Was ist eigentlich ein Digital Twin?

Anwendungen und konkrete Beispiele

Die folgenden zwei Praxisbeispiele werden verdeutlichen, wo und mit welcher Intention digitale Zwillinge in der Industrie eingesetzt werden können. Lassen Sie uns mit dem ersten Beispiel beginnen:

Die virtuelle Inbetriebnahme von Produktionsanlagen

Ausgangssituation: konventionelle Inbetriebnahmen

An der physischen Inbetriebnahme wird auch in Zukunft kein Weg vorbeiführen. Schließlich werden Güter auch in der Industrie 4.0 in den Produktionshallen weiterhin produziert und benötigen die entsprechende Hardware für die Herstellung. Allerdings kann sich mit der Etablierung digitaler Zwillinge die Natur von Inbetriebnahmen sehr stark ändern. Die klassische Inbetriebnahme von Anlagen (z. B. mechatronische Systeme) birgt nämlich eine Vielzahl an inhärenten Nachteilen sowie Risiken. 

Beispielsweise sind nachträgliche Anpassungen von Anlagen teuer und mitunter sehr zeitaufwendig [5]. Reale Anlagen können beschädigt werden und oftmals bleibt keine Zeit für ein systematisches Testen mehrerer Szenarien und Komponenten [6]. In vielen Fällen gibt es nur wenig Spielraum für eine Optimierung und Verbesserung an den Anlagen. Fehler werden nicht oder zu spät entdeckt, was hohe Folgekosten durch die Wartung und Ausfallkosten durch den Anlagenstillstand nach sich ziehen kann.

Außerdem führt eine Nichteinhaltung von technischen Anforderungen und Spezifikationen bei der Inbetriebnahme im Worst Case zu Vertragsstrafen oder mindestens zu unglücklichen Kunden. Diese Nachteile sind aus unternehmerischer Sicht definitiv zu vermeiden.

Lösung: Virtuelle Inbetriebnahme durch den Einsatz von digitalen Zwillingen

Mittels virtueller Inbetriebnahme können die Entwicklungszeiten drastisch verkürzt werden. Außerdem bietet diese die Möglichkeit, Produktionsausfälle und Störungen im Betrieb zu vermeiden [7]. Bei der virtuellen Inbetriebnahme werden digitale Modelle der Produktionsanlagen oder Maschinen erstellt und dreidimensional abgebildet. Alle Eigenschaften und das Verhalten der Anlagen (z. B. elektrische, mechanische, thermische, dynamische Verhalten) werden mittels Modellen und Algorithmen simuliert. Dieser ganzheitliche Ansatz gewährleistet eine bestmögliche Annäherung an das Systemverhalten einer Anlage [8]. Mittels gängigen Simulationstools (z.B. FEM oder CFD-Tools) werden die Komponenten einer komplexen Anlage sowie deren Zusammenspiel unter unterschiedlichen Bedingungen getestet.

Diese Simulation liefert frühzeitig Aufschluss und Einblicke über mögliche Fehlerquellen während des späteren Betriebs, z. B. über Störungen, Anomalien oder Probleme an der Anlage. Durch Korrekturen am 3D-Modell wird das Ineinandergreifen der Elektrik, Software und Mechanik schon vor der realen Inbetriebnahme verbessert. Ein Vorteil liegt darin, dass kritische Szenarien und Situationen virtuell – und nicht an der realen Anlage – geprüft und bewertet werden können. Dies reduziert das Risiko im realen Betrieb, senkt Kosten und mündet in einer Reduktion von Produktionsausfällen in der Zukunft. Der entscheidende letzte Schritt ist, die optimierte Simulationssoftware mit der realen Steuerung der Anlage (SPS) zu verbinden [8].

Predictive Maintenance für eine optimierte Wartung.

Ausgangssituation: Zu unflexible Wartung und Verschwendung von Ressourcen

Wie bereits im ersten Beispiel erwähnt, verursachen Maschinenausfälle an Industriemaschinen sehr hohe Kosten, welche die Kosten für das zu ersetzende Bauteil oft weit übersteigen. In diesem Kontext wird klar, dass Unternehmen anstreben sollten, Stillstandszeiten und damit verbundene Verluste durch eine systematischere und vorausschauende Wartung zu verringern [9]. Die Realität auf dem betrieblichen Hallenboden sieht jedoch meist anders aus:

Viele Unternehmen setzen noch auf eine reaktive Wartungsstrategie. Das bedeutet, dass das betroffene Betriebsmittel erst dann gewartet wird, wenn ein Fehler oder Problem bereits eingetreten ist [10]. Diese Form der Wartung ist reaktiv, da sie unplanbar ist und unerwartet eintritt. Gleichzeitig riskieren Firmen eine längere und teure Stillstandzeit, welche für die Reparatur oder den Austausch der Komponenten notwendig ist.

Ebenfalls ist die Wartung technischer Anlagen oder Gebäuden in vorher definierten Intervallen (beispielsweise eine Inspektion alle 3 Monate; alle 2 Jahre ein Wechsel des Filters …) üblich [11]. Hersteller verfolgen also das Ziel, die Wahrscheinlichkeit von Stillständen präventiv – also vorbeugend – zu minimieren [12]. Die Problematik hierbei ist, dass teilweise Maschinenkomponenten aufgrund des festgelegten Wartungsintervalls gewartet werden, obwohl diese noch in gutem Zustand und voller Funktionstüchtigkeit sind.

Lösung: Anwendung des digitalen Zwillings für die vorausschauende Wartung (Predictive Maintenance)

Die gute Nachricht ist: Auch in diesem Fall kann der digitale Zwilling großen Mehrwert liefern und die Wartung im Unternehmen auf ein höheres Level heben. Die Rede ist vom sogenannten Predictive Maintenance (auf Deutsch: vorausschauende Wartung), welche die nächsthöhere Evolutionsstufe nach der präventiven Wartungsstrategie darstellt. Herr Feldmann von Roland Berger nennt die vorausschauende Wartung eine „der Schlüsselinnovationen von Industrie 4.0“ [13].

Zunächst müssen Betriebsparameter und Prozessparameter der Anlage mittels Sensoren gemessen, übertragen und gespeichert werden [14]. Mithilfe der Erstellung eines digitalen Zwillings der Anlage können Ingenieure in einer risikofreien Umgebung absichtlich Fehler simulieren und somit bestimmte Fehlerbedingungen der realen Anlagen erfassen [15]. Verschiedene Grade und Ausprägungen an möglichen Maschinenstörungen werden kombiniert und bewertet. Anschließend wird ein Predictive Maintenance Algorithmus mit diesem simulierten Datensatz trainiert, um später im Realfall Fehler an der Anlage erkennen und diese klassifizieren zu können [15]. 

Auch in diesem DT-Beispiel wird der digitale Zwilling eingesetzt, um die Konsequenzen von Änderungen eines Objekts zu simulieren und die Planungssicherheit für Firmen zu erhöhen [16]. KI-basierte Algorithmen der vorausschauenden Wartung sind nicht nur imstande, Fehler bei ihrem Auftreten zu erkennen, sondern auch zukünftige potenzielle Störungen zuverlässig vorherzusagen und somit optimale Wartungszeitpunkte zu prognostizieren.