Datenqualität in der Entwicklung kreislauffähiger Produkte |
Entscheidungsunterstützung für die zirkuläre Wertschöpfung durch Datenökosysteme
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 2, Seite 12-19 |
| Open Access | https://doi.org/10.30844/I4SD.25.2.12 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Die Festlegung der Produkteigenschaften und der damit verbundenen Umweltauswirkungen erfolgt in den frühen Phasen des Produktlebenslaufs. Im Entwicklungsprozess werden Entscheidungen mit Wirkung auf die Nachhaltigkeit von Produkten getroffen. Grundlagen liefern Methoden, Modelle und Hilfsmittel der Produktentwicklung [1, 2]. Diese werden unternehmensspezifisch in Prozessen abgebildet, um beispielsweise branchenbezogene Besonderheiten oder Abhängigkeiten zu Kundenprozessen effizient umzusetzen. Beispiele sind in den Produktentwicklungsprozessen von Automobilherstellern [3] oder Zulieferern wie Bosch [4] dokumentiert.
Dabei müssen insbesondere Wechselwirkungen in den Wertschöpfungsnetzwerken sowie veränderliche regulatorische und politische Rahmenbedingungen berücksichtigt werden. Einen Eindruck vermittelt beispielsweise CircuLaw mit einer Übersicht der Regularien im Kontext des Green Deal der EU [5]. Die Produktplanung und -entwicklung muss dabei das gesamte Produktleben vorausschauend einbeziehen. Eine besondere Herausforderung ergibt sich in der Entwicklung zirkulärer Produkte: Zirkularitätsstrategien müssen im Sinne der Kreislaufwirtschaft im Geschäftsmodell verankert werden [6].
Dadurch ergeben sich neben der Berücksichtigung von Produktion und Betrieb eines Produkts enorme Zusatzbedarfe in Bezug auf Daten: Ein solches Geschäftsmodell kann sich nur dann durchsetzen, wenn die Vorteile nachweisbar sind, die sich in den Schritten der Außerbetriebnahme und Rückführung ergeben. Das generische Produktlebenszyklusmodell sieht deshalb einen hohen Bedarf an Informationszirkularität [6]. Zirkularität erweitert Abhängigkeiten von Zulieferern und Energielieferanten beispielsweise um die Logistik zur Sammlung und Inspektion sowie die Aufarbeitung von gebrauchten Materialien [7]. Dadurch erlangt der unternehmensübergreifende Datenaustausch eine große Bedeutung. Die Grundlage bilden Datenräume wie Gaia-X, Catena-X und Manufacturing-X [8].
Datenökosysteme ermöglichen Nachhaltigkeitsbewertung
Daten aus dem gesamten Produktlebenslauf, einschließlich interner Entwicklungsdaten und Daten der Wertschöpfungspartner, werden mittels verschiedener Nachhaltigkeitsmetriken zusammengeführt. Dazu werden Daten mit sehr unterschiedlicher Datenqualität verwendet: In sehr frühen Phasen ermöglichen Katalogdaten von kommerziellen Anbietern zwar erste Abschätzungen. Diese leiden jedoch unter vagen Annahmen und Lücken in den Datenbanken. Die Datenqualität ist entsprechend zu Beginn des Produktlebens gering und die Unsicherheit hoch (Bild 1, vgl. [9]).
In der Entwicklung können initiale Annahmen beispielsweise durch Daten aus der Produktion jeweils aktuell laufender Produkte sowie im späteren Verlauf durch Betriebsdaten ersetzt werden. So wird die tatsächliche Datenqualität sukzessive gesteigert [10] (gestrichelte Pfade in Bild 1). Bei der Bewertung der Nachhaltigkeit sollte die Qualität der erhobenen Daten explizit und nachvollziehbar berücksichtigt werden, um u. a. Nachhaltigkeitsmetriken, entsprechende Indikatoren und sonstige Metriken mit für die jeweiligen Freigabeprozesse ausreichender Aussagekraft implementieren zu können.
Eine umfassende Bewertung der Datenqualität erfordert die Identifikation relevanter Datenqualitätskriterien und -indikatoren. Zielsetzung ist in jeder Entwicklungsiteration bzw. im Lebensfortschritt, die jeweils erforderliche Datenqualität im Produkt- und Prozessmodell zu gewährleisten.
