Development of an AI-Driven Methodological Framework for Enhancing Environmental Sustainability in Manufacturing

Der globale Fertigungssektor steht vor einer doppelten Herausforderung: die Produktivität durch Digitalisierung zu steigern und gleichzeitig seinen ökologischen Fußabdruck im Einklang mit internationalen Nachhaltigkeitszielen drastisch zu reduzieren. Obwohl Künstliche Intelligenz leistungsstarke Werkzeuge zur Prozessoptimierung bietet, wird ihre Anwendung in der realen Fertigungspraxis oft durch Datenknappheit und mangelnde Modelltransparenz erschwert, was das Vertrauen untergräbt und die Einführung behindert. Diese Dissertation entwickelt und validiert ein KI-gestütztes methodisches Rahmenwerk, das darauf ausgelegt ist, diese Herausforderungen zu überwinden, indem es die ökologische Nachhaltigkeit in der Fertigung systematisch verbessert. ... mehrDas Rahmenwerk ist dateneffizient konzipiert, was den Einsatz in Umgebungen mit begrenzten und teuren experimentellen Daten ermöglicht. Ebenso integriert es Techniken der erklärbaren Künstlichen Intelligenz, um sicherzustellen, dass die Empfehlungen für Fachexperten transparent und umsetzbar sind. Die Wirksamkeit wird in einem $2$-stufigen Validierungsprozess mit $3$ Anwendungsfällen gezeigt. Stufe $1$ prüft die Wahl der Optimierungsverfahren anhand offener Datensätze. Stufe $2$ demonstriert das vollständige Rahmenwerk in $2$ industriellen $3\text{D}$-Druck-Fallstudien. In Fallstudie $1$ zielte die Methodik auf die Verringerung des produktbezogenen $\text{CO}_2$-Fußabdrucks und erzielte eine Reduktion um $31{,}9\,\%$, von $31{,}1\,\text{g}$ $\text{CO}_2\text{e}$ auf $21{,}2\,\text{g}$ $\text{CO}_2\text{e}$ pro Bauteil. In Fallstudie $2$ stand der Energieverbrauch im Fokus und wurde um $70{,}0\,\%$ gesenkt, von $20{,}0\,\text{Wh}$ auf $6{,}0\,\text{Wh}$. Zugleich reduzierte sich der produktbezogene $\text{CO}_2$-Fußabdruck um $26{,}7\,\%$, von $20{,}6\,\text{g}$ $\text{CO}_2\text{e}$ auf $15{,}1\,\text{g}$ $\text{CO}_2\text{e}$. Zusätzlich zeigten die Ergebnisse Zielkonflikte zwischen den ökologischen Zielsetzungen und der mechanischen Bauteilqualität.

The worldwide manufacturing industry is confronted with a twofold challenge: enhancing productivity via digital transformation while significantly diminishing its environmental impact to comply with global sustainability objectives. Although Artificial Intelligence offers powerful tools for process optimization, its application in real-world manufacturing practice is often complicated by data scarcity and a lack of model transparency, which undermines trust and hinders adoption. This dissertation develops and validates a novel methodological framework, driven by Artificial Intelligence, that is designed to overcome these challenges by systematically improving environmental sustainability in manufacturing. ... mehrThe framework is designed to be both data-efficient, which allows for its use in environments with limited and expensive experimental results and understandable, by incorporating methods from Explainable Artificial Intelligence to guarantee that the suggestions are clear and actionable for domain experts. Its effectiveness and adaptability are demonstrated through a $2$-stage validation process comprising $3$ application cases. In the first stage, the optimization strategy selection logic is empirically tested on diverse open-source datasets. In the second stage, the complete framework is applied in $2$ industrial case studies in the field of $3\text{D}$ printing. In Use Case $1$, the methodology targeted the product carbon footprint and achieved a $31.9\,\%$ reduction, from $31.14\,\text{g}\,\text{CO}_2\text{e}$ to $21.19\,\text{g}\,\text{CO}_2\text{e}$ per part. In Case $2$, it targeted energy consumption and reduced energy usage by $70.0\,\%$, from $20.0\,\text{Wh}$ to $6.02\,\text{Wh}$, while also lowering the product carbon footprint by $26.7\,\%$, from $20.6\,\text{g}\,\text{CO}_2\text{e}$ to $15.1\,\text{g}\,\text{CO}_2\text{e}$. Across both cases, the results showed clear trade offs between ecological objectives and mechanical part quality.