@misc{BrockmannKroeger2021,
  author    = {Brockmann, Matthias and Kr{\"o}ger, Moritz},
  title     = {Entering the World of Internet of Production - Get Rid of the Not-Invented-Here-Syndrome and Start Making Software Components Foolproof!},
  year      = {2021},
  language  = {en}
}
@incollection{BeckerBrockmannNiemietzetal.2021,
  author    = {Becker, Marco and Brockmann, Matthias and Niemietz, Philipp and Trauth, Daniel and Bergs, Thomas and Brecher, Christian},
  title     = {Das Internet of Production als Fundament der Datenverwertung in der Produktion},
  series = {Monetarisierung von technischen Daten / Hrsg. Daniel Trauth, Thomas Bergs, Wolfgang Prinz},
  booktitle = {Monetarisierung von technischen Daten / Hrsg. Daniel Trauth, Thomas Bergs, Wolfgang Prinz},
  editor    = {Trauth, Daniel and Bergs, Thomas and Prinz, Wolfgang},
  publisher = {Springer Vieweg},
  address   = {Berlin, Heidelberg},
  doi       = {10.1007/978-3-662-62915-4_15},
  publisher      = {FH M{\"u}nster - University of Applied Sciences},
  pages     = {275 -- 295},
  year      = {2021},
  abstract  = {Das Internet of Things entfaltet erst durch die {\"U}berwindung von bestehenden Produkt- und Industriegrenzen sein volles {\"o}konomisches Potenzial. Trotzdem werden Cyberphysische Systeme in der Forschung bisher oftmals isoliert betrachtet. Der Begriff des Internet of Production (IoP) steht f{\"u}r die Vision eines {\"u}bergreifenden Austauschs von Daten und Informationen zwischen Produktentwicklung, Produktion und Nutzungsphase - {\"u}ber bestehende Organisationsgrenzen hinaus. Die Realisierung des IoP ist mit Herausforderungen im Bereich der datengetriebenen Modellierung sowie der Infrastruktur verbunden. In diesem Buchbeitrag werden die bestehenden Herausforderungen erl{\"a}utert und L{\"o}sungsans{\"a}tze skizziert. Der Schwerpunkt liegt auf der datengetriebenen Modellierung. Im Speziellen wird die Problematik des Lernens von kausalen Zusammenh{\"a}ngen, die Interpretierbarkeit von Machine-Learning-Modellen sowie die Integration von Dom{\"a}nenwissen in Lernalgorithmen diskutiert. Abschließend werden zwei Anwendungsbeispiele des „Digital Material Shadows" vorgestellt. Diese veranschaulichen wie mithilfe von Machine Learning Erkenntnisse {\"u}ber den Materialzustand eines Werkst{\"u}cks gewonnen werden k{\"o}nnen. Ziel dieser Digital Material Shadows ist es, langfristig Fertigungsprozesse adaptiv an die individuellen Materialeigenschaften des vorliegenden Werkst{\"u}cks bzw. Rohmaterials anzupassen.},
  language  = {de}
}
@article{Brockmann2022,
  author    = {Brockmann, Matthias},
  title     = {Warum digitale Transformation und Nachhaltigkeit sich gegenseitig bedingen},
  series = {VDMA Magazin "Digitale Transformation"},
  journal   = {VDMA Magazin "Digitale Transformation"},
  pages     = {18 -- 24},
  year      = {2022},
  abstract  = {Nachhaltig, menschzentriert und resilient - so beschreibt die Europ{\"a}ische Kommission in einem ihrer Dossiers die n{\"a}chste industrielle Revolution unter dem Stichwort Industrie 5.0. Vor zehn Jahren wurde auf der Hannover Messe 2011 die Vision Industrie 4.0 pr{\"a}sentiert. Kernelemente von Industrie 4.0 sind eine Referenzarchitektur (RAMI 4.0) zur Vernetzung zunehmend autonomer IoT-Ger{\"a}te sowie Cyber-Physical Production Systems (CPPS), bei denen hochaufgel{\"o}ste Simulationen („Digital Twins") dabei helfen, physische Produktionssysteme zu {\"u}berwachen, deren Verhalten vorherzusagen und zu regeln. Dar{\"u}ber hinaus sollen personalisierte und kontextspezifische „intelligente Agenten" und dazugeh{\"o}rige Organisationsformen neue Formen der Arbeit schaffen.},
  language  = {de}
}