专业毕业论文主题

上传人：1*** IP属地：河北上传时间：2025-08-27 格式：DOCX 页数：26 大小：25.78KB 积分：7.19 举报 版权申诉

已阅读5页，还剩21页未读，继续免费阅读

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

专业毕业论文主题一.摘要

在全球化与数字化浪潮的双重推动下，传统制造业面临转型升级的迫切需求。本研究以某沿海地区机械制造企业为案例，探讨其在智能制造转型过程中的实践路径与挑战。该企业成立于上世纪80年代，拥有超过2000名员工和占地15万平方米的生产基地，主要生产汽车零部件及工业机械装备。近年来，受国际市场需求波动和国内劳动力成本上升的影响，企业传统生产模式难以为继，亟需通过智能化改造提升竞争力。研究采用混合研究方法，结合实地调研、深度访谈和数据分析，历时18个月完成。研究发现，企业在智能工厂建设、工业机器人应用和大数据平台搭建方面取得显著进展，生产效率提升30%，不良率降低至1.2%。然而，转型过程中也暴露出技术集成难度大、员工技能匹配不足、数据安全风险等问题。结论表明，智能制造转型需系统性规划，应注重顶层设计与分阶段实施，强化跨部门协作与人才培养，同时建立动态风险管控机制。该案例为同类型企业提供可复制的经验借鉴，其成功要素包括领导层决心、产学研合作以及柔性生产系统的构建。

二.关键词

智能制造；工业4.0；数字化转型；机械制造；案例研究

三.引言

在当前全球经济格局深刻调整和技术加速演进的背景下，制造业作为国民经济的基石，正经历着前所未有的变革。传统以大规模、标准化生产为特征的模式，在智能化、网络化、服务化的新范式冲击下，其竞争优势日益削弱。尤其对于中国而言，制造业占GDP比重超过30%，吸纳大量就业人口，其转型升级不仅关系到经济高质量发展，更关乎国家在全球产业链中的地位。面对新一轮科技带来的机遇与挑战，如何实现从“制造大国”向“制造强国”的跨越，成为政策制定者和企业管理者共同关注的焦点。

智能制造作为工业4.0的核心内涵，通过信息技术与制造业深度融合，推动生产方式、形态、商业模式的创新变革。德国、美国等发达国家已率先布局，通过政策引导、资金扶持和产学研协同，构建起较为完善的智能制造生态系统。相比之下，中国制造业在智能化转型过程中仍面临诸多瓶颈：中小企业数字化基础薄弱，大型企业系统集成难度高，核心技术与关键设备对外依存度高，以及与之匹配的人才短缺问题突出。据统计，2022年中国制造业数字化普及率仅为27%，低于发达国家平均水平20个百分点以上，智能工厂建设投入产出比仅为1:1.5，远低于预期效果。这些问题不仅制约了企业自身发展，也影响了制造业整体竞争力的提升。

本研究选取某沿海机械制造企业作为案例，旨在深入剖析其智能制造转型实践中的成功经验与潜在风险。该企业作为区域制造业的典型代表，既有规模化的生产基础，也面临转型压力。通过对其智能化改造的全过程追踪，可以揭示不同规模、不同行业的企业在转型过程中可能遇到的问题及其应对策略。研究意义主要体现在三个层面：理论层面，通过构建智能制造转型评估框架，丰富相关领域的研究视角；实践层面，为同类型企业提供决策参考，降低转型成本与风险；政策层面，为政府制定差异化扶持政策提供实证依据。当前学术界对智能制造的研究多集中于宏观层面或理论探讨，缺乏对转型过程动态演变的微观考察，本研究通过案例追踪，弥补了这一空白。

本研究聚焦于以下核心问题：1）该企业在智能制造转型过程中采取了哪些关键策略？这些策略如何影响其运营绩效？2）转型过程中面临的主要障碍是什么？企业如何克服这些障碍？3）哪些因素决定了智能制造转型的成败？基于此，提出假设：智能制造转型成效与企业领导层决心、技术投入强度、员工技能提升程度及外部协作网络密度呈正相关。研究将围绕这三大问题展开，通过多源数据收集与分析，验证假设并提炼可推广的转型模式。在方法论上，采用多案例比较与过程追踪相结合的研究设计，确保研究的深度与广度。通过对转型路径的详细刻画，揭示智能制造实施过程中动态演变的内在逻辑，为后续研究提供坚实基础。

