Evaluations- und Projektergebnisse

Intelligente prädiktive Wartung unterstützt Mitarbeitende bei Instandhaltung und Entscheidungen. Das Entwurfsmuster zeigt KI-Best Practices sowie Hinweise zu Arbeitsgestaltung und Umsetzung, um Sicherheit, Effizienz, Autonomie und Arbeitsbelastung zu optimieren.

Die wichtigsten Ergebnisse im Überblick:

Kontext und Problemstellung

Vorausschauende Instandhaltung (auch prädiktive Wartung oder Predictive Maintenance) bezeichnet einen Ansatz, bei dem Wartungs- und Reparaturmaßnahmen nicht in festen Zeitintervallen, sondern auf Grundlage des tatsächlichen Zustands von Maschinen und Anlagen durchgeführt werden. Traditionelle Verfahren stützen sich dabei häufig auf die Auswertung einzelner Sensordaten, wie beispielsweise Temperatur- oder Vibrationsmessungen, für die feste Schwellenwerte definiert werden. Werden diese Grenzwerte überschritten oder unterschritten, löst das System Alarme aus – ein Vorgehen, das als Anomalieerkennung bezeichnet wird.

Dieses Vorgehen führt jedoch oft zu Fehlalarmen oder zur Nicht-Erkennung tatsächlicher Anomalien, da in der Regel jeweils nur ein einzelner Parameter betrachtet wird. So kann etwa ein Alarm ausgelöst werden, wenn die Temperatur einen definierten Schwellenwert überschreitet, ohne dass das Zusammenspiel mehrerer Einflussgrößen berücksichtigt wird. Dadurch ist das System nicht in der Lage, den Gesamtzustand der Maschine ganzheitlich zu bewerten.

KI Next Practice

Der Einsatz einer intelligenten prädiktiven Wartung mittels künstlicher Intelligenz (KI) adressiert diese Herausforderungen durch menschzentrierte, digitale Entscheidungsunterstützung. Sie schätzt den Zustand von Anlagen, prognostiziert potenzielle Ausfälle oder die verbleibende Lebensdauer von Komponenten, priorisiert Wartungsmaßnahmen und plant Aufgaben unter Berücksichtigung von Kosten, Systemzuverlässigkeit und Mitarbeitendensicherheit. Intelligente Wartungssysteme sind für den direkten Einsatz durch Wartungsteams und Maschinenbedienende gedacht, die Entscheidungen über Instandhaltungsmaßnahmen treffen müssen.

Der im Rahmen von AKzentE4.0 entwickelte Demonstrator des MASCOR-Instituts der FH Aachen veranschaulicht, wie maschinelles Lernen zur ganzheitlichen Überwachung von Sensordaten eingesetzt werden kann, um den Gesamtzustand von Maschinen präziser zu bewerten. Im Gegensatz zu klassischen, schwellenwertbasierten Verfahren werden mehrere Sensormessungen gleichzeitig analysiert. Dadurch lassen sich Fehlalarme reduzieren und bislang übersehene Anomalien erkennen. Das System identifiziert komplexe Muster, die mit traditionellen Methoden nicht erfassbar sind, und ermöglicht so eine deutlich genauere, datenbasierte Beurteilung des Maschinenzustands. Die resultierenden Vorhersagen können mithilfe von Explainable-AI-Methoden transparent aufbereitet werden, sodass Mitarbeitende die zugrunde liegenden Zusammenhänge und Empfehlungen nachvollziehen können. Ein möglicher Human-in-the-Loop-Mechanismus kann zudem kontinuierlich Expertenfeedback integrieren, sodass das System sich an präferierte Arbeitsweisen und Sicherheitsvorgaben anpasst. Kontextuelle Anpassungen, etwa an geänderte Produktionsbedingungen, können automatisch berücksichtigt werden.

Die Kombination aus datenbasierter Analyse, individueller Empfehlung und menschzentrierter Einbindung macht die Lösung zu einer Next Practice. Sie geht über klassische Anomalieerkennung hinaus, berücksichtigt komplexe Zusammenhänge und ermöglicht den Übergang zu effizienten, adaptiven und vertrauenswürdigen Instandhaltungsprozessen.

Hinweise zur Arbeitsgestaltung

Die vorgeschlagene Next-Practice-Lösung adressiert zentrale arbeitswissenschaftliche Gestaltungsaspekte, indem sie technologische Innovation mit einer konsequent menschzentrierten Ausrichtung verbindet. Intelligente prädiktive Wartungssysteme tragen nicht nur zur Reduktion ungeplanter Maschinenausfälle und Wartungskosten bei (Studien zeigen Einsparpotenziale von bis zu 15 %), sondern verbessern auch die Verfügbarkeit und Zuverlässigkeit von Maschinen und Anlagen sowie deren Lebensdauer. Ein wesentlicher Mehrwert der Lösung liegt in der menschzentrierten Entscheidungsunterstützung. Anstatt Wartungsentscheidungen vollständig zu automatisieren, stellt das System relevante Informationen, Zustandsbewertungen und konkrete Handlungsempfehlungen transparent und kontextbezogen für Mitarbeitende zur Verfügung, sodass diese aktiv in den Entscheidungsprozess eingebunden werden und die Kontrolle über sicherheits- und produktionsrelevante Maßnahmen behalten. Durch den Einsatz von Explainable-AI-Methoden werden die zugrundeliegenden Ursachen von Zustandsveränderungen nachvollziehbar dargestellt, wodurch Vertrauen in die Systeme entsteht und Akzeptanz gefördert wird.

Darüber hinaus fördert die Lösung eine sichere und ergonomische Arbeitsgestaltung. Frühzeitige Hinweise auf kritische Zustände ermöglichen planbare Wartungseinsätze, wodurch ungeplante Eingriffe unter Zeitdruck oder in gefährlichen Situationen vermieden werden. Dies trägt zur Reduktion physischer und psychischer Belastungen bei und unterstützt nachhaltige, gesundheitsgerechte Arbeitsprozesse. Insgesamt transformiert die intelligente, menschzentrierte Unterstützung den Wartungsprozess von einer reaktiven und kostenintensiven Tätigkeit hin zu einem proaktiven, adaptiven und vertrauenswürdigen Prozess. Der Produktionsfluss wird stabilisiert, während gleichzeitig die Qualität der Mensch-Maschine-Interaktion verbessert und die Rolle der Mitarbeitenden von reinen Ausführenden zu kompetenten Entscheidenden gestärkt wird.

Hinweise zur betrieblichen Umsetzung

Die Einführung intelligenter prädiktiver Wartungssysteme erfordert eine partizipative Gestaltung, bei der Mitarbeitende frühzeitig eingebunden werden, um Anforderungen, Nutzungskontexte und sicherheitsrelevante Aspekte angemessen zu berücksichtigen. Nur so lassen sich KI-basierte Vorhersagen praxisnah gestalten und nahtlos in den Arbeitsalltag integrieren. Langfristig ist zudem die kontinuierliche Pflege von Sensordaten, Modellen und Handlungsempfehlungen erforderlich, um die Prognosegenauigkeit sicherzustellen und Fehlalarme nachhaltig zu reduzieren. Ein weiterer zentraler Erfolgsfaktor ist die Transparenz der KI-gestützten Entscheidungen. Explainable-AI-Methoden ermöglichen es Mitarbeitenden, die zugrundeliegenden Zusammenhänge zu verstehen, Empfehlungen kritisch nachzuvollziehen und Vertrauen in die eingesetzte Technologie aufzubauen. Gleichzeitig sind datenschutzrechtliche und regulatorische Anforderungen zu beachten, insbesondere bei der Verarbeitung personenbezogener oder kontextspezifischer Daten. Eine betrieblich verankerte Lern- und Anpassungskultur befähigt Mitarbeitende, die bereitgestellten Empfehlungen sachgerecht zu interpretieren, eigene Erfahrungen einzubringen und Wartungsprozesse kontinuierlich weiterzuentwickeln. Auf diese Weise trägt intelligente prädiktive Wartung nachhaltig zur Steigerung von Effizienz, Planbarkeit, Sicherheit und Arbeitszufriedenheit bei.

