Autor: Matthias Weigold

Nachhaltigkeitsfördernde Transformationsprozesse sind in allen Sektoren notwendig, wenn wir innerhalb der planetarischen Grenzen bleiben wollen. Dies gilt auch für den Industriesektor als bedeutender Emittent von Treibhausgasen. Mitarbeiter benötigen neue Kompetenzen, um diese komplexe Aufgabe der industriellen Transformation zu bewältigen. Diese reichen von der CO2-Äquivalenzbilanzierung bis zur Entwicklung und Bewertung von Transformationsszenarien einschließlich technischer Maßnahmen. Das hier entwickelte Lernmodul greift diese Kompetenzanforderungen auf und zeigt am Beispiel der ETA-Fabrik, wie ein kompetenzorientiertes Lernmodul für die industrielle Transformation aufgebaut sein kann. Es umfasst im Wesentlichen vier Phasen: Datenerhebung und CO2-Äquivalenzbilanzierung, Ursachenanalyse, Maßnahmenentwicklung und Maßnahmenbewertung.

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.

Die Bedeutung der Bauteiltrocknung wächst mit steigenden Qualitätsanforderungen im metallverarbeitenden Gewerbe. Damit wächst das Erfordernis, den Energiebedarf von Trocknungsprozessen zu reduzieren. Im Forschungsprojekt LoTuS wird mit verschiedenen Ansätzen die Gestaltung einer Durchlaufreinigungsanlage mit energieeffizientem Trocknungsprozess angestrebt. Neben dem Einsatz alternativer Trocknungstechnologien soll eine Prozessdigitalisierung für einen bauteilspezifischen Prozess Transparenz bieten. Hier kommen, neben umfassender Sensorik, auch Methoden der künstlichen Intelligenz zum Einsatz, um eine praxistaugliche Prozessüberwachung zu entwickeln. Mithilfe eines intelligenten Lastmanagements sollen Lastspitzen der gesamten Anlage weiter gesenkt werden.