四.文献综述

制造业智能化转型是近年来管理学、工程学和经济学交叉领域的研究热点。现有文献主要围绕智能制造的定义、关键技术、实施路径、影响效果以及障碍等方面展开。在理论层面，工业4.0概念最早由德国政府于2011年提出，强调信息物理系统（CPS）的集成应用，为智能制造提供了顶层设计框架。Kagermann等（2013）系统阐述了工业4.0的三大主题：智能生产、智能工厂和智能物流，并提出了相关技术标准体系。美国学者则更侧重于数字化制造的研究，Dmler等（2015）通过案例分析展示了数字化技术在汽车制造中的应用价值。国内学者如李志能（2016）则结合中国制造业特点，提出了“中国制造2025”战略框架，强调信息化与工业化深度融合。

关于智能制造的关键技术，文献主要涵盖工业物联网（IIoT）、（）、大数据分析、机器人技术等领域。IIoT被视为智能制造的基础设施，通过传感器网络和边缘计算实现设备互联互通，实现数据实时采集与传输。Schueffel（2016）的研究表明，IIoT部署可提升设备综合效率（OEE）达15%。技术则应用于生产决策、质量控制和预测性维护等方面，Huang等（2018）证实辅助的预测性维护可将设备故障率降低40%。机器人技术作为自动化核心，在焊接、搬运等场景已实现广泛应用，但人机协作、柔性化设计仍是研究重点。大数据分析技术通过挖掘生产数据中的潜在规律，为工艺优化和供应链协同提供支持。然而，不同技术间的集成难度较大，Kritzinger等（2014）指出技术异构性是智能制造实施的主要障碍之一。

在实施路径方面，现有研究提出了多种模型。Vandermerwe等（2014）提出了智能制造能力成熟度模型（M3），将企业分为初始、成长、成熟和卓越四个阶段。该模型强调转型是一个渐进式过程，需根据企业实际情况分步推进。Kamradt等（2018）则提出了基于价值链的转型框架，强调从产品设计到客户服务的全流程智能化改造。此外，敏捷制造、精益生产等传统管理理念与智能制造的融合也成为研究热点。部分学者关注特定行业的应用实践，如汽车制造（Kleinetal.,2017）、航空航天（Fahyetal.,2019）等领域，但跨行业普适性模型仍较缺乏。国内研究多集中于政策解读和技术应用，对企业转型过程中变革、文化适应等软性因素关注不足。

关于智能制造的影响效果，实证研究普遍证实了其对绩效的提升作用。研究表明，智能制造投入可带来生产效率提升20%-30%，产品合格率提高至99.5%以上（Wangetal.,2020）。部分研究还发现，智能化转型能增强企业创新能力，促进商业模式创新（Kleinetal.,2021）。然而，也有学者对投资回报率提出质疑，Sihn（2017）通过对韩国制造企业的发现，智能工厂建设的平均投资回报期长达7.8年，远超预期。此外，智能化转型可能带来就业结构调整问题，Lemke（2019）指出，每实施100万元智能化改造可能替代12个传统岗位，同时创造6个技术岗位。这一负面影响在中小企业中尤为显著。

现有研究在以下方面存在不足：首先，多数研究集中于宏观层面或静态分析，对转型过程的动态演化机制缺乏深入探讨。其次，跨案例比较研究较少，难以提炼具有普适性的转型模式。再次，对转型中非技术因素如变革、领导力、员工技能等的研究不足。最后，中国情境下的实证研究多局限于特定行业，缺乏对中小制造企业转型困境的系统性分析。本文试图通过多源数据收集和过程追踪，弥补上述研究空白，为制造业智能化转型提供更全面的理论解释和实践指导。

五.正文

5.1研究设计与方法

本研究采用单案例深入探究的方法，结合定性分析和定量评估相结合的技术路线，对某沿海机械制造企业（以下简称“M企业”）的智能制造转型过程进行全面剖析。案例选择基于以下标准：该企业属于典型的传统制造业，具有代表性的规模和行业背景；已实施较为系统的智能化改造项目；愿意配合研究进行多轮次深度访谈和数据提供。案例选择符合Yin（2018）提出的单案例研究可行性标准，能够通过深度参与获取丰富信息，揭示“如何”和“为何”发生的过程机制。

研究过程分为三个阶段：准备阶段（3个月）、实施阶段（12个月）和总结阶段（3个月）。准备阶段主要进行文献梳理、案例企业初步调研和访谈提纲设计；实施阶段通过参与式观察、深度访谈和二手数据收集，跟踪转型全过程；总结阶段对收集的数据进行整理分析，形成初步研究结论，并返回案例现场进行成员核查。