Weiterführende Literatur

• Chen, J., Lim, C.P., Tan, K.H. et al. Artificial intelligence-based human-centric decision support framework: an application to predictive maintenance in asset management under pandemic environments. Ann Oper Res 350, 493–516 (2025). https://doi.org/10.1007/s10479-021-04373-w
• Sabuncu, Ö., & Bilgehan, B. (2025). Human-Centric IoT-Driven Digital Twins in Predictive Maintenance for Optimizing Industry 5.0. Journal of Metaverse, 5(1), 64-72. https://doi.org/10.57019/jmv.1596909
• Jay Lee, Behrad Bagheri, Hung-An Kao, (2015). A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems, Manufacturing Letters, Volume 3, Pages 18-23, ISSN 2213-8463, https://doi.org/10.1016/j.mfglet.2014.12.001.
• Selcuk S. Predictive maintenance, its implementation and latest trends. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture. 2016;231(9):1670-1679. doi:10.1177/0954405415601640
• Taylor, Sean & Letham, Benjamin. (2017). Forecasting at scale. 10.7287/peerj.preprints.3190v2.
• Guoqiang Zhang, B. Eddy Patuwo, Michael Y. Hu, Forecasting with artificial neural networks: The state of the art, International Journal of Forecasting, Volume 14, Issue 1, 1998, Pages 35-62, ISSN 0169-2070, https://doi.org/10.1016/S0169-2070(97)00044-7.
• Abadi, M., et al. (2016). TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. arXiv:1603.04467. https://arxiv.org/abs/1603.04467
• Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
• Russell, S. (2022). Artificial Intelligence and the Problem of Control. In: Werthner, H., Prem, E., Lee, A., Ghezzi, C. (eds) Perspectives on Digital Humanism. Springer, Cham. https://doi.org/10.1007/978-3-030-86144-5_3

Produzierende Unternehmen stehen vor der Herausforderung, ihre Produktionssysteme und -prozesse widerstandsfähig gegenüber unerwarteten Störungen zu gestalten. Neben logistischen Herausforderungen rücken dabei zunehmend personalinduzierte Störungen in den Fokus, beispielsweise krankheitsbedingte Ausfälle oder der Fachkräftemangel infolge des demografischen Wandels. Im Rahmen von AKzentE4.0 wurde ein Ansatz zur simulationsgestützten Bewertung der Resilienz gegenüber personalinduzierten Störungen entwickelt, der neue Möglichkeiten zur Planung resilienter Montagesysteme eröffnet. Im Zentrum steht die Integration personalbedingter Einflussfaktoren in die ereignisdiskrete Simulation. Dadurch können menschliche Einflussgrößen wie Verfügbarkeit, Qualifikation und Erfahrung systematisch modelliert und in der Bewertung berücksichtigt werden.

Die wichtigsten Ergebnisse im Überblick:

Kontext & Problemstellung

Produzierende Unternehmen stehen vor der Herausforderung, ihre Produktionssysteme und Abläufe widerstandsfähig gegenüber unerwarteten Störungen gestalten zu müssen. Globale Ereignisse wie Blockaden von Transportwegen, Konflikte oder Pandemien haben gezeigt, wie schnell Lieferketten und Produktionsprozesse ins Stocken geraten können. Neben logistischen Herausforderungen rücken zunehmend personalinduzierte Störungen in den Fokus, etwa durch krankheitsbedingte Ausfälle oder den Fachkräftemangel in Folge des demografischen Wandels. Besonders in der Montage, die stark von menschlicher Arbeitskraft geprägt ist, können solche Störungen die Leistungsfähigkeit des Betriebs erheblich beeinträchtigen. Die Fähigkeit die Produktion aufrechtzuerhalten oder rasch wiederherzustellen wird für Unternehmen immer wichtiger. Bereits heute setzen viele Betriebe auf Methoden wie die ereignisdiskrete Simulation, um verschiedene Szenarien und deren Auswirkungen bereits in der Planungsphase zu bewerten. Der Schwerpunkt liegt in der Praxis primär auf wirtschaftlichen Kennzahlen und der Effizienz, während die gezielte Stärkung der Resilienz gegenüber personalinduzierten Störungen bislang noch wenig Beachtung findet.

Next Practice

Der im Rahmen des Projektes entwickelte Ansatz zur simulationsgestützten Bewertung der Resilienz im Hinblick auf personalinduzierte Störungen eröffnet Wege zur Planung resilienter Montagesysteme. Im Mittelpunkt steht die Integration personalinduzierter Störungen in die ereignisdiskrete Simulation, wodurch die menschlichen Einflussgrößen Verfügbarkeit, Qualifikation und Erfahrung systematisch berücksichtigt werden können. Durch die Entwicklung spezifischer Teilmodelle für diese zentralen Humanfaktoren sind die Auswirkungen personalbezogener Störungen abbildbar.

Analysedashboard mit Simulationsergebnissen für das Störungsszenario „Pandemie“ in der Montageorganisationsform „Reihenmontage“.
Grafik: IAW der RWTH Aachen, Maximilian Duisberg

Die Entwicklung spezifischer Simulationsmodelle für verschiedene Montageorganisationsformen ermöglicht es diese gezielt hinsichtlich ihrer Resilienz gegenüber diversen personalbezogenen Störungen zu vergleichen. Dabei werden für die Bewertung etablierte Resilienzmetriken und arbeitsgestalterische Kriterien auf Simulationsdaten angewendet. Durch die vergleichende Bewertung der Montageorganisationsformen Reihenmontage, Gruppenmontage und One-Piece-Flow in einer Versuchsreihe wurde deutlich, dass die Organisation der Montage einen direkten Einfluss auf die Widerstandsfähigkeit gegenüber personalbezogenen Störungen hat. Die Kombination von Simulationsmethodik und arbeitswissenschaftlicher Bewertung liefert Unternehmen eine praxisnahe Entscheidungsgrundlage, welche über die reine Optimierung wirtschaftlicher Ziele hinausgeht und die gezielte Stärkung der Resilienz in den Mittelpunkt stellt. Auf Grundlage dessen können produzierende Unternehmen ihre Montagesysteme gezielt so gestalten, dass sie flexibel und robust auf zukünftige personalbezogene Störungen reagieren.

Hinweise zur Arbeitsgestaltung

Der Next Practice-Ansatz integriert zentrale arbeitsgestalterische Kriterien in die Bewertung resilienter Montagesysteme. Die Steigerung von Aufgabenvielfalt und Ganzheitlichkeit als Zielgröße hat das Potential auch die Resilienz nachhaltig zu fördern, wenn Mitarbeitende eine breite Palette von Arbeitsschritten übernehmen und folglich am gesamten Montageprozess beteiligt werden können, wodurch die Flexibilität und Anpassungsfähigkeit gestärkt werden. Darüber hinaus fördert die vollständige Montage eines Produktes die Identifikation mit der Arbeitsaufgabe und die Motivation. Aufgaben mit rückmeldendem Charakter ermöglichen den Mitarbeitenden direkte Rückschlüsse auf die eigene Arbeitsqualität und -leistung und sind daher eine wertvolle Zielgröße für ein resilientes Arbeitssystem. Eine hohe Anforderungsvielfalt ermöglicht den Mitarbeitenden die regelmäßige Ausübung verschiedener Fähigkeiten, sodass diese genutzt und weiterentwickelt werden.

Die Simulation des Montagesystems als Gesamtsystem ermöglicht die Berücksichtigung von Interdependenzen im Montageprozess, indem unterschiedliche Formen der Arbeitsteilung analysiert werden. Dadurch wird es möglich verschiedene Montageorganisationsformen hinsichtlich ihrer Fähigkeit, Störungen durch Anpassung der Abläufe im Rahmen der Montageorganisation zu begegnen, zu vergleichen. Insgesamt liefert der Ansatz eine differenzierte und praxisnahe Grundlage für die resiliente Gestaltung von Montagesystemen durch die Wahl der Montageorganisationsform welche über rein wirtschaftliche Ziele hinausgeht und die Widerstandsfähigkeit sowie die Motivation und Entwicklung der Mitarbeitenden mit einbezieht.

Hinweise zur betrieblichen Umsetzung

Bei der betrieblichen Umsetzung ist entscheidend, potenzielle Störungen frühzeitig im Montageplanungsprozess zu identifizieren und passende Störungsszenarien zu entwickeln. Zudem müssen klare Bewertungskriterien für die Simulationsstudie festgelegt und die dafür nötigen Daten in die Simulation integriert werden. Bei der Auswahl muss beachtet werden, dass die Systemleistung ausreichend granular erfasst und die Auswirkungen von Störungen im Vergleich zu einem Referenzzustand sichtbar werden. Ebenso sollte die Resilienzmetrik zum Betrachtungszeitraum und jeweiligen Anwendungskontext passen, um differenzierte und belastbare Ergebnisse zu erhalten.

