Wie kann Digitalisierung Nachhaltigkeit unterstützen?

Ein Ansatz zur Bewertung der Digitalisierung in der Textilproduktion

ZeitschriftIndustrie 4.0 Management
Ausgabe39. Jahrgang, 2023, Ausgabe 2, Seite 25-28
Literatur Teilen Zitieren Download

Abstract

Digitalisierung und nachhaltige Entwicklung spielen eine immer wichtigere Rolle in vielen Bereichen, insbesondere in der Produktion, wobei offen ist, wie sie sich gegenseitig beeinflussen. Erste Studien beschäftigten sich mit der Frage, wie sich die Digitalisierung auf die Nachhaltigkeit auswirken kann − sowohl positiv als auch negativ. Dabei wurde deutlich, dass es einen großen Bedarf für eine Bewertungsmethode mit Indikatoren aus allen Nachhaltigkeitssichten (ökologisch, ökonomisch, sozial) gibt. Im Rahmen dieses Beitrags wird exemplarisch für den digitalen Textildruck aufgezeigt, wie eine entsprechende modellgestützte Bewertungsmethode hinsichtlich ökologischer und ökonomischer Nachhaltigkeit gestaltet werden kann.

Keywords

Artikel

Die Digitalisierung, d. h. die Einführung digitaler Technologien, hat breiten Einzug in die Industrie und das Leben der Menschen gehalten [1] und wird in vielen Bereichen, wie bspw. den Auswirkungen auf betriebliche Geschäftsmodelle [2], allgemeine Veränderungen der Arbeitswelt [3] verstärkt diskutiert.

Viele Unternehmen, auch in der Textilwirtschaft, sind seit langem in einem tiefgreifenden Wandel begriffen [4, 5]. Insbesondere durch veränderte Nachfrage hin zu individualisierten Produkten und nachhaltigem Wirtschaften sowie durch die fortschreitende Digitalisierung in den Wertschöpfungsketten, wird dieser Wandel forciert.

Digitalisierung umfasst zum einen die Einführung digitaler Technologien in bestehende (Produktions-)Prozesse, wie die Steuerung von Maschinen mittels Digitaltechnik. Teilweise können im Zuge der Digitalisierung klassische Verfahren komplett durch entsprechende digitale Pendants ersetzt werden, wie dies in der Textiltechnik beim Wechsel vom Sieb- oder Rotationsdruck zum Digitaldruck erfolgt. Zum anderen umfasst sie die Nutzung digitaler Technologien in Produkten, zumeist mit dem Ziel diese zu verbessern.

Nicht nur die Einführung digitaler Technologien sollte im Vordergrund stehen, sondern auch ihre Einordnung und Bewertung hinsichtlich ihrer ökologischen und ökonomischen Nachhaltigkeit [6]. Dies geschieht bereits vereinzelt [7, 8], aber noch fehlen hierfür geeignete Ansätze.

Es wird angenommen, dass die Einführung digitaler Technologien auch einen positiven Effekt für die Nachhaltigkeit hat [8]. Immer öfter wird dies jedoch kritisch hinterfragt [9]. Somit fehlen den Unternehmen Ansätze und Werkzeuge zur Bewertung der Nachhaltigkeit und zur Entscheidungsfindung bei der Auswahl digitaler Technologien. Diese Lücke soll mit der im Rahmen des Forschungsvorhabens „Nachhaltigkeitspotenziale Microfactories“ entwickelten modellgestützten Bewertungsmethode, die in diesem Beitrag vorgestellt wird, geschlossen werden.

Modellgestützte Bewertungsmethode

Die Bewertungsmethode umfasst die folgenden sieben Schritte:

  1. Festlegung der Fragestellung und Systemgrenzen
  2. Festlegung der zu untersuchenden Digitalisierungsszenarien
  3. Festlegung der Bewertungskategorien
  4. Ermittlung der einzelnen Kriterien in jeder Kategorie und Festlegung ihrer Gewichtung innerhalb der Kategorie
  5. Interessensgruppenspezifische Ausrichtung durch unterschiedliche Gewichtung einzelner Kategorien
  6. Beschaffung der notwendigen Daten
  7. Durchführung der Multikriterienanalyse

Im ersten Schritt muss die Fragestellung, z. B. Vergleich verschiedener Digitalisierungsvarianten, festgelegt werden und wie dafür die Systemgrenzen für die Bewertungsmethoden zu gestalten sind.