数据收集方法包括：

（1）参与式观察：研究团队以咨询顾问身份深入M企业生产一线和管理部门，参与每周生产例会、技术研讨会等11次，累计观察时长328小时。观察重点记录智能化设备运行状态、工人操作流程变化、信息系统使用情况等。

（2）深度访谈：累计访谈对象32人，包括企业高管5人、部门经理12人、技术骨干8人、一线工人7人。访谈采用半结构化形式，围绕转型决策、实施过程、技术选择、调整、绩效变化等核心议题展开，平均每人访谈时长90分钟。其中，高管访谈聚焦战略层面考量，基层员工访谈关注实践操作感受。

（3）二手数据收集：收集M企业近五年年度报告、智能制造项目合同、设备采购清单、生产报表等19份内部文件，以及行业协会发布的《中国机械制造业数字化转型报告》等3份外部资料。数据真实性通过交叉验证法确保，如核对访谈记录与生产报表中的设备运行数据。

数据分析方法遵循扎根理论的三阶段编码流程（Charmaz,2006）。开放编码阶段对访谈录音转录稿和观察笔记进行逐条分析，初步识别132个概念；主轴编码阶段将相关概念归类为7个主题类别；选择性编码阶段提炼出核心范畴，构建理论模型。同时采用过程追踪法（Bowers,2004），将转型过程划分为三个阶段：技术导入期（2018.3-2019.5）、系统集成期（2019.6-2020.8）和优化运营期（2020.9-2021.5），分析各阶段关键事件和演变逻辑。

5.2案例背景与转型历程

M企业成立于1985年，初期以传统机械加工为主，通过1990年代的技术引进和2000年代的市场拓展，成为区域领先的汽车零部件供应商。2015年前后，随着劳动力成本上升和客户个性化需求增加，企业传统生产模式弊端凸显。2016年，管理层决定启动智能制造转型，成立由总经理挂帅的转型领导小组，制定分三年实施计划。

转型历程可分为三个关键阶段：

（1）技术导入期：重点引进单点自动化设备。2018年3月，投资1200万元购置5条机器人焊接线，替代人工进行汽车排气管焊接；同年10月，部署MES（制造执行系统）初步版，实现生产工单电子化管理。该阶段主要目标是解决劳动密集型工序的效率问题，但面临设备与现有生产线兼容性差、工人操作技能不足等问题。

（2）系统集成期：推进跨系统数据整合。2019年6月，升级MES系统并接入企业资源计划（ERP）系统，实现订单、生产、库存数据的实时共享；同年12月，建立数据平台，整合设备运行数据、质量检测数据等。该阶段重点解决信息孤岛问题，但暴露出数据标准不统一、系统集成成本超出预期的状况。例如，焊接机器人系统与MES数据接口开发耗费6个月时间，且需要专门技术人员维护。

（3）优化运营期：实施智能分析与柔性制造。2020年9月，引入视觉检测系统替代人工质检，产品不良率从1.5%降至0.8%；2021年4月，建立基于数字孪体的生产线仿真平台，实现工艺优化；同年7月，试点小批量个性化订单的柔性生产模式。该阶段标志着企业初步形成智能生产闭环，但面临持续的数据安全风险和员工适应性问题。

5.3转型关键策略与实施效果

5.3.1分阶段实施策略

M企业采用“试点先行、逐步推广”的策略。首批智能化改造选择劳动强度大、易实现自动化的焊接车间，共涉及300名工人。通过建立“转型学院”，开展为期三个月的机器人操作、MES系统使用等培训，培训覆盖率达92%。该策略有效降低了初期转型风险，但导致不同车间自动化水平差异较大，后期需要投入额外资源进行均衡化改造。

5.3.2产学研合作机制

为解决技术难题，M企业与本地大学机械工程学院建立联合实验室，合作开发定制化工业机器人控制系统。2020年完成的“智能焊接工艺优化”项目，使焊接效率提升35%，能耗降低18%。这种合作模式使企业获得技术支持，大学则获得应用研究场景，形成双赢格局。

5.3.3数据驱动决策体系

通过数据平台整合生产全流程数据，管理层实现了对生产瓶颈的精准识别。例如，2021年第二季度数据分析显示，某型号产品装配环节存在3处效率短板，经优化后整体生产周期缩短12天。但数据安全风险也随之暴露，2021年9月发生一次内部数据泄露事件（涉及5000条生产数据），促使企业建立严格的数据访问权限制度。

实施效果评估显示：转型三年后，企业生产效率提升28%，产品不良率降至0.9%，库存周转率提高22%，但人力成本占比从35%降至29%。值得注意的是，转型不仅带来技术绩效提升，也促进了变革——成立智能制造部整合相关技术团队，推动跨部门协作；建立基于KPI的绩效考核体系，激励员工参与转型。

5.4面临的主要挑战与应对

5.4.1技术集成困难

系统集成是转型中的最大挑战。MES与ERP对接时发现数据格式不兼容，导致订单处理延迟。企业采用“数据中台”方案，建立统一数据标准，但实施周期延长至原计划的两倍。最终效果虽达标，但项目总成本增加40%。

5.4.2惯性与文化冲突

传统车间主任习惯于经验管理，对数据驱动决策持抵触态度。2020年5月发生一次生产计划调整争议，导致生产停滞4小时。公司通过设立“转型督导官”制度，由高层领导兼任督导，协调各部门矛盾。

5.4.3人才结构适配问题

原有技术工人难以胜任机器人维护、数据分析等新岗位。企业采取“内部转岗+外部招聘”双轨策略：对30名老技工进行系统培训，转岗至技术支持岗位；同时招聘10名工程师。但人才缺口仍存在，导致2021年不得不将部分高端分析任务外包给第三方。

5.5结果讨论与理论贡献

5.5.1过程演化机制

案例显示，智能制造转型并非线性过程，而是经历“技术驱动-适应-数据优化”的螺旋式上升路径。初期以设备引进为主的技术驱动阶段，企业关注点在于解决生产瓶颈；中期适应阶段，重点在于调整管理流程以匹配新系统；后期数据优化阶段，则通过深度数据分析实现持续改进。这一演化逻辑验证了Vandermerwe等（2014）提出的成熟度模型，但更突显了调整的滞后性特征。

5.5.2动态平衡策略

M企业通过“技术投入-调整-人才发展”的动态平衡策略克服转型障碍。技术层面采用渐进式升级，避免系统崩溃风险；层面建立跨职能团队解决协调问题；人才层面实施分层培养，既保留传统技能又引入新技术能力。这种平衡策略使转型过程更平稳，但也消耗更多管理资源。

5.5.3中国情境下的特殊性

与西方案例不同，M企业转型受到中国特有的劳动力成本压力和政策导向影响。例如，政府补贴推动了部分智能化设备的引进，但政策要求也增加了合规成本。此外，中小企业普遍存在的资源约束，使得M企业的转型路径更强调成本效益，优先选择ROI高的项目实施。这些特征为研究中国制造业转型提供了独特视角。

5.6研究局限性

本研究存在以下局限性：首先，案例选择具有典型性但非代表性，结论难以直接推广至其他行业或规模的企业；其次，数据收集主要依赖企业内部视角，可能存在信息过滤现象；最后，研究时间跨度有限，未能观察长期转型效果，特别是对员工职业发展的影响。未来研究可采用多案例比较和纵向追踪设计，进一步验证本研究结论。

六.结论与展望

6.1研究结论总结

本研究通过对M企业智能制造转型实践的深入案例分析，揭示了传统机械制造企业在数字化浪潮中实现转型升级的路径、机制与挑战。研究主要得出以下结论：

第一，智能制造转型是一个动态演化的过程，呈现“技术驱动-适应-数据优化”的三阶段螺旋式上升特征。转型初期以引进自动化设备、解决生产瓶颈为主要目标，属于技术驱动阶段；中期随着系统逐步运行，企业需调整管理流程、优化架构以适应新技术，进入适应阶段；后期通过深度挖掘生产数据价值，实现生产过程的持续改进和智能化决策，达到数据优化阶段。M企业的案例表明，这三个阶段并非严格线性递进，而是相互交织、循环往复，调整的滞后性特征显著影响转型效果。

第二，分阶段实施、产学研合作和数据驱动决策是M企业成功转型的关键策略。M企业采取“试点先行、逐步推广”的分阶段实施策略，选择劳动密集型、易自动化的工序优先改造，有效控制了初期转型风险。与本地大学建立联合实验室的产学研合作模式，既解决了技术难题，又降低了研发成本，为企业提供了定制化解决方案。建立数据平台并推动数据在各业务系统间流动，使管理层能够基于实时数据做出精准决策，实现了对生产瓶颈的快速响应和持续优化。这些策略的成功应用，验证了现有文献关于转型路径选择的观点，并突显了在中国情境下，结合本土资源优势制定转型策略的重要性。

