Nachhaltigkeit in der Produktion Datengetrieben zur grünen Fabrik

Anbieter zum Thema

NTT DATA Deutschland SE

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

Nachhaltigkeit wird Pflicht und Vorteil: Mit sauberer Datenbasis sowie KI, Edge und digitalen Zwillingen senken Industriebetriebe Energie- und Materialverbrauch, Emissionen und Kosten.

Die industrielle Produktion ist ressourcenintensiv, da die Herstellung der meisten Produkte große Mengen an Energie, Wasser und Rohstoffen verbraucht. Dadurch hat sie nicht nur einen erheblichen CO2-Fußabdruck, sondern insgesamt weitreichende Umweltauswirkungen – von der Zerstörung der Natur durch den Abbau von Rohstoffen bis hin zur Belastung von Luft, Wasser und Böden durch Schadstoffe und Abfall.
 Deutschland und die EU haben daher in den vergangenen Jahren die Umweltstandards verschärft und zahlreiche Gesetze sowie Vorschriften überarbeitet. Hierzu zählen die EU-Industrieemissionsrichtlinie (IED), die von Unternehmen unter anderem den Einsatz der „besten verfügbaren Techniken“ zur Vermeidung und Verminderung von Emissionen verlangt, und die europäische Ökodesign-Verordnung für nachhaltige Produkte (ESPR), die für fast alle Produktarten gilt und Aspekte wie Haltbarkeit, Reparierbarkeit und Wiederverwendbarkeit in den Vordergrund stellt. Das Energieeffizienzgesetz (EnEfG) wiederum verpflichtet große Stromverbraucher zur Einführung eines Energiemanagementsystems nach ISO 50001 oder eines Umweltmanagementsystems nach dem Eco-Management and Audit Scheme (EMAS).

Der Markt achtet verstärkt auf Nachhaltigkeit

Börsennotierte Unternehmen und solche, die bei der Bilanzsumme, dem Jahresumsatz und der Mitarbeiterzahl bestimmte Schwellen überschreiten, müssen zudem im Rahmen der Corporate Sustainability Reporting Directive (CSRD) über ihre Nachhaltigkeitsbemühungen berichten und offenlegen, ob ihre geschäftlichen Aktivitäten nach der Taxonomie-Verordnung als nachhaltig eingestuft werden können. Allein in Deutschland sind rund 15.000 Unternehmen betroffen, darunter viele Industriebetriebe.
Obwohl der Aufwand groß ist, sollten Unternehmen die zahlreichen regulatorischen Vorgaben nicht als lästige Pflicht sehen, sondern als Chance, ihrer ökologischen Verantwortung gerecht zu werden, Anforderungen ihrer Klientel besser zu erfüllen und Einsparpotenziale zu erschließen. Denn eine wachsende Zahl von Kundinnen und Kunden, insbesondere aus den jüngeren Generationen, achtet bei Kaufentscheidungen auf Nachhaltigkeit. Unternehmen können mit Nachhaltigkeit die Bindung zu Kunden stärken und sich besser im Wettbewerb positionieren. Davon abgesehen ist eine nachhaltige Produktion oft auch wirtschaftlicher: Wer Energie und Wasser einspart und weniger Ausschuss produziert, senkt in der Regel ganz automatisch seine Kosten.

Effizienz, Wachstum und Gewinnsteigerung

Nachhaltige Produktion durch Digitalisierung

Auf die Daten kommt es an

Häufig stehen produzierende Unternehmen vor der Frage, warum sie hohe Ausschussquoten haben oder wie sich der Energieverbrauch von Maschinen reduzieren lässt. Mithilfe von Daten und modernen Technologien können sie es herausfinden – indem sie etwa die Produktion mit Kameras überwachen, um Qualitätsmängel an Komponenten und Bauteilen frühzeitig zu erkennen und zu beseitigen, oder Maschinendaten analysieren, um die Kalibrierung zu optimieren.

Der Schlüssel für solche und anderen Verbesserungen sind Daten: Ohne ein solide Datenbasis keine neuen Erkenntnisse und damit keine Erfolge auf dem Weg zu weniger Kosten und mehr Nachhaltigkeit. Unternehmen müssen somit zunächst klären, welche Daten sie überhaupt benötigen, um oben genannte und weitere Fragen zu beantworten – dann können sie überprüfen, ob die notwendigen Daten bereits vorhanden sind oder neue Datenquellen erschlossen werden müssen. Darüber hinaus braucht es eine sorgfältige Validierung der Daten auf Korrektheit, Ausgewogenheit und Konsistenz, denn mit schlechten Daten können auch die besten Analysetools keine guten Ergebnisse produzieren und liefern ungenaue Prognosen oder entscheiden suboptimal.
Mit hochwertigen Daten sind Unternehmen unter anderem in der Lage, den Materialeinsatz und die Auslastung der Maschinen zu optimieren und Rohstoffe sowie Energie einzusparen. Sie können energieintensive Arbeitslasten in Zeiten mit niedrigen Energiepreise verlagern, sich anbahnende Defekte an Maschinen frühzeitig erkennen und Wartungszyklen so planen, dass Störungen und Ausfälle nicht zu Fehlproduktionen und mehr Abfall führen. Darüber hinaus ist es möglich, Leitungslecks und schlecht isolierte Anlagen aufzuspüren, über die Wasser und Wärme verloren gehen, oder Verschmutzungen im Wasser, in Behältern oder an und in Materialien festzustellen, die die Fertigungsqualität beeinträchtigen oder zur Produktion von Ausschuss führen. Die Möglichkeiten sind nahezu unbegrenzt.