Rangfolge von Digitalisierungsszenarien für eine interessensgruppenspezifische Ausrichtung.
Bild 1: Rangfolge von Digitalisierungsszenarien für eine interessensgruppenspezifische Ausrichtung.

Die zu untersuchenden Digitalisierungsszenarien werden in Schritt zwei erarbeitet. Dabei wird bspw. festgelegt, welche Produktionstechnologien und Digitalisierungsvarianten berücksichtigt werden, aber auch welche Variationen bei der Produktvielfalt, den Losgrößen oder beim Ressourceneinsatz in die Bewertung miteinfließen sollen. Dabei sind weitere Bereiche, z. B. Vertrieb oder Beschaffung, bei den Ausgestaltungen der Szenarien einzubinden.

Im dritten Schritt erfolgt nun durch die Bereiche die Festlegung der Bewertungskategorien (z. B. Qualität), eine je Interessensgebiet. Darüber hinaus stellen Kosten und Nachhaltigkeit jeweils eine zentrale Kategorie dar. Die Anzahl der Kategorien sollte mit 1-2 pro Bereich eher geringgehalten werden, wobei unterschiedliche Bereiche auch die selben Kategorien haben können.

Im vierten Schritt werden für jede einzelne Kategorie die konstituierenden Kriterien festgelegt. Hier bestimmen die Bereiche ihre qualitativen und quantitativen Parameter zur Beschreibung einer Kategorie. Beispielsweise können der Energie- und Wasserverbrauch, die Haltbarkeit des Produkts oder der Einsatz bestimmter Chemikalien Kriterien für die Bewertungskategorie Nachhaltigkeit sein. Da nicht alle Kriterien innerhalb einer Kategorie die gleiche Relevanz haben, müssen diese gewichtet werden. Sollte bspw. in der Kategorie Nachhaltigkeit der Energieverbrauch relevanter als die Haltbarkeit des Produkts sein, so bekäme das Kriterium Energieverbrauch eine höhere Gewichtung.

Im fünften Schritt geht es um die interessensgruppenspezifische Ausrichtung der Bewertung. Diese Ausrichtung wird durch eine Gewichtung der einzelnen Kategorien erreicht. Beispielsweise kann es für die Abteilung Produktion bedeuten, dass für die Gesamtbewertung die Qualität zu 70 %, die Kosten zu 20 % und die Nachhaltigkeit zu 10 % einfließen. Für die Abteilung Marketing können aufgrund einer anderen Interessenslage in die Bewertung Qualität zu 50 %, die Nachhaltigkeit zu 30 % und die Kosten zu 20 % einfließen.

Der nächste Schritt Datenbeschaffung ist wichtig für die Bewertungsmethode. Für jedes festgelegte Digitalisierungsszenario müssen für alle Kriterien die entsprechenden Werte ermittelt werden. Bei vielen Kriterien hängen diese Werte von einer Vielzahl unterschiedlicher Parameter ab, z. B. Losgröße, Energieverbrauch pro Stück, konkrete Maschineneinstellungen oder auch Material. Für die Beschaffung der quantitativen Werte wird eine modellgestützte Datenermittlung, z. B. Materialflusskostenrechnung, verwendet. Hiermit können dann für die Szenarien die entsprechende Werte einfach und direkt ermittelt werden. Für die Ermittlung von qualitativen Werten bieten sich die Diskussionen in Expertenrunden an.

Im letzten Schritt wird mit den erhobenen qualitativen und quantitativen Daten eine Multikriterienanalyse [10] für die verschiedenen Digitalisierungsszenarien durchgeführt. Bei ihr werden die Szenarien mittels der identifizierten Kategorien und Kriterien bewertet und verglichen. Sie ist auch in der Lage, Zielkonflikte abzubilden. Insbesondere die Visualisierung der Ergebnisse ist wichtig für die Veranschaulichung der Vor- und Nachteile der Szenarien und hilft damit bei der Entscheidungsfindung. Bild 1 zeigt ein Diagramm, bei dem die einzelnen Szenarien entsprechend des Rangs (v. l. n. r.: gut zu schlecht) aufgrund der Bewertung für eine interessensgruppenspezifische Ausrichtung angeordnet sind. Hierbei kann sehr einfach gesehen werden, welches für diese interessensgruppenspezifische Ausrichtung am besten geeignet ist.

