@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}
}
@incollection{BrecherBrockmann2020,
  author    = {Brecher, Christian and Brockmann, Matthias},
  title     = {Vernetzte Produktion durch Digitale Schatten - Werkzeugmaschine 4.0},
  series = {Handbuch Industrie 4.0: Recht, Technik, Gesellschaft / Hrsg. Walter Frenz},
  booktitle = {Handbuch Industrie 4.0: Recht, Technik, Gesellschaft / Hrsg. Walter Frenz},
  publisher = {Springer-Verlag GmbH Deutschland},
  address   = {Berlin, Heidelberg},
  doi       = {10.1007/978-3-662-58474-3},
  publisher      = {FH M{\"u}nster - University of Applied Sciences},
  pages     = {543 -- 552},
  year      = {2020},
  abstract  = {Der Begriff Internet of Things hat sich weltweit als Bezeichnung f{\"u}r die horizontale internetbasierte Vernetzung von Cyber-Physical Systems durchgesetzt. Das IoT erm{\"o}glicht dabei die Nutzung von Felddaten (z. B. Kundenverhalten) zur Realisierung von neuartigen digitalen Gesch{\"a}ftsmodellen. In den meisten Anwendungsf{\"a}llen sind dabei große Mengen an Felddaten vorhanden, welche durch eine relativ kleine Anzahl von Parametern beschrieben werden. Die {\"U}bertragung des IoT-Ansatzes auf die Produktion wird - insbesondere in Deutschland - mit dem Begriff Industrie 4.0 bezeichnet. Das volle Potenzial dieses Ansatzes kann derzeit jedoch nicht vollst{\"a}ndig genutzt werden, da der Zugang zu Daten aus der Produktion aus verschiedenen Gr{\"u}nden nicht m{\"o}glich ist und die Daten aufgrund der komplexen physikalischen Wirkzusammenh{\"a}nge sehr heterogen sind. Dies f{\"u}hrt insbesondere in der Datenanalyse zu g{\"a}nzlich neuen Herausforderungen.},
  language  = {de}
}
@article{SchuhHaefnerHopmannetal.2020,
  author    = {Schuh, G{\"u}nther and H{\"a}fner, Constantin and Hopmann, Christian and Rumpe, Bernhard and Brockmann, Matthias and Wortmann, Andreas and Maibaum, Judith and Dalibor, Manuela and Bibow, Pascal and Sapel, Patrick and Kr{\"o}ger, Moritz},
  title     = {Effizientere Produktion mit Digitalen Schatten},
  series = {Effizientere Produktion mit Digitalen Schatten},
  volume    = {115},
  journal   = {Effizientere Produktion mit Digitalen Schatten},
  number    = {ZWF Zeitschrift f{\"u}r wirtschaftlichen Fabrikbetrieb},
  doi       = {10.3139/104.112339},
  pages     = {105 -- 107},
  year      = {2020},
  abstract  = {Die Digitalisierung verspricht Unternehmen, die Wandlungsf{\"a}higkeit und Produktivit{\"a}t bestehender Fertigungssysteme zu f{\"o}rdern. Durch die Komplexit{\"a}t cyber-physischer Produktionssysteme liegen Produktionsdaten jedoch heterogen, unstrukturiert und isoliert vor. Die f{\"u}r eine konkrete Aufgabe oder Fragestellung ben{\"o}tigten Daten werden durch Digitale Schatten zielgerichtet verkn{\"u}pft, abstrahiert und aggregiert, sodass eine wissensbasierte und echtzeitf{\"a}hige Entscheidungsfindung in der Produktion m{\"o}glich wird.},
  language  = {de}
}