzungsgruppen und Kunden in global verteilten KMU. Das System integriert strukturierte und unstrukturierte Daten aus Maschinendokumentationen, Benutzungshandbüchern und historischen Servicelogs, um präzise, kontextreiche Antworten zu liefern.

Im Kern nutzt das System intelligente KI-Agenten, um Nutzungsanforderungen dynamisch zu erkennen und relevante Maßnahmen autonom einzuleiten. Die Wissensbasis integriert Echtzeit-Sensordaten aus der HSC600, Softwareanfragen (z. B. Abruf von Auftragsplänen), gezielte Internetrecherchen und Fragen des Bedienenden per E-Mail, wenn externe Unterstützung erforderlich ist. Das Assistenzsystem antwortet in der vom Nutzer gewählten Sprache sowie Modalität und optimiert so komplexe Diagnose- und Supportaufgaben zu intuitiven, dialogbasierten Arbeitsabläufen, einschließlich spontaner Lerneinheiten. Diese Integration von multimodaler Interaktion, intelligenter Argumentation und flexibler Datenabfrage ist ein Beispiel für eine skalierbare Lösung für nachhaltige Wartung in digital transformierten Produktionsumgebungen.

Dieses optimierte KI-basierte Assistenzsystem ist ein Proof-of-Concept, das im nächsten Schritt in einer realen Anwendungsumgebung mit kooperierenden Kunden validiert werden muss. Die erwarteten Vorteile sind ein standardisierter Wartungsprozess für den HSC600 und maßgeschneiderte Wartungsunterstützung auf Abruf, wodurch Ausfallzeiten und Kosten reduziert und der Zugang zu Fachwissen verbessert werden.

Ausblick

In der industriellen Instandhaltung sind zwei Arten von Wissen erforderlich, die beide durch GenAI unterstützt werden können: implizites Bedienerwissen und komplexes regulatorisches Wissen. Dieser Beitrag hat veranschaulicht, wie eine mehrschichtige Architektur für ein KI-basiertes Wartungsassistenzsystem, solche Anforderungen an ein zukünftiges Wissensmanagement bewältigen kann.

Bei der zukünftigen Validierung des Konzeptes sollten sowohl die Argumente, die den Bedarf an GenAI begründen, als auch die Argumente, die den aktuell eher geringen Nutzungsgrad erklären, berücksichtigt werden. Die Bedarfserfüllung kann mit reduzierten Ausfallzeiten und verbessertem Zugang zu Fachwissen operationalisiert werden. Ergänzend sollten die Beschäftigungseffekte, die Folgen für die Arbeitsgestaltung und das Qualifikationsniveau evaluiert werden. Dies schließt die mögliche indirekte Kontrolle des Arbeitsverhaltens durch die KI und die mögliche Veränderung individueller Expertise ein. In der weiteren Folge betrifft dies auch die Auswirkungen auf die Rolle von Vorgesetzten und die Vorgesetzten-Mitarbeiter-Beziehung.

Diese Aspekte spiegeln die Kriterien wider, die typischerweise zu Vorbehalten gegenüber GenAI führen. Die Steigerung der Resilienz auf individueller und organisatorischer Ebene mittels GenAI hängt entscheidend davon ab, dass die Technik die Bedürfnisse unterstützt und die durchaus berechtigten Gründe für die Technologievorbehalte in partizipativen Implementierungsprozessen gewürdigt werden.

Dies ist die deutsche Version des englischen Originalbeitrags mit der DOI: 10.30844/I4SE.25.5.50

Das könnte Sie auch interessieren

Industrie 4.0 – Fortschritt und Digitalisierung in der Schwebe Status der nachhaltigen Transformation und Digitalisierung in der Produktionstechnik Christian Donhauser , Daniel Riepl

Digitalisierungsprojekte helfen dem Anwender, komplexe Prozesse einfacher und effizienter darzustellen. Allerdings gibt es viele Hemmnisse, welche die Umsetzung deutlich erschweren. Zurückhaltung bei der Umsetzung ist spürbar. Dies trifft unter anderem Arbeitgeber und Arbeitnehmer, die durch das Warten oder Vermeiden ins ökonomische Abseits geraten können. Diese Beobachtungen lassen sich auf eine übergeordnete wissenschaftliche Leitfrage zurückführen: Welche Barrieren und systemischen Herausforderungen erschweren eine nachhaltige Transformation im Rahmen von Industrie 4.0, insbesondere unter Berücksichtigung menschlicher Arbeit in der Produktionstechnik? Welche Fragen stellen sich die betroffenen Akteure? Das wesentliche Ziel dieser langfristig ausgelegten Forschungsarbeit ist es, diese Fragen dezidiert und im Detail zu konkretisieren, um daraus ein konzeptionelles Fundament zu entwickeln, das Forschung, Lehre und technologische Entwicklung integriert und die Potenziale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 56-60

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

Analyse der Anwendungspotenziale chinesischer Wissensplattformen Bedeutung digitaler Plattformen für Wissenstransfer in Forschung und Bildung Yunhao Su, Martin Braun

Wissen ist eine treibende Kraft der Innovation. Um Wissensbestände zu transferieren, werden vermehrt digitale Wissensplattformen eingesetzt. Die VR China nimmt eine weltweit führende Position im Feld der Digitalisierung ein. Im chinesischen Wissenstransfer- und Innovationssystem kommt digitalen Wissensplattformen eine zentrale Rolle zu. Diese Studie strukturiert theoretische Konzepte des Wissenstransfers und ergänzt diese durch empirische Befunde zur (Weiter-) Entwicklung einschlägiger Wissensplattformen. Untersucht wird der Einfluss spezifischer Gestaltungsmerkmale des Wissenstransfers auf die wahrgenommene Funktionalität und Qualität von digitalen Wissensplattformen. In einer Literaturrecherche werden sieben verdichtete Erfolgskriterien des Wissenstransfers ermittelt. Ferner werden neun führende chinesische Wissensplattformen hinsichtlich ihrer Transferlogik und Funktionsumfänge kategorisiert. Im Rahmen einer Online-Befragung beurteilten Probanden die plattformspezifischen ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 84-93

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

VR-Training für multimodale Cobot-Interaktion Virtuelle Lernfabriken zur Qualifizierung für den Einsatz kollaborativer Roboter Christoph S. Zoller, Justus Langer, Kristoffer Waldow , Merle Meyer, Arnulph Fuhrmann

Im Forschungsprojekt VIRAMM wird ein VR-basiertes Qualifizierungskonzept für die Integration kollaborativer Roboter (Cobots) in montageorientierten U-Zellen entwickelt und prototypisch umgesetzt. Da der Nutzen von Cobots stark von Prozess-, Layout- und Rollenintegration abhängt, adressiert VIRAMM die bislang fehlende konsistente Szenario Gestaltung für Variantenvergleiche mit Key Performance Indicator (KPI) basierter Bewertung.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 106-112