Beispiel eines Prozessmodells auf Basis der Materialflusskostenrechnung
Bild 2: Beispiel eines Prozessmodells auf Basis der Materialflusskostenrechnung.

Anwendung am Beispiel Digitaldruck

Im Rahmen des Projekts wurden mit dieser Bewertungsmethode mehrere digitale Textildruckverfahren analysiert und bewertet. Die Fragestellung dabei war, ob es signifikante Unterschiede bei den unterschiedlichen Technologien hinsichtlich Kosten, Qualität und Nachhaltigkeit gibt. Als Systemgrenze wurde das Textildruckverfahren mit den technologisch notwendigen vor- und nachgelagerten Prozessschritten festgelegt. Auch wurde für die Bewertung eine einheitliche Losgröße von 1000 m für die Digitalisierungsszenarien zugrunde gelegt.

Für die Analyse wurden insgesamt 18 verschiedene Digitalisierungsszenarien untersucht. Diese Szenarien unterschieden sich hinsichtlich des Digitaldruckverfahrens (Direkt- oder Transferdruck), des Tintentyps (Dispersion, Pigment, Reaktiv), der Druckauflösung (360×360 DPI, 720×720 DPI und 1440×1440 DPI) und des zu bedruckenden Textils (Baumwolle, Polyester). Aufgrund technischer Restriktionen wurden dabei nicht alle theoretisch möglichen Varianten untersucht, sondern lediglich 18 Szenarien berücksichtigt.

Die Bewertungskategorien ergaben sich aus der Fragestellung. Es wurden die Kategorien Kosten, Qualität und Nachhaltigkeit für die Bewertung der Szenarien festgelegt. Weitere Kategorien wurden nicht eingeführt, da lediglich die genannten Kategorien die Interessen der beteiligten Partner im Projekt widerspiegelten. Für die drei Kategorien wurden dann die Kriterien festgelegt. In der Kategorie Kosten wurde nur das Kriterium Druckkosten pro Laufmeter berücksichtigt (Druckbreite: 1 m).

Für die Kategorie Nachhaltigkeit wurden zwei Kriterien identifiziert: das CO2-Äquivalent und die Lebensdauer. Für die dritte Kategorie, Qualität, wurden fünf Kriterien identifiziert. Diese waren die Farbtiefe, der Durchdruck, die Biegesteifigkeit sowie die Reibechtheit trocken und nass. Die einzelnen Kriterien innerhalb einer Kategorie wurden jeweils gleich gewichtet.

Für die Fragestellung wurden drei verschiedene Interessensgruppen identifiziert. Für die Ausrichtung auf diese Interessensgruppen wurden drei unterschiedliche Gewichtungssätze für die Kategorien erstellt:

  • Ökonomische Ausrichtung: Kosten 60 %, Qualität 20 %, Nachhaltigkeit 20 %
  • Qualitätsausrichtung: Kosten 20 %, Qualität 60 %, Nachhaltigkeit 20 %
  • Ökologische Ausrichtung: Kosten 20 %, Qualität 20 %, Nachhaltigkeit 60 %
Kombinierte Darstellung der Ergebnisse der Multikriterienanalyse am Beispiel Digitaldruck
Bild 3: Kombinierte Darstellung der Ergebnisse der Multikriterienanalyse am Beispiel Digitaldruck.

Im nächsten Schritt wurden die dafür notwendigen Daten beschafft. Manche Kriterien wie Lebensdauer wurden mithilfe von Experteninterviews und Literaturrecherchen ermittelt. Für einen Teil der Qualitätskriterien (Farbtiefe, Durchdruck, Reibechtheiten und Bezugsfestigkeit) wurden im Rahmen des Projekts die Werte durch Versuchsreihen identifiziert. Die anderen Kriterien (Kosten, CO2-Äquivalent) wurden modellbasiert ermittelt. Ausgangslage waren Prozessmodelle (Bild 2) der Materialflusskostenrechnung [11]. Für die Bestimmung der fehlenden Daten waren nur wenige Modelle notwendig, da durch entsprechende Parametrisierung der Modelle die Daten für mehrere Digitalisierungsszenarien ermittelt werden konnten.