Weiterführende Literatur

• Duisberg, M. (2025). Simulation von personalinduzierten Störungen für die Planung resilienter Montagesysteme [RWTH Aachen]. https://doi.org/10.18154/RWTH-2025-08800
• Aruväli, T., De Marchi, M. & Rauch, E. (2023). Analysis of quantitative metrics for assessing resilience of human-centered CPPS workstations. Scientific reports, 13(1). https://doi.org/10.1038/s41598-023-29735-1
• Billiet, H. & Stark, R. (2022). A Framework for Rescheduling a Fixed-Layout Assembly System Using Discrete-Event Simulation. 2022 Winter Simulation Conference (WSC), 1762–1771. https://doi.org/10.1109/WSC57314.2022.10015383
• Stegmann, S., van Dick, R., Ullrich, J., Charalambous, J., Menzel, B., Egold, N. & Wu, T. T.‑ (2010). Der Work Design Questionnaire: Vorstellung und erste Validierung einer deutschen Version. Zeitschrift für Arbeits- und Organisationspsychologie A&O, 54(1), 1–28. https://doi.org/10.1026/0932-4089/a000002
• Yarveisy, R., Gao, C. & Khan, F. (2020). A simple yet robust resilience assessment metrics. Reliability Engineering & System Safety, 197(3), 106810. https://doi.org/10.1016/j.ress.2020.106810

im Aufbau

Kontext & Problemstellung

Trotz vielschichtiger Präventionsmaßnahmen verursachen Muskel- und Skeletterkrankungen mit durchschnittlich 16,3 Tagen im Jahr 2023 weiterhin die meisten krankheitsbedingten Arbeitsunfähigkeitstage und sind als dritthäufigste Ursache für Frühverrentungen eine enorme Belastung für die Kassensysteme. Ergonomische Schulungen sensibilisieren Beschäftigte für die korrekte Arbeitsplatznutzung, etwa durch das Aufzeigen rückengerechter Haltungen beim Sitzen, Heben oder Tragen. Während die kurzfristige Wirksamkeit solcher Maßnahmen in der Regel rasch einsetzt, ist ihre langfristige Effektivität stark von der gewählten Trainingsmethode abhängig. Besonders erfolgreich sind Verfahren, bei denen Beschäftigte über kontinuierliche Feedback-Loops, beispielsweise durch direkte Rückmeldungen eines Trainers, fortlaufend korrigierende Hinweise zu ihren Haltungen erhalten und so gesunde Bewegungsmuster nachhaltig in ihre Arbeitsroutinen integrieren können. Solche beobachtungsbasierten Verfahren sind jedoch subjektiv, stark von der Expertise des Beobachters abhängig und aufgrund der eingeschränkten Personalverfügbarkeit und den damit verbundenen hohen Kosten in der Praxis häufig nicht zugänglich.

KI Next Practice

Zukünftige Arbeitsplätze können durch die Integration KI-basierter Systeme bestehende Einschränkungen überwinden, indem objektive Haltungsinformationen, etwa aus Motion-Capture-Systemen, direkt an die Beschäftigten zurückgespielt werden. Ein multimodaler Ansatz kombiniert die Stärken verschiedener Sinneskanäle und passt die Rückmeldungen an Person und Arbeitsumgebung an: Auf visueller Ebene lassen sich Fehlhaltungen durch eingefärbte Körperregionen auf einem digitalen Abbild leicht verständlich darstellen (s. Abbildung 4), wahlweise über ein Head-Mounted Display mit freier Platzierung des Abbildes im Raum oder konservativ über einen Bildschirm. Ergänzend können am Körper platzierte Vibrationsgeber subtile Hinweise geben, die bereits unterschwellig eine Haltungsänderung anstoßen. Bei länger andauernden oder stärker belastenden Positionen lässt sich die Intensität steigern, um die Dringlichkeit zu verdeutlichen. Akustische Hinweise wie kurze Störgeräusche oder räumlich verortete Töne unterstützen zusätzlich und können bei persistierenden Fehlhaltungen in explizite Sprachanweisungen übergehen, die auf mögliche gesundheitliche Risiken hinweisen. Damit wird eine kontinuierliche, situationsgerechte und multimodale ergonomische Unterstützung direkt im Arbeitsprozess möglich, weit über klassische Schulungsmethoden hinaus.

Abbildung: Visuelle Dimension eines KI-System zur ergonomischen Haltungsanalyse. Grafik: IAW der RWTH Aachen, Josephine Imorde

Hinweise zur Arbeitsgestaltung

Informationen und Signale werden so gesetzt, dass sie Anreize zur selbstständigen Haltungskorrektur bieten, ohne diese zu erzwingen. Dadurch wird die Autonomie und die Akzeptanz des Systems gestärkt werden. Um Arbeitsunterbrechungen durch eine Überflutung mit Reizen und Informationen zu vermeiden, erfolgt die Rückmeldung in Form einer graduellen Eskalation, die von subtilen Impulsen bis hin zu deutlichen Reizen reicht. Leichte Vibrationen können dabei bereits unbewusst eine Haltungsänderung anstoßen, ohne die eigentliche Aufgabe zu beeinträchtigen. Erst wenn eine Fehlhaltung über längere Zeit bestehen bleibt, werden die Signale intensiver, um die Dringlichkeit zu verdeutlichen und langfristige gesundheitliche Schäden zuverlässig abzuwenden. Die Rückmeldungen sind in ihrer Komplexität so gestaltet, dass sie unmittelbar verstanden werden können. Farbcodierungen wie Rot für Gefahr und Grün für eine unbedenkliche Haltung ermöglichen eine intuitive Interpretation, sodass Nutzende schnell reagieren können, ohne ihre Aufmerksamkeit von der eigentlichen Arbeitsaufgabe abzuziehen. Um die Wichtigkeit des Handelns zu verdeutlichen, werden nach jeder Arbeitssession ergonomisches Scoring und Verlaufswerte eingeblendet. Diese zeigen auf, wie häufig positive Haltungen eingenommen wurden, wie sich dadurch das langfristige Risiko von Erkrankungen (z. B. Bandscheibenvorfällen) reduziert und wie sich die individuelle Ergonomie im zeitlichen Verlauf entwickelt.

Hinweise zur betrieblichen Umsetzung

Bei der betrieblichen Umsetzung stellt die Akzeptanz der Beschäftigten eine zentrale Herausforderung dar. Systeme zur Haltungsanalyse könnten potenziell auch für Leistungsbewertungen missbraucht werden. Daher ist es essenziell, klare technische und rechtliche Einschränkungen zu implementieren und transparent zu kommunizieren, um Vertrauen zu schaffen. Beschäftigte sollten frühzeitig in den Entwicklungs- und Einführungsprozess einbezogen werden, um zum einen ihre Bedenken zu äußern, aber auch um sicherstellen zu können, dass die Technologie auf ihre angepasst wird, sodass sie durch die Technologie in bei der Ausführung ihrer Tätigkeit nicht behindert werden und keine umfangreiche Einarbeitung notwendig wird.

Im Vergleich zu traditionellen Methoden können durch KI-gestützte Supportsysteme Arbeitsverletzungen bereits jetzt reduziert und das allgemeine Wohlbefinden der Beschäftigten verbessert werden. Die KI-basierten Haltungsanalyse mittels Motion Capture könnte das Potenzial haben, zukünftig zu einem festen Baustein der ergonomischen Arbeitsplatzgestaltung zu werden.

Weiterführende Literatur

• Bundesministerium für Arbeit und Soziales. (2024). Sicherheit und Gesundheit bei der Arbeit – Berichtsjahr 2023: Unfallverhütungsbericht Arbeit. https://doi.org/10.21934/BAUA:BERICHT20240912
• Hoe, V. C., Urquhart, D. M., Kelsall, H. L., Zamri, E. N., & Sim, M. R. (2018). Ergonomic interventions for preventing work‐related musculoskeletal disorders of the upper limb and neck among office workers. Cochrane Database of Systematic Reviews, 10. https://doi.org/10.1002/14651858.CD008570.pub3
• Lins, C., Fudickar, S., Gerka, A., & Hein, A. (2018). A Wearable Vibrotactile Interface for Unfavorable Posture Awareness Warning: Proceedings of the 4th International Conference on Information and Communication Technologies for Ageing Well and E-Health, 178–183. https://doi.org/10.5220/0006734901780183
• Marín, J., & Marín, J. J. (2021). Forces: A Motion Capture-Based Ergonomic Method for the Today’s World. Sensors, 21(15), 5139. https://doi.org/10.3390/s21155139
• Naranjo, J. E., Mora, C. A., Bustamante Villagómez, D. F., Mancheno Falconi, M. G., & Garcia, M. V. (2025). Wearable Sensors in Industrial Ergonomics: Enhancing Safety and Productivity in Industry 4.0. Sensors (Basel, Switzerland), 25(5), 1526. https://doi.org/10.3390/s25051526
• Schäfer, P. H., Mertens, A., & Nitsch, V. (2025). Envisioning Tomorrow’s Assembly Workplace: Insights from a User-Centric Development Process Integrating Motion Capture and Mixed Reality. Arbeit 5.0: Menschzentrierte Innovationen Für Die Zukunft Der Arbeit, 71. https://www.gesellschaft-fuer-arbeitswissenschaft.de//inhalt/dokumente/71_fruehjahrskongress_gfa.zip

im Aufbau

im Aufbau