Herausforderungen wie der Klimawandel und die Folgen der COVID-19- Pandemie erfordern innovative Lösungen, die Ferninteraktionen und -kooperationen ermöglichen und die Notwendigkeit von Reisen reduzieren. Fortschritte in der Elektronik, Robotik und IT haben zur Entwicklung von Telepräsenzrobotern (TPRs) geführt, die in diesem Kontext eine Schlüsselrolle spielen. Zugleich braucht es Arbeitsumgebungen, die das Potenzial von TPRs ausschöpfen und den klimatischen, digitalen und sozialen Wandel unterstützen.

Um zukünftig Verbesserungen der zirkulären Produkteigenschaften wie Lebenszeitverlängerung, Weiternutzung oder hochwertiges Recycling zu realisieren, müssen industrielle Produktentwicklungs- und Designprozesse den gesamten ökologischen und ökonomischen Lebenszyklus von Produkten berücksichtigen. Dieser Artikel erläutert an einem Unternehmensbeispiel, wie solche Prozesse mithilfe der Makigami-Methode erfasst und analysiert werden können, um ein umfassendes „Design for Circularity“ zu unterstützen. Der gewählte Ansatz erleichtert die Identifikation der Anwendungszeitpunkte zirkulärer Designentscheidungen und die Implementierung validierter Kreislaufwirtschaftsprinzipien.

Im Entwicklungsprozess werden Entscheidungen mit Wirkung auf die Nachhaltigkeit von Produkten getroffen. Mit zunehmendem Entwicklungsfortschritt können auch Aussagen zur Nachhaltigkeit konkretisiert werden. Während zunächst nur Abschätzungen anhand von verwandten Produkten und Prozessen möglich sind, können später etwa Betriebs- und Maschinendaten genutzt werden. Werden Metriken für Kennzahlen verwendet, sollte die Qualität der verwendeten Daten nachvollziehbar sein. Dazu werden relevante Datenqualitätskriterien und -indikatoren ausgewählt und in Bezug gesetzt. Die Verfügbarkeit von Daten kann gesteigert werden, indem die Produktentwicklung auf Partner in Datenökosystemen zurückgreift. Die Grundlage bilden Datenräume wie Gaia-X, Catena-X und Manufacturing-X.

Der KI-basierte selbstlernende Digitale Zwilling passt sich automatisch an das reale Systemverhalten an und stellt jederzeit ein optimales Abbild eines Produktionsprozesses dar. Ein ausdrucksstarkes, semantisches Gesamtmodell dient als Basis für neuartige Ansätze der künstlichen Intelligenz (KI). Die mittels Methoden der KI gewonnenen Erkenntnisse werden in das Gesamtmodell integriert und so die Interpretierbarkeit und Erklärbarkeit der KI-Modelle verbessert. Methoden aus dem Bereich der eXplainable AI ermöglichen die automatische Beschreibung von KI-Modellen und deren Erkenntnisse sowie den Aufbau selbsterklärender Modelle.

Die vorliegende Studie untersucht unter Teilnahme von 23 Unternehmen die Praxis des erfahrungsbasierten Fehlermanagements. Ziel dieser Untersuchung ist es, zentrale Kriterien für ein effektives Fehlermanagement in der Produktion zu identifizieren. Hierzu wurde ein Fragebogen mit 77 Fragen zu acht Themenbereichen entwickelt, darunter Fehlerkultur, Dokumentation, Ursachenforschung und softwaregestütztes Wissensmanagement. In der anschließenden Analyse werden positive und negative Maßnahmen herausgearbeitet, um daraus konkrete Handlungsempfehlungen zur Optimierung des erfahrungsbasierten Fehlermanagements abzuleiten.

Mit Industrie 4.0 stehen viele Industriebetriebe erneut umfassenden Transformationsdynamiken gegenüber. In Digitalisierungsprojekten greifen die Werks- bzw. Betriebsleitungen neuere technische Entwicklungen wie etwa kognitionsunterstützende Assistenzsysteme auf. Mit Blick auf die industrielle Montage in der Metall- und Elektroindustrie führt dies zu veränderten Arbeitsprozessen, bei denen oft noch unklar ist, inwieweit aus Beschäftigtensicht arbeitsintegriertes Lernen stattfindet. Gegenstand dieses Beitrages ist eine qualitative Analyse, mit der die Sicht von Beschäftigten auf die Chancen und Risiken von drei kognitionsunterstützenden Assistenzsystemen nachgezeichnet wird. Das Ergebnis: nicht alle Beschäftigten in der Montage scheinen gleichermaßen von den neuen Entwicklungen zu profitieren.

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.

Gegenwärtige Entwicklungen der Digitalisierung und Datenökonomie, insbesondere multilateraler Plattformen zum Datenaustausch, bieten das Potenzial für eine beschleunigte Umsetzung von Kreislaufwirtschaftspraktiken in der produzierenden Industrie. Der Beitrag untersucht systematisch und anhand originärer Forschung, inwieweit die Digitalisierung als Katalysator der Kreislaufwirtschaft im Beschaffungswesen solcher Unternehmen dienen könnte. Dafür wurden acht Experten aus fünf weltweit führenden Herstellern und Zulieferern der Automobil- und Luftfahrtbranche interviewt. Es werden praxisnahe Hypothesen für die nachhaltige Gestaltung von Lieferketten entwickelt und zwei spezifische Use Cases für Kreislaufwirtschaftspraktiken vorgeschlagen, die dem Ressourceneinsatz proaktiv entgegenwirken können.