Mit diesen Daten wurde dann eine Multikriterienanalyse mittels der Software PROMETHEE durchgeführt. Für die einzelnen Kategorien wurde eine Analyse durchgeführt und eine Visualisierung erstellt (Bild 1). Beispielsweise ergab sich bei der ökonomischen Betrachtung, dass das Direktdruckverfahren mit Dispersionsfarbe auf Polyester (360×360 DPI) am besten unter den festgelegten Rahmenbedingungen und das Direktdruckverfahren mit Pigmentfarbe auf Polyester (1440×1440 DPI) am schlechtesten abschneidet.

Da üblicherweise nicht ein Digitalisierungsszenario in allen interessensgruppenspezifischen Ausrichtungen dominiert, muss neben der Einzelbetrachtung auch eine Betrachtung über alle Ausrichtungen erfolgen. Dabei werden in einem Diagramm alle Ausrichtungen einander gegenübergestellt (Bild 3). Wie man im Beispiel sieht, stellt der Transferdruck auf Polyester mit Dispersionsfarbe (360×360 DPI) einen guten Kompromiss dar, welcher zwar nirgends an erster Stelle steht, aber trotzdem immer unter den besten vier Druckverfahren vertreten ist.

Zusammenfassung

Mit der in diesem Beitrag vorgestellten modellbasierten Bewertungsmethode können Unternehmen nun gezielt die Auswirkung ihrer Digitalisierungsaktivitäten auf ökologische und ökonomische Nachhaltigkeit untersuchen und bewerten. Die beteiligten Interessensgruppen erhalten damit ein Instrument, welches sie bei der Auswahl geeigneter Digitalisierungsaktivitäten und der damit häufig einhergehenden Kompromissfindung unterstützt.

Die Modellbildung erleichtert dabei die Datenbeschaffung in komplexen Prozessen mit vielen, sich teilweise gegenseitig beeinflussenden Kenngrößen. Das für die Modellbildung notwendige Know-how ist momentan noch nicht in allen Unternehmen verfügbar. Dieses Hindernis könnte durch die Bereitstellung von angepassten Modellierungsbaukästen mit zugehörigen -leitfäden beseitigt werden.

Dieser Beitrag entstand im Rahmen des Projekts „Nachhaltigkeitspotenziale Microfactory“ (IGF-Vorhaben 29534 N), das im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages gefördert wurde.


Literatur

[1] Deckert, R.: Digitalisierung und Industrie 4.0. Wiesbaden 2019.
[2] Häckel, B.; Übelhör, J.: Digitale Geschäftsmodelle in der Industrie: Eine Analyse der Auswirkungen und Herausforderungen. In: Digitale Geschäftsmodelle – Band 2. Wiesbaden 2019.
[3] Falkenberg, J.; Haipeter, T.; Krzywdzinski, M.; Kuhlmann, M.; Schietinger, M.; Virgillito, A.: Digitalisierung in Industriebetrieben: Auswirkungen auf Arbeit und Handlungsansätze für Betriebsräte (No. 6). Forschungsförderung Report 2020.
[4] von Wascinski, L.; Weiß, M.; Tilebein, M.: Industrie 4.0 für die Textil- und Bekleidungsindustrie – Potenziale, Herausforderungen und KMU-spezifische Ansätze. In: Matt, D. T. (Hrsg): KMU 4.0 – Digitale Herausforderungen in kleinen und mittelständischen Unternehmen. Berlin 2018.
[5] Winkler, M.; Stellmach, D.; Tilebein, M.: Neue Szenarien der Wertschöp- fung für Geschäftsmodelle in der Textilwirtschaft. In: Schröder, M.; Wegner, K., (Hrsg): Logistik im Wandel der Zeit – Von der Produktionssteuerung zu vernetzten Supply Chains. Festschrift für Wolfgang Kersten zum 60. Geburtstag. Wiesbaden 2019.
[6] Hatzebruch, S.; Just, V.; Moring, A.: Messbarkeit der Nachhaltigkeit von Digitalisierung in Unternehmen. In: Bodemann, M.; Wiebke, F.; Just, V. (Hrsg): Digitalisierung und Nachhaltigkeit–Transformation von Geschäftsmodellen und Unternehmenspraxis. Berlin Heidelberg 2022.
[7] Biedermann, H.: Digitalisierung im Kontext von Nachhaltigkeit und Klimawandel – Chancen und Herausforderungen für produzie- rende Unternehmen. In: Sihn-Weber, A.; Fischler, F. (Hrsg): CSR und Klimawandel. Berlin Heidelberg 2020.
[8] Jacob, M.: Digitalisierung und Nachhaltigkeit in Unternehmen. In: Jacob, M. (Hrsg): Digitalisierung & Nachhaltigkeit – Eine unternehmerische Perspektive. Wiesbaden 2019.
[9] Gensch, C. O.; Gailhofer, P.; Gsell, M.: Digitalisierung und Nachhaltigkeit: Politische Gestaltung zwischen Möglichkeiten, falschen Versprechungen und Risiken. Öko-Institut (Working Paper 6/2019) unter Mitarbeit von Heinemann, Christoph.
[10] Brockmann, C. u. a.: Elemente von Umweltbewertungsmethoden. In: Kaltschmitt, M.; Schebek, L. (Hrsg): Umweltbewertung für Ingenieure. Berlin 2015.
[11] Viere, T. u. a.: Materialflusskostenrechnung – ein Ansatz für die Identifizierung und Bewertung von Verbesserungen in der Ökobilanzierung. In: Feifel, S. u. a. (Hrsg): Ökobilanzierung 2009 – Ansätze und Weiterentwicklungen zur Operationalisierung von Nachhaltigkeit. Karlsruhe 2009.