Datenqualität steigt entlang des Produktlebenslaufs
Die Aussagekraft der Nachhaltigkeitsbewertung wird durch die Qualität der verwendeten Daten bestimmt. Zur Bewertung der Datenqualität der Prozesse und aller Datensätze werden Datenqualitätskriterien angewendet [13]. Im Kontext der entwicklungsbegleitenden Bewertung der Umweltwirkungen von Produkten sind dynamische Ökobilanzen erforderlich. Diese Bilanzen bieten die Möglichkeit, zeitliche und prozessuale Veränderungen während des Produktlebenslaufs abzubilden [14]. Für eine effektive Bewertung müssen spezifische Datenqualitätskriterien mit entsprechenden Ausprägungen entlang des gesamten Lebenslaufs definiert werden. Die notwendigen Ausprägungen von Datenqualitätskriterien für die Nachhaltigkeitsbewertung sind Gegenstand verschiedener Übersichtsarbeiten.
Als Grundlage für die Definition und Anwendung dieser Kriterien dient insbesondere die ISO 14000er Normenreihe. Innerhalb dieser Normenreihe existieren unterschiedliche Ausprägungen und Detaillierungsgrade [15]. Aufgrund der industriellen Relevanz der ISO 14040/14044 werden meist die dort genannten Kriterien zeitlicher Erfassungsgrad, räumlicher Erfassungsgrad, technologischer Erfassungsgrad, Genauigkeit, Vollständigkeit, Repräsentativität, Konsistenz, Vergleichsgenauigkeit, Unsicherheit und Datenquelle verwendet [16, 17].
Obwohl diese Kriterien in der Norm beschrieben sind, fehlt eine konkrete Ausgestaltung für ihre praktische Anwendung. Durch die Bewertung dieser Kriterien in spezifischen Ausprägungen lassen sich jedoch übertragbare Aussagen zur Datenqualität treffen, Verbesserungspotenziale identifizieren und Unsicherheiten analysieren [18].
Ein etabliertes Werkzeug zur Bewertung der Datenqualität ist die Pedigree-Matrix. In der Matrix erfolgt die Definition einer Auswahl von Datenqualitätskriterien sowie dazugehörigen semi-quantitativen Bewertungsansätzen. Hierbei wird eine Teilmenge der in der ISO 14044 präsentierten Datenqualitätskriterien aufgegriffen. Die in der Matrix charakterisierten Kriterien erlauben jedoch keine qualitative Bewertung aller Bereiche der Datenqualität, sondern lediglich die Auswahl semi-quantitativer Kriterien [19].
Verschiedene Ansätze erweitern das Konzept der Matrix, indem sie Flüsse und Prozesse integrieren [19], qualitative Aussagen einbeziehen [20] oder die Dokumentation und Verfahren der Erhebung berücksichtigen [10]. Diese Erweiterungen dienen dazu, die Aussagekraft der Matrix zu steigern und eine flexiblere Anwendung entlang des gesamten Produktlebenslaufs zu ermöglichen.
Auf Grundlage der etablierten Standards und der unterschiedlichen Ansätze ergibt sich ein Satz von Datenqualitätskriterien für die Nachhaltigkeitsbewertung im gesamten Produktlebenslauf (Bild 2). Diese Kriterien lassen sich in inhärente und systembezogene Kriterien unterteilen [21]. Die inhärenten Kriterien bewerten die Qualität der Daten anhand ihrer Domäne, der Beziehungen zwischen den Werten und den Metadaten selbst. Systembezogene Kriterien beziehen sich auf den gesamten Datensatz und ermöglichen eine übergreifende Analyse. Diese Unterscheidung erlaubt eine umfassendere Bewertung der Datenqualität und bietet die Grundlage für die Identifikation von Verbesserungspotenzialen und Unsicherheiten.
Datenqualität in der Entwicklung bewusst handhaben
Umweltauswirkungen müssen während der Gesamtentwicklung in jeder Phase des Produktlebenslaufs bewertbar sein. Dazu ist eine Bewertung der Umweltauswirkung nötig, die mit dem Entwicklungsstand des Produkts nachvollziehbar gesteigert wird. Dies ermöglicht es, an zentralen Entscheidungspunkten im Entwicklungsprozess das Produkt hinsichtlich der geforderten Anforderungen auszulegen. Dabei sollte die Qualität der erhobenen Daten explizit und nachvollziehbar berücksichtigt werden, um Nachhaltigkeitsmetriken und Indikatoren mit ausreichend Aussagekraft für die jeweiligen Freigabeprozesse zu implementieren. Semi-quantitative Ausprägungen der Datenqualitätskriterien (Bild 2) bieten eine praktikable Grundlage für die Handhabbarkeit dieser Kriterien.
Die Ausprägungen ermöglichen eine Charakterisierung der Datenqualität zu einem spezifischen Zeitpunkt und erleichtern so eine Überprüfung der Datenqualität. Basierend auf den Ausprägungen der Pedigree-Matrix wird eine Auswahl von semi-quantitativen Ausprägungen exemplarisch in Bild 3 dargestellt [18]. Dabei entspricht die höchstmögliche Ausprägung eines Kriteriums einem Wert von „4“, der für eine optimale Datenqualität steht. In dieser Umsetzung des Modells spiegeln niedrigere Werte bis hin zur „0“ im Gegensatz zur ursprünglichen Pedigree-Matrix eine geringere Qualität wider.
Indikatoren mit relativer Bewertung – wie die Vollständigkeit – erfordern die Definition des entsprechenden Bezugssystems. Für die Produktentwicklung insgesamt muss dieses mit dem Mindest-Soll-Wert der Datenqualität korrelieren (Bild 1). In frühen Entwicklungsphasen können Katalogdaten von Anbietern wie Sphera erste Abschätzungen zu übergeordneten Prozessen liefern. Diese werden im Verlauf der Entwicklung durch Daten aus der Produktion aktuell laufender Produkte verfeinert.
Die Machbarkeit setzt entsprechend die Randbedingungen für die Handhabung der Datenqualität: Einerseits die Erhebung von Daten, aber auch die Definition von sukzessive steigenden Soll-Werten entlang des Produktlebens und entlang von Iterationen innerhalb der Produktentwicklung. Die konzeptionelle Umsetzung des Modells wird am Beispiel der minimalen Zielwerte der Datenqualitätskriterien für die Produktentwicklung veranschaulicht.
In Bild 4 werden die minimalen Zielwerte der Kriterien in einem Netzdiagramm visualisiert. Die Vorgabe von Soll-Werten wird unternehmensspezifisch, aber produktübergreifend empfohlen: Wenn im Unternehmen ein Produktentstehungssystem bzw. ein Produktentwicklungsprozess etabliert ist, kann für darin enthaltene Entwicklungsiterationen jeweils ein Datenqualitäts-Sollwert definiert werden. So werden Vorgaben aus der großen Vielfalt an Regularien und Standards im Unternehmen handhabbar, und gleichzeitig interne Standards aus der strategischen Planung systematisch in Entwicklungsprojekten umgesetzt.
Durch die schrittweise Steigerung der Sollwerte wird eine kontinuierliche Verbesserung der Datenqualität entlang des Produktlebenslaufs erreicht. Die Sollwerte als Teil des Entwicklungsauftrags stellen sicher, dass die Analysen ausreichend genau, konsistent und repräsentativ sind. Der Fokus liegt darauf, bereits in der Entwicklungsphase eine fundierte Basis für Nachhaltigkeitsbewertungen zu schaffen, auch wenn Daten noch unvollständig, nicht verifiziert oder approximativ sind. Im Produktlebenszyklus-Management sollte die Datenqualität während der Nutzung und Produktion des Produkts weiter gesteigert werden.
Für die Repräsentativität müssen technologiebezogene Aussagen dokumentiert und durch Berechnungen gestützt sein (Kriterium A à Wert 3). Aufgrund der Abhängigkeit von bereits erhobenen Daten muss die geografische Repräsentation innerhalb einer Auflösungsstufe bleiben und sich auf einen verwandten Studienbereich beziehen (B à 4). Die zeitliche Aktualität der Daten sollte eine Differenz von weniger als sechs Jahren aufweisen (C à 4). Die Genauigkeit der Daten sollte mit zuvor erstellten Benchmarks übereinstimmen (D à 4).
Zudem muss die Datensammlungsmethode sicherstellen, dass mindestens 60-79 % des relevanten Marktes innerhalb eines angemessenen Zeitraums bewertet und repräsentiert werden (E à 4). Der Datensatz muss belastbar sein, was bedeutet, dass nur geringfügige Inkonsistenzen auftreten dürfen, die die Zuverlässigkeit der identifizierten Daten nicht beeinträchtigen (F à 4). Mindestens 60-79 % der relevanten Flüsse sollten vollständig bewertet und quantifiziert sein (G à 4).
Durch die Freigabe des Prozesses an weitere Abteilungen und Phasen ist eine Überprüfung der Daten durch mindestens einen Drittgutachter erforderlich (H à 3). Die relativen Annahmen, beispielsweise in den Datensammlungsmethoden, werden durch die Spezifizierung des Ziels und Umfangs der Ökobilanzierung bestimmt. Durch die Vorgabe von Datenqualitätskriterien mit Empfehlungen für Indikatoren und anzustrebende Ausprägungen werden Entwickler bei einer nachvollziehbaren und vergleichbaren Bewertung der Datenqualität unterstützt.
Anwendung des Modells am Beispiel eines Robotik-Greifers
Die Anwendung des entwickelten Modells erfolgt anhand eines Fallbeispiels eines Robotik-Greifers. Das Produktionssystem ist in diesem Fallbeispiel mit dem „Smart Automation Labor“ gegeben, einer Forschungsumgebung für Cyber-Physische Produktionssysteme (CPS) [22]. In Bild 5 werden zwei konkrete Entscheidungspunkte im Entwicklungsprozess sowie die Ausprägungen der Datenqualitätskriterien visualisiert.
Zu diesem Zweck erfolgt eine detaillierte Betrachtung der Datenqualität in den Phasen der konzeptionellen Festlegung der Produkteigenschaften im Concept Freeze sowie der prototypischen Umsetzung vor einer finalen Entwicklungsiteration. Bis zum Concept Freeze stehen einerseits nur Konzeptskizzen, andererseits nur wenige Daten für eine Ökobilanz zur Verfügung. Die Festlegung des angestrebten Wirkprinzips hat aber bereits einen erheblichen Einfluss auf die späteren Umweltauswirkungen und ermöglicht eine erste nützliche Bilanzierung.
In dem betrachteten Anwendungsbeispiel lassen sich auf Grundlage existierender Dokumentationen einzelne Aspekte spezifisch repräsentieren. Gleichzeitig können bereits erstellte Prozessmodelle von Altprodukten teilweise auf den neuen Greifer übertragen werden. Allerdings beeinträchtigen die Inkonsistenz und die unterschiedlichen Detaillierungsebenen der Daten die Qualität des Gesamtdatensatzes. Diese Aspekte betreffen insbesondere die Kriterien Vollständigkeit und Konsistenz (Bild 3).
In Bild 5 wird visualisiert, wie die definierten Kriterien bei den Entscheidungspunkten Anwendung finden. Für die „prototypische Umsetzung“ werden die Soll-Werte im Vergleich zum Concept Freeze in allen Kriterien an den Mindest-Soll-Wert für die gesamte Entwicklung (Bild 4) angenähert. Die Laborumgebung bietet den Vorteil, dass umfangreiche Daten aus der Fertigungsinfrastruktur entnommen werden können.
Datenqualität befähigt fundierte Entscheidungen
Das entwickelte Modell bietet einen systematischen Ansatz zur Bewertung und gezielten Verbesserung der Datenqualität in der nachhaltigkeitsgerechten Produktentwicklung. Durch die Vorgabe von Datenqualitätskriterien – unter anderem Vollständigkeit, Konsistenz, Genauigkeit und Aktualität – mit Empfehlung von Indikatoren und anzustrebenden Ausprägungen wird die Entwicklung bei einer nachvollziehbaren und vergleichbaren Bewertung unterstützt.
Die Qualität der erhobenen Daten wird explizit und nachvollziehbar berücksichtigt, um u. a. Nachhaltigkeitsmetriken an den jeweiligen Entscheidungspunkten des Produktentwicklungsprozesses mit ausreichender Aussagekraft implementieren zu können. Die Spezifikation konkreter Entscheidungspunkte kann durch die Ausrichtung auf konkrete Nachhaltigkeitsmetriken, Methoden und Algorithmen sowie auf Meilensteine in unternehmensspezifischen Entwicklungsprozessen erweitert werden.
Dieser Beitrag entstand im Rahmen des Projekts „Decide4ECO“, das vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) unter dem Kennzeichen 13MX002G gefördert wird.
Literatur
[1] Gräßler, I.; Oleff, C.: Systems Engineering. Verstehen und industriell umsetzen. Berlin Heidelberg 2022.[2] VDI/VDE 2206:2021. VDI 2206 Entwicklung mechatronischer und cyber-physischer Systeme.