Ohne einheitliche Datenstrukturen geht es nicht

Eine große Herausforderung bei der Datennutzung ist, dass die Daten üblicherweise in verschiedenen Systemen feststecken und in unterschiedlichen Formaten vorliegen. Schließlich war es in der Vergangenheit gar nicht notwendig, Daten auf breiter Basis zugänglich zu machen – die silohafte Punkt-zu-Punkt-Kommunikation zwischen den verschiedenen Systemen war völlig ausreichend. Einer der wichtigsten Schritte, um Daten nutzbar zu machen, ist daher der Aufbau offener Architekturen, die Schnittstellen für reibungslose Datenflüsse bieten und einheitliche Datenstrukturen unterstützen.

Mit einem solchen Unified Namespace lassen sich voneinander getrennte Architektur-Layer und Datensilos auflösen. Alle Systeme und Anwendungen nutzen dieselben Datenstrukturen und Namenskonventionen, sodass Daten konsistent abgelegt werden und jedes System beziehungsweise jede Anwendung für sie relevante Daten auslesen kann – also beispielsweise auch neue KI-Tools.

KI und Edge Computing liefern Echtzeit-Erkenntnisse

Mit KI können produzierende Unternehmen ihre Datenbestände auswerten, um Ineffizienzen aufzuspüren und Optimierungspotenziale zu finden. Dabei ist KI aber nur ein Sammelbegriff für eine ganze Reihe von Technologien: neben dem klassischen Machine Learning und Sprachmodellen, die die Grundlage generativer KI (GenAI) sind, kommen auch Computer Vision – das maschinelle Sehen – und Physical AI – die Integration von KI in Roboter – zum Einsatz. Und oft reichen auch Algorithmen aus dem Bereich der mathematischen Optimierung.

Manche Maschinen bringen schon eigene Tools für smarte Datenauswertungen mit, dennoch kann es sinnvoll sein, eigene Lösungen zu entwickeln. Etwa um hohe Lizenzkosten zu vermeiden oder Daten für weitergehende Analysen zusammenzuführen. In diesem Fall sind meist nicht die großen Sprachmodelle (LLM), die im Blickpunkt der Öffentlichkeit stehen, das Mittel der Wahl, sondern industrielle Foundation-Modelle (IFM) oder kleine Sprachmodelle (SLM). Denen fehlt zwar das breite Basiswissen von LLMs, dafür sind sie hochspezialisiert und liefern für Anwendungsbereiche in der Industrie bessere Ergebnisse – und haben überdies einen geringeren Ressourcenbedarf.

Da viele Use Cases auf Echtzeit-Entscheidungen angewiesen sind, weil eine Maschine oder ein Roboter unmittelbar auf ihre Umgebung reagieren muss, reicht eine Datenverarbeitung in der Cloud oder in einem zentralen Rechenzentrum häufig nicht aus – die Latenz durch die Übertragung der Daten wäre zu groß. Notwendig sind dann Edge-Infrastrukturen, die Entscheidungen nah am oder sogar auf dem Shop Floor treffen. Dort sind die Systeme rauen Bedingungen ausgesetzt und frei zugänglich, weshalb sie robust sein und hohe Anforderungen an die physische Sicherheit erfüllen müssen. Zudem sind eine einfache Installation und Inbetriebnahme sowie ein Remote-Management wichtig, da üblicherweise kein IT-Personal vor Ort ist.

Digitale Zwillinge ermöglichen risikofreie Tests

Mit den vielen Daten, die in einer digital überwachten und gesteuerten Produktion anfallen, lassen digitale Zwillinge erstellen – virtuelle Abbilder von Produkten, Maschinen und sogar ganzen Produktionsstraßen. Mit diesen können Unternehmen beispielsweise Änderungen an Abläufen risikofrei testen, bevor sie in der Produktivumgebung eingeführt werden. Ebenso lassen sich unzählige Szenarien in kurzer Zeit simulieren, um die bestmöglichen Abläufe, Kalibrierungen und Produktionsbedingungen zu finden.
Angesichts der zahlreichen Möglichkeiten, die Nachhaltigkeit und Wirtschaftlichkeit mithilfe von Daten zu verbessern, liegt die Herausforderung für Unternehmen häufig darin, geeignete Use Cases für den Einstieg zu identifizieren, die einen großen Nutzen bringen und mit überschaubarem Aufwand umsetzbar sind. Darüber hinaus tun sie sich erfahrungsgemäß oft schwer, ihre POCs anschließend in den Produktivbetrieb zu überführen. Externe Partner, die Branchenexpertise mit technologischem Know-how vereinen, können hier eine große Hilfe sein. Mit ihrer Unterstützung erfüllen Industriebetriebe nicht nur regulatorische Anforderungen leichter, sondern können auch die Chance, die Effizienz und Wirtschaftlichkeit ihrer Produktion immer weiter zu steigern, besser nutzen – und damit die Umweltauswirkungen ihres Geschäftsbetriebs deutlich reduzieren.