Ihre Downloads


Das könnte Sie auch interessieren

Ist die Zeit reif für eine Energierevolution in der Intralogistik?

Ist die Zeit reif für eine Energierevolution in der Intralogistik?

Der aktuelle Stand wasserstoffbetriebener Brennstoffzellen-Flurförderzeuge
Gustav Bösehans, Joseph W. Dörmann
Wasserstoff-Brennstoffzellen sind eine nachhaltige Option für Flurförderzeuge (MHE), da sie eine schnelle Betankung, keine Emissionen und eine konstante Leistung bieten – ideal für anspruchsvolle Lager- oder Produktionsaufgaben. Hohe Anschaffungskosten und Unsicherheiten bei potenziellen Anwendern bremsen jedoch die Einführung.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 74-80
Lehmbauweise und Holzregale

Lehmbauweise und Holzregale

Beitrag zur Nachhaltigkeit der Lagerlogistik
Viviano De Giacomo ORCID Icon, Nathalie Fritsch ORCID Icon, Jakob Kennert ORCID Icon, Dieter Uckelmann ORCID Icon
Die Studie untersucht den Beitrag natürlicher Baustoffe, insbesondere von Lehm und Holz, zur nachhaltigen Entwicklung von Logistikimmobilien. Im Mittelpunkt steht eine Bewertung entlang ökologischer, ökonomischer und technischer Dimensionen über den gesamten Lebenszyklus hinweg. Auf Basis von Literaturanalysen und Experteninterviews werden Potenziale, Restriktionen und fördernde Rahmenbedingungen identifiziert. Holz erweist sich insbesondere im Hochregalbau als technisch ausgereift und ökologisch vorteilhaft, während Lehm hohes Potenzial für energie- und ressourceneffizientes Bauen bietet. Die Arbeit schließt mit Handlungsempfehlungen für Forschung, Politik und Praxis zur Etablierung zirkulärer Bauweisen in der Logistik.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 82-89
Bias von Werkerassistenz für Menschen mit Beeinträchtigungen

Bias von Werkerassistenz für Menschen mit Beeinträchtigungen

Ethnographische Erkenntnisse aus der Anwendung von AR in einem integrativen Betrieb
David Kostolani ORCID Icon, Annemarie Ploss, Sebastian Schlund ORCID Icon
Die Re-Humanisierung industrieller Arbeit hat sich zu einem zentralen Schwerpunkt in der For-schung zu Industrie 4.0/5.0 entwickelt, wobei der Fokus auf der Stärkung menschlicher Arbeits-kräfte inmitten fortschreitender Automatisierung liegt. Ein Paradebeispiel für diesen menschen-zentrierten Ansatz bildet die Unterstützung von ArbeitnehmerInnen mit Beeinträchtigungen durch digitale Werkerassistenzsysteme. Diese Technologien sollen die Produktivität steigern, um so die Integration von Menschen mit Beeinträchtigungen in industrielle Tätigkeiten zu för-dern. Aber können sie die Arbeitserfahrung wirklich verbessern? Diese ethnographische Studie präsentiert Erkenntnisse aus zwei Jahren Entwicklung und Anwendung von Augmented Reality in einer geschützten Holzwerkstatt. In diesem Zeitraum wurden über 30 Technologie-Sessions und Interviews mit ArbeitnehmerInnen mit unterschiedlichen Beeinträchtigungen durchgeführt. Unsere Erfahrungen stellen die Schilderung der industriellen ...
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 5 | Seite 102-110 | DOI 10.30844/I4SD.25.5.102
Maschinelles Lernen zur Förderung von Nachhaltigkeit