[3] Gräßler, I.; Thiele, H.; Grewe, B.; Hieb, M.: Responsibility Assignment in Systems Engineering. In: Proceedings of the Design Society 2 (2022), S. 1875–1884.
[4] Gräßler, I.: Kundenindividuelle Massenproduktion. Entwicklung, Vorbereitung der Herstellung, Veränderungsmanagement. Berlin Heidelberg 2004.
[5] EU-Gesetzgebung und -Vorschriften für eine Kreislaufwirtschaft, CircuLaw, 2024
[6] Gräßler, I.; Pottebaum, J.: Generic Product Lifecycle Model: A Holistic and Adaptable Approach for Multi-Disciplinary Product–Service Systems. In: Applied Sciences 11 (2021) 10, S. 4516.
[7] Gräßler, I.; Hesse, P.: Approach to Sustainability-Based Assessment of Solution Alternatives in Early Stages of Product Engineering. Proceedings of the Design Society. 17th International Design Conference. Design Conference, Bd. 17. Cambridge, UK 2022, S. 1001–1010.
[8] Graessler, I.; Pottebaum, J.; Holland, M.; Wiechel, D.; Dickopf, T.; Stjepandić, J.: Leveraging Data Ecosystems in Model-Based Systems Engineering for Ecological, Circular Added Value. In: Cooper, A.; Trigos, F.; Stjepandić, J.; Curran, R.; Lazar, I. (Hrsg): Engineering For Social Change. Advances in Transdisciplinary Engineering. IOS Press 2024, S. 175–184.
[9] Pottebaum, J.; Gräßler, I.: Informationsqualität in der Produktentwicklung: Modellbasiertes Systems Engineering mit expliziter Berücksichtigung von Unsicherheit. In: Konstruktion 2020 (2020) 11-20, S. 76–83.
[10] Wolf, M.; Chomkhamsri, K.; Brandao, M.; Pant, R.; Ardente, F.; Pennington, D.; Manfredi, S.; De Camillis, C.; Goralczyk, M.: International Reference Life Cycle Data System (ILCD) Handbook – General guide for Life Cycle Assessment – Detailed guidance. EUR 24708 EN (2010).
[11] Villares, M.; Işıldar, A.; van der Giesen, C.; Guinée, J.: Does ex ante application enhance the usefulness of LCA? A case study on an emerging technology for metal recovery from e-waste. In: The International Journal of Life Cycle Assessment 22 (2017) 10, S. 1618–1633.
[12] Fernandes, G.; Eduardo Teixeira Brandão, L.: Managing uncertainty in product innovaion using marketing strategies. Journal of Information Systems and Technology Management 13 (2016) 2, S. 219–240.
[13] Weidema, B. P.: Multi-user test of the data quality matrix for product life cycle inventory data (1998).
[14] Miller, S. A.; Keoleian, G. A.: Framework for analyzing transformative technologies in life cycle assessment. In: Environmental science & technology 49 (2015) 5, S. 3067–3075.
[15] Pålsson, AC.; Flemström, F.: Gap analysis of the documents in the ISO 14000-series with regard to quality management of environmental data and information. Chalmers University of Technology. 2004.
[16] DIN EN ISO 14040. Umweltmanagement – Ökobilanz – Grundsätze und Rahmenbedingungen.
[17] DIN EN ISO 14044. Umweltmanagement – Ökobilanz – Anforderungen und Anleitungen.
[18] Weideman, B. P.; Wesnaes, M. S.: Data quality management for life cycle inventories – an exmaple of using data quality indicators (1996).
[19] Edelen, A.: Guidance on Data Quality Assessment for Life Cycle Inventory Data.
[20] Ciroth, A.; Foster, C.; Hildenbrand, J.; Zamagni, A.: Life cycle inventory dataset review criteria—a new proposal. In: International Journal of Life Cycle Assessment 25 (2020) 3, S. 483–494.
[21] ISO-IEC 25024-2015.
[22] Grässler, I.; Pottebaum, J.; Grewe, B.: Forschen für die Zukunft der Produktentstehung. Innovation erleben und validieren. In: Konstruktion (2024) 76, S. 60–61.
Ihre Downloads
Potenziale: Ressourceneffizienz
Lösungen: Produktentwicklung Prozessmanagement Qualitätsmanagement
Das könnte Sie auch interessieren
