Digitale Zwillinge für Fahrzeuge
Auf das Modell kommt es an
Moderne Fahrzeuge wandeln sich zunehmend zu IoT-Produkten und die Vision eines digitalen Fahrzeugabbildes wird immer greifbarer. Auf dem Weg dahin gilt es technische Hürden zu nehmen, wie die Auswahl des Modells für den digitalen Zwilling eines Fahrzeuges.
Der technologische Fortschritt ist von zunehmend autonomen Lösungen geprägt, die eingefahrene Unternehmensprozesse zu verbessern helfen. Doch damit wächst die Zahl unabhängig agierender Einheiten, die komplexer, interaktiver und integrativer werden. Diese Einheiten lassen sich schwer kontrollieren, was etwa Betrieb und Wartung, aber auch die Wirtschaftlichkeit, Sicherheit und Nachhaltigkeit betrifft. Diese Herausforderungen adressiert das Konzept des digitalen Zwillings. Er erfasst Merkmale seiner realen Gegenstücke und spiegelt Eigenschaften und Funktionalitäten wider, damit sich Objekte leichter handhaben lassen. Das gilt für den Zwilling einzelner Produkte bis hin zur Modellierung von Maschinen und Anlagen oder einer ganzen Fabrik.
Perspektivwechsel zulassen
Viele IoT- und IIoT-Szenarien lassen sich mit anderen Ansätzen ebenfalls lösen, etwa durch maschinelles Lernen. Der digitale Zwilling kann als Perspektivwechsel verstanden werden. Sein Potenzial kann er vor allem in komplexeren Anwendungsfällen entfalten, wie sie etwa in der Automobilindustrie vorkommen. Je nach Anforderung stehen verschiedene Ansätze mit unterschiedlichen Vor- und Nachteilen zur Verfügung. Gelingt es, digitale Zwillinge und ihre Ensembles – also Gruppen von untereinander kommunizierenden digitalen Zwillingen – zu generalisieren, zu modularisieren und zu standardisieren, lässt sich das Konzept in Zukunft auf viele Branchen und Anwendungsfälle adaptieren.
Der Zwilling des Fahrzeugs
In der Automobilindustrie deckt der Zwilling idealerweise den gesamten Lebenszyklus eines Fahrzeugs ab – von der Produktion einzelner Autos und deren Verkauf bis zum Aftersales und zur Entsorgung bzw. zum Recycling. Der digitale Zwilling enthält zum einen statische Daten zum Fahrzeug – also Angaben zur Software, Elektronik und Mechanik oder zum physikalischen Verhalten. Dazu werden während des Lebenszyklus dynamische Daten gesammelt, wie sie die Fahrzeug-Sensoren liefern. Dieser Ansatz ist nicht nur auf ganze Fahrzeuge anwendbar, sondern kann auch auf für einzelne Komponenten und Baugruppen ausgerollt werden. Es entsteht ein virtuelles Bild eines Objektes, das Planung und Vergleich unterschiedlicher Szenarien ermöglicht. Durch die verarbeiteten Daten sollen Entwicklungsschritte und Fahrzeugbetrieb simuliert und validiert werden, um beispielsweise Fehler früh zu erkennen. Wie individuell und komplex das Fahrzeug ist, spielt für den Zwilling keine Rolle, solange die verfügbare Datenmenge groß genug ist und mit den Merkmalen des realen Objekts korreliert. Je begrenzter die Datenmenge, desto abstrakter wird das virtuelle Modell. Für viele Aufgaben reicht ein gröberes Modell jedoch aus, das einfacher und kostengünstiger zu entwickeln ist. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Genauere Modelle
Um Änderungen am Auto digital abbilden und noch genauere digitale Zwillinge erstellen zu können, gilt es mittels Sensoren und Schnittstellen stetig Informationen auszutauschen. Das Fahrzeug sendet dabei Daten in Echtzeit zum digitalen Zwilling. Diese werden mit aktuellen und historischen Informationen bekannter Objekte abgeglichen. Einzelne Erfahrungswerte können so flottenübergreifend genutzt und zur Verbesserung bzw. Erweiterung zukünftiger Autos genutzt werden. Je mehr Instanzen eines abgebildeten Objekts existieren, desto exakter kann ein digitaler Zwilling implementiert werden. Ein weiteres Beispiel für den digitalen Zwillings in der Automobilindustrie ist die Batterie in Elektroautos. Mit einem digitalen Abbild lässt sich der gesamte Lebenszyklus und die Ladehistorie parallel zur realen Nutzung beobachten. In der Folge können z.B. Empfehlungen für die Nutzung, das Batterie- und Lademanagement entwickelt sowie Hinweise auf das optimale Timing für Reparatur und Wartung abgeleitet werden.
Verschiedene Modelle
Für die Implementierung eines digitalen Zwillings können verschiedene Modelltypen gewählt werden. Sie unterscheiden sich vor allem bei ihrer Modellgenauigkeit, der Modelltransparenz und ihrer Komplexität. Welches Modell sich für welchen Anwendungsfall eignet, ist nicht pauschal zu beantworten und muss im Einzelfall bestimmt werden. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Das mathematisch-physikalische Modell bietet die Möglichkeit, auf Basis weniger Lerndaten und fester Regeln Einblicke in Prozesse zu gewinnen. Die Ergebnisse, die durch eine mathematische Funktion oder einen Computeralgorithmus dargestellt werden, sind zuverlässig, verständlich und in der Regel kostengünstig im Betrieb. Allerdings ist die Entwicklung des Modells aufwendiger und die Prozesse, auf die es angewendet werden kann, hängen vom eingebrachten Domänenwissen ab.
Dynamischer und anpassungsfähiger sind KI-Modellierungen. Die Methode ist zudem kostengünstiger in der Entwicklung und erfordert weniger Vorwissen zur spezifischen Aufgabe. Für Anwendungsfälle, zu denen eine große Datenbasis vorliegt, ist sie besonders geeignet. Es gilt, je mehr Daten, desto genauer die Ergebnisse. In der Modellkomplexität, die durch die großen Datenmengen erreicht werden kann, liegt jedoch zugleich der Schwachpunkt. Die Ergebnisse von KI-Modellierungen sind zwar in der Regel sehr genau, die zugrundeliegende Entscheidungslogik bleibt jedoch häufig im Dunkeln und schränkt daher die Ableitung von Management- und Strategieentscheidungen ein Stück weit ein.
Allerdings gibt es auch Kombinationen aus beiden Modelltypen. Dafür wird zunächst ein mathematisches Modell entwickelt, das auf Basis vorhandenen Domänenwissens die Prozesse grob erfasst. Im nächsten Schritt wird dieses Modell durch eine KI erweitert. Die KI korrigiert Abweichungen, schließt Lücken und liefert genauere und transparentere Ergebnisse. Je trainierter das Modell ist, desto genauer die Erkenntnisse. Entwicklungskosten und -aufwand sind dabei leicht erhöht, die Wartungskosten dafür oft geringer.
Prozesse verstehen
Der Erfolg der Implementierung hängt unabhängig vom Modell davon ab, wie tief das Verständnis der zugrundeliegenden Prozesse ist und wie viele Daten, etwa Domänenwissen sowie empirische Daten und Sensordaten vorhanden sind. Dafür muss eine Konnektivität zwischen einzelnen Objekten bestehen und Betrieb bzw. Wartung steuerungsfähig sein. Unternehmen, die Mut zum Experimentieren, ein agiles Mindset, geeignete Hard- und Prozessinfrastrukturen und eine robuste Police in den Bereichen Sustainability und Digital Responsibility mitbringen, sind gerüstet, die Vision des digitalen Zwillings voranzubringen. Im Ergebnis kommen diese Firmen dem Zielbild eines datengetriebenen Unternehmens näher, das mit positiven Kosten-, Zeit- und Nachhaltigkeitseffekten verbunden ist.