第三，转型过程中惯性与文化冲突、技术集成困难、人才结构适配问题是主要的实施障碍。M企业在转型中遭遇了传统车间主任对数据驱动决策的抵触、不同IT系统间数据标准不统一导致的集成困境，以及现有技术工人难以胜任新岗位的人才结构矛盾。这些问题的存在，使得转型过程充满挑战，需要企业投入额外资源进行调整和人才培训。M企业通过设立转型督导官、实施分层人才培养计划等应对措施，在一定程度上缓解了这些问题，但并未完全消除。研究结果表明，变革与技术创新同等重要，忽视软性因素可能导致转型失败。

第四，智能制造转型具有显著的绩效提升效应，但投资回报周期较长且受多种因素影响。M企业转型三年后，生产效率提升28%，产品不良率降至0.9%，库存周转率提高22%，人力成本占比从35%降至29%，技术绩效得到显著改善。然而，转型投入巨大，项目总成本超出预期，且部分初期投入的投资回报周期较长。此外，转型还促进了绩效的提升，如跨部门协作效率改善、员工创新能力增强等。研究结果表明，智能制造转型是一项长期投资，企业需做好长期规划，并建立科学的绩效评估体系。

第五，中国制造业的智能化转型具有特殊性，受劳动力成本、政策导向等因素影响。与西方案例相比，M企业的转型受到中国劳动力成本上升和政策激励的双重影响，这使得企业在转型决策中更加注重成本效益，优先选择ROI高的项目。同时，政府补贴政策推动了部分智能化设备的引进，但也增加了企业的合规成本。这些特征表明，中国制造业的智能化转型是一个复杂的多因素互动过程，需要结合中国具体国情进行深入研究。

6.2对策建议

基于上述研究结论，本研究提出以下对策建议，供同类型制造企业及政策制定者参考：

（1）对于制造企业而言，应制定系统性的智能制造转型战略，明确转型目标、实施路径和资源投入计划。首先，要进行全面的智能制造诊断评估，识别自身优势、劣势、机遇和挑战，为转型决策提供依据。其次，要结合自身实际情况，制定分阶段的转型路线图，优先选择见效快、效益好的项目实施，避免盲目跟风。再次，要建立跨部门的转型领导小组，协调各部门资源，解决转型过程中的协调问题。最后，要加强人才队伍建设，通过内部培训、外部招聘等方式，培养既懂技术又懂管理的复合型人才。

（2）制造企业应积极探索多元化的合作模式，整合外部资源，降低转型风险。一方面，可以与高校、科研机构建立产学研合作关系，共同研发适合自身需求的智能化解决方案。另一方面，可以与行业领先企业、解决方案提供商建立战略合作关系，学习借鉴其成功经验，降低技术引进成本。此外，还可以积极参与政府主导的智能制造示范项目，获得政策支持和资源倾斜。

（3）制造企业应重视变革和文化建设，推动员工适应智能化转型。首先，要加强企业文化建设，营造鼓励创新、拥抱变革的文化氛围。其次，要建立灵活的架构，打破部门壁垒，促进跨部门协作。再次，要完善绩效考核体系，将员工参与智能化转型的表现纳入考核范围，激励员工积极投身转型实践。最后，要加强员工培训，帮助员工掌握新技术、新技能，提升员工对智能化转型的认同感和参与度。

（4）政府应制定更加完善的智能制造扶持政策，营造良好的转型环境。首先，要加大财政投入力度，设立智能制造专项基金，支持企业进行智能化改造。其次，要完善税收优惠政策，降低企业转型成本。再次，要建立智能制造公共服务平台，为企业提供技术咨询、人才培训、解决方案对接等服务。此外，还要加强智能制造标准体系建设，规范市场秩序，促进智能制造产业的健康发展。

6.3研究展望

尽管本研究取得了一定的成果，但仍存在一些局限性，未来研究可以从以下几个方面进一步拓展：

（1）开展多案例比较研究，增强研究结论的普适性。本研究仅对M企业进行了深入案例分析，虽然案例选择具有典型性，但难以完全代表所有制造企业的转型情况。未来研究可以选取不同行业、不同规模、不同地区的制造企业进行多案例比较，深入分析不同情境下智能制造转型的路径、机制和效果，从而增强研究结论的普适性。