Maschinelles Lernen zur Förderung von Nachhaltigkeit

Unternehmensanalyse auf Basis von Experteninterviews
Niklas Bode ORCID Icon, Lukas Nagel ORCID Icon, Oskay Ozen ORCID Icon, Matthias Weigold ORCID Icon
In diesem Beitrag werden die Ergebnisse von zehn Experteninterviews über den Einsatz von Maschinellem Lernen zur Förderung der unternehmerischen Nachhaltigkeit skizziert und der Literatur gegenübergestellt. Die Untersuchung zeigt, dass wirtschaftliche Faktoren den Einsatz von Maschinellem Lernen (ML) antreiben. Die Einführung der Technologie wird sowohl durch das Top-Management als auch durch die Fachabteilungen initiiert. Fundierte Strategien zur Umsetzung von ML-Anwendungsfällen sind selten vorhanden. Dabei basieren Anwendungsfälle häufig auf überwachtem Lernen. Die ökologischen Auswirkungen überwiegen gegenüber den sozialen Auswirkungen. Häufig können Emissionsreduktionen realisiert werden, wobei Quantifizierungen schwerfallen. Jedoch behindert der Mangel an Vertrauen, Fachwissen und Kommunikation die Einführung von Maschinellem Lernen, während einige technischen Herausforderungen bezüglich der Datenanforderungen auch Probleme für Maschinelles Lernen bereiten.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 4 | Seite 44-51 | DOI 10.30844/I4SD.25.4.44
Schneller, einfacher Digitaler Zwilling

Schneller, einfacher Digitaler Zwilling

Mit Open-Source zum kosteneffizienten Digitalen Zwilling und Industrie 5.0: Eine Fallstudie
Shantall Cisneros Saldana ORCID Icon, Sonali Pratap, Parth Punekar, Sampat Acharya, Heike Markus ORCID Icon
Die Einführung Digitaler Zwillinge (DZ) scheitert oft an hohen Kosten, technischer Komplexität und fehlenden Fachkenntnissen. Diese Studie stellt ein kostengünstiges Modell eines DZ, welches mit Technology Readiness Level (TRL) 5 validiert ist. Es wurde innerhalb von nur zwei Wochen mithilfe von Open-Source-Lösungen und gängigen Unternehmenswerkzeugen entwickelt und integriert sensorbasierte Echtzeitdaten, prädiktive Analysen, Anomalieerkennung und automatisierte Benachrichtigungen, um Effizienz und Nachhaltigkeit in der Landwirtschaft zu steigern. Das System erreicht eine durchschnittliche relative Abweichung von nur 7,76 % und gibt automatisierte Warnungen in Echtzeit aus. Die Ergebnisse zeigen, wie fortschrittliche digitale Werkzeuge durch die Kombination von Open-Source-Technologien und Standardwerkzeugen zugänglich gemacht werden können: skalierbar, menschenzentriert und erschwinglich im Sinne von Industrie 5.0.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 3 | Seite 62-68 | DOI 10.30844/I4SD.25.3.62
Mit Digitalen Zwillingen die Zukunft der Fertigung gestalten

Mit Digitalen Zwillingen die Zukunft der Fertigung gestalten

Chancen und Hindernisse
Javad Ghofrani ORCID Icon, Darian Lemke, Tassilo Söldner
Digitale Zwillinge stellen eine Verbindung zwischen physischen und digitalen Systemen dar. Diese steigern die Effizienz und ermöglichen vorausschauende Wartung und die Herstellung von individuelleren Produkten. Trotz dieser Vorteile stehen Herausforderungen wie hohe Kosten, Datensynchronisierung und Sicherheitsrisiken einer breiten Einführung im Wege. Dieser Artikel befasst sich mit dem Potenzial Digitaler Zwillinge und untersucht die wichtigsten Hindernisse für die Integration und Implementierung, wobei auch einige industrielle Anwendungen wie die additive Fertigung als relevanter Anwendungsfall betrachtet werden.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 3 | Seite 72-81