Autor: Klaus-Dieter Thoben

Technische Systeme sind durch eine zunehmende Interdisziplinarität, Komplexität und eine immer stärkere Vernetzung gekennzeichnet. Produkt und Produktionssystem erfordern eine disziplinübergreifende Mehrzieloptimierung. Durch den Anspruch auf Nachhaltigkeit und Kreislauffähigkeit steigt die Komplexität nochmals. Die Leistungsfähigkeit bislang etablierter Verfahren der Ingenieurwissenschaften stößt an ihre Grenzen – die sich wiederum nur durch die systematische Einbeziehung von Daten überwinden lassen. Das ist Ziel einer „Hybriden Entscheidungsunterstützung“: Data Science und Künstliche Intelligenz sollen zur Ergänzung der menschlichen Fähigkeiten in Verbindung mit bisherigen Heuristiken, Methoden, Modellbildung und Simulation genutzt werden können, um die Leistungsfähigkeit der Produktentstehung zu erhöhen.

Für Verbraucher, Unternehmen und politische Entscheidungsträger gewinnt das Thema Ressourceneffizienz zunehmend an Bedeutung. Dies hat unter- schiedliche Gründe: Die unklare Versorgungssicherheit mit Rohstoffen führt zu höheren Materialpreisen. Neue Vorgaben für die Produktion, bspw. im Kontext der UN-Nachhaltigkeitsziele, sowie Erwartungsdruck seitens der Verbraucher erfordern die nachhaltigere Produktion von Gütern. Damit wird Nachhaltigkeit nicht nur zu einer notwendigen Voraussetzung für Unterneh- men, sondern zu einem zentralen Wettbewerbsfaktor. Die damit verbundenen Konzepte und Ansätze wirken langfristig nur, wenn sie sich am Markt durch- setzen können, und werden erst damit zu „echten“ Innovationen [1]. Dafür bedarf es geeigneter Geschäftsmodelle, die für die Beteiligten vorteilhaft sind und sie zur Umsetzung und Nutzung motivieren.

Energieeffizienz gewinnt eine immer stärkere Bedeutung in allen Branchen des produzierenden Gewerbes. Mit Technologien aus den Bereichen Digitalisierung und Künstlicher Intelligenz (KI) können innovative Lösungen für eine energieeffizientere Herstellung beispielsweise durch eine KI-gestützte Prozessführung einen entscheidenden Beitrag zur Nachhaltigkeit und zur Wettbewerbsfähigkeit eines Unternehmens leisten. Die Anforderungen an den Einsatz und die reibungslose Integration von KI in Unternehmensprozesse sind komplex und vielfältig. Verschiedene Beteiligte müssen bei der Erfassung der Anforderungen integriert und unterschiedliche Technologieaspekte und Geschäftsfelder beachtet werden. Gegenstand dieses Beitrags ist ein Vorgehen zur Erfassung dieser Anforderungen bei der Durchführung innovativer Digitalisierungs- und KI-Projekte zur Steigerung der Energieeffizienz im produzierenden Gewerbe.

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem ...