Digitale Zwillinge: ein praktischer Leitfaden für digitale Zwillinge im Engineering

In den letzten Jahren hat das Wort „Digitaler Zwilling“ einen festen Platz im Lexikon des Engineering eingenommen. Die Verheißung ist groß: ein physisches System virtuell nachzubilden, um sein Verhalten zu simulieren, vorherzusagen und zu optimieren. Aber eigentlich wird schon länger darüber gesprochen. Warum sind digitale Zwillinge also noch nicht konkret und alltäglich in den Ingenieurabteilungen präsent? 

Die Antwort ist nicht nur technologischer Natur. Sie betrifft die Art und Weise, wie wir diese Lösungen verstehen, aufbauen und übernehmen.

Die erste Unterscheidung, die getroffen werden muss, ist die zwischen deskriptiven und prädiktiven digitalen Zwillingen. Gerade der Übergang von der deskriptiven zur prädiktiven Lösung markiert den Quantensprung in den meisten konkreten industriellen Anwendungen.

Was ist ein prädiktiver Digitaler Zwilling (wirklich)?

Ein prädiktiver digitaler Zwilling ist ein dynamisches Modell, das ein reales physikalisches System darstellt, um dessen Verhalten zu überwachen, zu analysieren oder vorherzusagen. Es handelt sich nicht um eine einfache Simulation, sondern um ein Modell, das lebt und aktualisiert wird.

Die wichtigsten Arten des digitalen Zwillings

Heute gibt es verschiedene Arten von prädiktiven digitalen Zwillingen, die sich durch die Art und Weise unterscheiden, wie sie aufgebaut und aktualisiert werden.

• Physikalisch (gleichungsbasiert): Modellierung anhand von physikalischen Gleichungen und technischem Wissen. Sie sind genau, aber kompliziert zu erstellen und zu aktualisieren.
• Datengesteuert: Wird durch die Analyse von Daten erstellt, die vom eigentlichen Produkt gesammelt wurden (Tests, Sensoren, Protokolle usw.). Sie ist schneller und flexibler, hängt jedoch von der Qualität und Verfügbarkeit der Daten ab.
• Hybrid: Kombiniert beide Logiken, indem ein physisches Modell mit datengesteuerten Korrekturen oder Erweiterungen integriert wird.

Hindernisse für eine breite Einführung: Wo es beim Digitalen Zwilling klemmt

Viele Ingenieure würden gerne einen Digitalen Zwilling in ihrem eigenen Prozess aufbauen oder verwenden, stoßen aber auf konkrete Hindernisse. Die häufigsten sind:

1. Die Fähigkeiten zur Erstellung eines Modells

Ob gleichungsbasierter oder datenbasierter Zwilling, es sind Fähigkeiten erforderlich, um ihn zu erstellen, einerseits ingenieurwissenschaftliche Fähigkeiten, andererseits datenwissenschaftliche Fähigkeiten. Sicher ist, dass Softwarehäuser an der Vereinfachung ihrer Produkte arbeiten, um Benutzeroberflächen zu schaffen, die immer einfacher und auch von Nicht-Experten nutzbar sind.

2. Die verfügbaren Daten sind nicht perfekt

Industrielle Datensätze sind oft fragmentiert, unvollständig und nicht abgeglichen. Das erschwert die Anwendung klassischer, rein datengesteuerter Methoden.

3. Modelle sind schnell veraltet

Insbesondere gleichungsbasierte Zwillinge funktionieren gut bei der Neukonzeption oder Optimierung, haben aber Schwierigkeiten, sich an reale Betriebsbedingungen anzupassen: Verschlechterung, wechselnde Umgebungen, reale Nutzung. Ein starres Modell auf dem neuesten Stand zu halten ist kostspielig und nicht sehr skalierbar.

Das Ergebnis? In vielen Fällen sind digitale Zwillinge in Unternehmen auf einzelne Projekte, Pilotprojekte oder isolierte Prozessschritte beschränkt geblieben, ohne zu einem alltäglichen Werkzeug zu werden.

Ein neuer Ansatz ist erforderlich

Damit digitale Zwillinge wirklich einsatzfähig werden, benötigen sie:

• Einen flexibleren Ansatz
• Eine Technologie, die auch mit wenigen Daten funktioniert
• Einfache Tools, die auch von Nichtfachleuten genutzt werden können

Im nächsten Artikel werden wir datengesteuerte digitale Zwillinge genauer betrachten.

Wir werden sehen, wie ihr strategischer Einsatz während der gesamten Produktentwicklung und -lebensdauer, entweder unabhängig oder integriert mit gleichungsbasierten Geschwistern, eine konkrete Antwort auf diese Hindernisse darstellt. Und wie leichtgewichtige Plattformen wie Neureco es ermöglichen, Vorhersagemodelle zu erstellen, selbst wenn nur wenige Daten zur Verfügung stehen.