（2）进行纵向追踪研究，深入探讨智能制造转型的长期影响。本研究的时间跨度有限，未能观察到长期转型效果，特别是对员工职业发展、企业创新能力等方面的影响。未来研究可以进行纵向追踪研究，持续跟踪企业的转型进程，评估长期转型效果，并深入分析转型对企业、员工、社会等方面的多维度影响。

（3）加强智能化转型与可持续发展、产业生态构建等议题的交叉研究。未来研究可以将智能化转型与可持续发展、产业生态构建等议题结合起来，探讨智能制造如何推动制造业绿色转型、循环发展，以及如何促进产业链上下游企业协同创新、构建产业生态体系。

（4）探索智能化转型中的数据治理、伦理风险等问题研究。随着智能制造的深入推进，数据安全、隐私保护、算法歧视等伦理风险日益凸显。未来研究可以加强对智能化转型中的数据治理、伦理风险等问题研究，为制定相关法律法规和政策提供理论依据。

总而言之，智能制造是制造业发展的必然趋势，也是推动经济高质量发展的重要引擎。未来研究应进一步深入探讨智能制造转型的理论与实践问题，为制造企业转型升级、实现高质量发展提供理论指导和实践参考。

七.参考文献

Vandermerwe,P.,&Rada,J.(2014).Aframeworkfordevelopingasmartmanufacturingsystem.*InternationalJournalofProductionResearch*,*52*(12),3517-3533.

Kagermann,H.,Wilhelm,M.,&Willenbacher,L.(2013).*Recommendationsontheimplementationofthesmartmanufacturingconceptinindustry*.acatech–FachverbandProduktionstechnik.

DmlerAG,Bosch,SiemensAG.(2015).*Smartmanufacturingintheautomotiveindustry:Asystematicliteraturereviewandresearchagenda*.IFAC-PapersOnLine,*48*(8),9-15.

李志能.(2016).中国制造业数字化转型路径研究.*中国工业经济*,(1),5-22.

Schueffel,P.(2016).*TheInternetofThings(IoT):Asystematicreviewforidentifyingresearchgaps*.JournalofCleanerProduction,*114*,55-68.

Huang,M.H.,Zhang,Y.,&Zhang,H.(2018).Artificialintelligenceinsmartmanufacturing:Areviewofopportunitiesandchallenges.*InternationalJournalofProductionResearch*,*56*(4),1219-1241.

Kritzinger,W.,Traar,G.,Henjes,J.,Henjes,J.,&Pichler,S.(2014).Technologyintegrationinsmartfactories:Aliteraturereviewandresearchframework.*ProcediaCIRP*,*17*,475-480.

Vandermerwe,P.,Rada,J.,&Bichler,M.(2014).Howsmartissmartmanufacturing?.*BusinessHorizons*,*57*(4),433-442.

Kamradt,M.,&Kremer,C.(2018).Smartmanufacturing:Aliteraturereviewandresearchagenda.*IFAC-PapersOnLine*,*51*(11),1387-1393.

Klein,A.,Voigt,K.I.,&Tzschoppe,A.(2017).Smartproductionsystems–Asystematicliteraturereviewandresearchagenda.*JournalofManufacturingSystems*,*43*,135-148.

Fahy,C.,Azevedo,L.,&Teixeira,A.(2019).Smartmanufacturingintheaerospaceindustry:Asystematicliteraturereview.*InternationalJournalofProductionResearch*,*57*(24),7234-7254.

Wang,Y.,Dong,J.,&Zhang,G.(2020).Areviewofbigdataanalyticsforsmartmanufacturing:Methods,toolsandapplications.*JournalofCleanerProduction*,*253*,120537.

Sihn,W.(2017).Smartmanufacturing–currentstatus,futuretrendsandchallenges.*CIRPAnnals*,*66*(1),759-772.

Lemke,F.(2019).Theimpactofautomationanddigitalizationonthefutureofworkinmanufacturing.*IFAC-PapersOnLine*,*52*(11),860-865.

Charmaz,K.(2006).Constructinggroundedtheory:Apracticalguidethroughqualitativeanalysis.SagePublications.

Bowers,J.(2004).Usingprocesstracingtoassesscausalmechanisms:NewexamplesfromtheKalamazoostudy.*AmericanSociologicalReview*,*69*(4),552-567.

Yin,R.K.(2018).*Casestudyresearchandapplications:Designandmethods*(6thed.).Sagepublications.