Die meisten Demonstrationen digitaler Zwillinge zeigen ein 3D-Modell, das sich im Browser dreht, wobei sich die Farben ändern, wenn Daten von Sensoren eintreffen. Es ist optisch beeindruckend und für fast jeden industriellen Anwendungsfall funktional irrelevant. Was einen digitalen Zwilling nützlich macht, ist nicht die visuelle Wiedergabetreue des Modells, sondern die Fähigkeit, den aktuellen Zustand des physischen Vermögenswerts mit ausreichender Genauigkeit wiederzugeben, um Entscheidungen zu unterstützen, die ohne ihn nicht getroffen würden. Eine mit einem Temperatursensor verbundene CAD-Datei ist kein digitaler Zwilling. Ein Modell, das das dynamische Verhalten von Geräten im Laufe der Zeit erfasst, aus der Betriebshistorie lernt und es Ihnen ermöglicht, Hypothesen zu testen, ohne die Produktionslinie anzuhalten – das ist alles. Der Unterschied ist wichtig, weil er sich direkt darauf auswirkt, wo die Investition sinnvoll ist und wo nicht.
Was einen nützlichen digitalen Zwilling ausmacht
Der digitale Zwilling geht von einem Modell – mathematisch, physikalisch oder hybrid – aus, das das Verhalten der Anlage darstellt. Bei einer Kreiselpumpe kann das Modell Leistungskurven, Korrelationen zwischen Durchfluss und Druck sowie Betriebstemperaturgrenzen umfassen. Bei einem Elektromotor kann es das erwartete Vibrationsmuster bei unterschiedlichen Drehzahlen und Lasten umfassen. Für eine Produktionslinie kann es die Zykluszeit jedes Schritts, Zwischenpuffer und Abhängigkeiten zwischen Stationen umfassen.
Was ein digitales Zwillingsmodell auszeichnet, ist die Synchronisierung mit dem realen Asset über Sensordaten. Das Modell aktualisiert seinen internen Zustand, wenn es Daten von der Ausrüstung empfängt, wodurch es nicht nur den aktuellen Zustand, sondern auch die Abweichung vom erwarteten Zustand berechnen kann. Wenn die Pumpe 15 % unter der vorhergesagten Leistungskurve läuft, erkennt der Zwilling die Abweichung, bevor der Bediener irgendwelche körperlichen Symptome bemerkt, da er die tatsächlichen Daten mit dem erwarteten Verhalten des Modells vergleicht – und nicht darauf wartet, dass der Bediener bemerkt, dass etwas nicht stimmt.
Das Wort, das hier am wichtigsten ist, ist „lernen“. Ein statischer Zwilling, der anhand von Werksspezifikationen erstellt und nie aktualisiert wird, beginnt vom ersten Betriebstag an von der tatsächlichen Anlage abzuweichen, da die Ausrüstung altert, sich die Betriebsbedingungen ändern und die Werksspezifikation selten Nuancen der spezifischen Installationsumgebung erfasst. Ein Zwilling, der mit historischen Daten aktualisiert wird und Modellparameter anpasst, um das tatsächlich beobachtete Verhalten widerzuspiegeln, wird mit der Zeit immer nützlicher. Diese Lernkomponente ist am schwierigsten umzusetzen und wird in frühen Projekten am häufigsten übersehen.
Wo der digitale Zwilling heute Erträge liefert
Predictive Maintenance ist der ausgereifteste Anwendungsfall. Ein Zwilling rotierender Geräte – Turbine, Kompressor, Pumpe – der Vibration, Temperatur, Druck und elektrischen Strom überwacht, kann beginnende Ausfälle Wochen im Voraus erkennen. Der Unterschied zur einfachen Schwellenwertüberwachung – die Warnung auslöst, wenn die Vibration X überschreitet – besteht darin, dass der Zwilling eine Änderung im Muster erkennt und nicht nur eine Schwellenüberschreitung. Ein Lager, das bei der Käfigdefektfrequenz eine Defektsignatur aufweist, wird die absolute Vibrationsschwelle wochenlang nicht überschreiten, das Spektralmuster ist jedoch bereits erkennbar. Dieses frühe Fenster ermöglicht es Ihnen, die Wartung beim nächsten geplanten Stillstand zu planen, anstatt die Produktion aufgrund eines katastrophalen Ausfalls zu stoppen.
Die Inbetriebnahme neuer Geräte ist ein weiterer Fall mit klarem ROI. Bevor Sie neue Geräte mit Strom versorgen, können Sie mit einem Twin das erwartete Verhalten unter verschiedenen Lastszenarien testen und Parametereinstellungen identifizieren, die die Leistung von Anfang an optimieren. In Anlagen mit komplexer Prozessausrüstung kann diese Simulationsphase die Anlaufzeit um Wochen verkürzen.
Bedienerschulungen sind eine unterschätzte Anwendung. Mithilfe eines Prozesszwillings können Ausfall-, Notfall- und anormale Zustandsszenarien simuliert werden, ohne die tatsächliche Ausrüstung zu gefährden. Der Bediener lernt, Abweichungen in einer kontrollierten Umgebung zu erkennen und darauf zu reagieren, bevor er sich der realen Situation stellt.
Die Daten, über die die meisten Unternehmen nicht verfügen
Die häufigste Einschränkung, die die Implementierung eines digitalen Zwillings verhindert, ist nicht die Technologie, sondern die Daten. Ein rotierender Ausrüstungszwilling benötigt einen hochfrequenten Vibrations-, Temperatur- und Druckverlauf. Die meisten Industrieanlagen erfassen diese Daten jedoch mit geringer Häufigkeit – ein Messwert pro Minute oder Stunde –, da Steuerungssysteme für die Prozessüberwachung und nicht für die Analyse des Gerätezustands konzipiert sind. Um beginnende Ausfälle bei Frequenzen zu erkennen, die für mechanische Defekte charakteristisch sind, muss die Abtastfrequenz mindestens das Zehnfache der interessierenden Frequenz betragen – bei Lagern bedeutet dies kHz, nicht Hz.
Die Entscheidung, vorhandene Instrumente zur Unterstützung eines Zwillings nachzurüsten, ist oft der größte Kostenfaktor für die Implementierung, nicht die Software. Das Hinzufügen von Hochfrequenzsensoren zu Betriebsgeräten erfordert Ausfallzeiten für die Installation, was Produktionskosten verursacht. Einige Anwendungen ermöglichen eine nicht-invasive Instrumentierung – Aufkleber-Beschleunigungsmesser, CT-Messung des elektrischen Stroms – andere erfordern jedoch eine dauerhafte Installation an bestimmten Stellen der Ausrüstung.
Das andere Datenelement, das häufig fehlt, ist die Fehlerhistorie mit ausreichendem Kontext. Um ein Anomalieerkennungsmodell zu trainieren, benötigt der Zwilling Beispiele für normales Verhalten und anomales Verhalten vor einem Fehler. Liegt die Wartungshistorie auf Papier oder in textfreien Feldern in einem Altsystem vor, ohne Korrelation mit Sensordaten, hat das Modell keine Lerngrundlage. Die Bereinigung und Strukturierung dieser Historie ist eine intensive Arbeit, die im Budget eines Digital-Twin-Projekts selten berücksichtigt wird.
Wo es immer noch ein teures Projekt ohne proportionalen ROI ist
Der digitale Zwilling eines komplexen diskreten Fertigungsprozesses – Montagelinie mit mehreren Produktvarianten, Abhängigkeiten zwischen Stationen, menschliche Bediener – ist immer noch ein meist teures Forschungsprojekt mit schwer nachweisbarem ROI. Das Problem ist die Dimensionalität: Die Anzahl der Variablen, die das Verhalten der Linie bestimmen, ist hoch, viele von ihnen sind nicht mit Sensoren messbar (z. B. Unterschiede in den Fähigkeiten zwischen Bedienern) und das Modell kann die Realität nicht getreu abbilden, da die Randbedingungen sehr umfangreich sind. Prozesssimulationen dieser Art existieren und sind für die Planung wertvoll, aber die Idee eines Zwillings, der den Echtzeitzustand einer komplexen Montagelinie mit ausreichender Genauigkeit für eine kontinuierliche Betriebsoptimierung widerspiegelt, ist ehrgeiziger als die aktuelle kommerzielle Realität.
Der Aufbau digitaler Zwillinge – mit Sensoren verbundene Gebäudeinformationsmodellierung – ist eine weitere Kategorie, in der das Versprechen oft die Umsetzung übertrifft. Der am häufigsten genannte Anwendungsfall ist Energieoptimierung und Gebäudeinstandhaltung, aber die Instrumentierung, die erforderlich ist, damit das Modell den tatsächlichen Zustand des Gebäudes genau widerspiegelt, ist teuer, und der Energie-ROI rechtfertigt selten die Investition, wenn nicht noch weitere Anwendungsfälle hinzukommen.
Was Sie vor der Genehmigung des Budgets beachten sollten
Die Due-Diligence-Prüfung vor der Genehmigung eines Digital-Twin-Projekts hat drei zentrale Fragen. Erstens: Welche Daten benötigt der Zwilling, wie häufig und mit welcher Latenz, und sind diese Daten bereits vorhanden oder benötigen sie eine neue Instrumentierung? Die Kosten für die Instrumentierung stellen oft den größten Budgetposten dar, und Projekte, bei denen sie unterschätzt werden, erreichen zur Hälfte der Implementierung nicht genügend Daten, um das Modell zu speisen.
Zweitens: Wird das Modell statisch sein oder wird es aus dem Betrieb lernen? Wenn die Antwort darin besteht, zu lernen, wer wird das Modell im Laufe der Zeit warten und neu trainieren? Der digitale Zwilling ist keine einmalige Installation – es handelt sich um ein Softwareprodukt, das gewartet, Parameter aktualisiert und regelmäßig neu trainiert werden muss, wenn sich das Verhalten der Anlage aufgrund von Prozessänderungen oder Alterung ändert. Wenn kein internes Team mit der Kapazität dafür vorhanden ist, muss das Lieferanteneinbindungsmodell diesen Lebenszyklus abdecken.
Drittens: Was ist die konkrete Entscheidung, dass sich der Zwilling verbessern wird, und welchen Wert hat diese Verbesserung? Ein Kompressorzwilling, der einen Ausfall innerhalb von zwei Wochen erwartet, hat einen kalkulierbaren Wert: die durchschnittlichen Kosten ungeplanter Ausfallzeiten multipliziert mit der vermiedenen Ausfallhäufigkeit. Ohne diese Zahl ist es unmöglich, die Investition in Twin mit anderen Alternativen zur Reduzierung des Ausfallrisikos zu vergleichen – mehr Ersatzteilbestände, konservativerer Wartungsplan, Geräteredundanz.
Lesen Sie auch
- Vorausschauende Wartung: vom Kalender bis zur Intelligenz, die Ausfallzeiten vermeidet
- Edge Computing: Warum Computing die Cloud verlässt und sich den Daten annähert
- Edge Computing: Warum verteilte Verarbeitung Ihre Architektur neu definieren wird
- RISC-V am Edge und IoT: Warum offene Architektur wichtig ist
- Autorität durch den realen Prozess: Warum das Zeigen des Weges mehr beweist als das Ergebnis
- Blockchain jenseits von Kryptowährungen: Anwendungsfälle in der Lieferkette