Ein digitaler Zwilling in der Fertigung ist eine synchronisierte virtuelle Darstellung eines Assets, Prozesses, einer Linie oder Fabrik für eine klar definierte Betriebsentscheidung. Er verbindet ein Modell mit aktuellen oder regelmäßig aktualisierten Daten, um Verhalten zu beobachten, Ursachen zu diagnostizieren, Ergebnisse vorherzusagen und Änderungen zu testen. Entscheidend ist nicht, ob ein Zwilling existiert, sondern welche Entscheidung er verbessert und wie seine Aussagekraft nachgewiesen wird.
Zweckgerechtes Modell
Verbundener Betriebskontext
Validierte Szenarioentscheidungen
Mit der Entscheidung beginnen, nicht mit 3D
Ein digitaler Zwilling ist nicht nur Dashboard, CAD-Modell oder Einmalsimulation. NIST beschreibt synchronisierte Modelle zum Darstellen, Diagnostizieren, Vorhersagen und Optimieren. Die nötige Aktualität hängt vom Anwendungsfall ab.
Zuerst eine Entscheidung festlegen: Puffer, Reihenfolge, Personal, Wartung oder Produktmix. Systemgrenze, Horizont, Verantwortliche und zulässige Abweichung definieren.
- Entscheidung und Eigentümer
- Physische Grenze und Zeithorizont
- Ergebnis und zulässige Unsicherheit
- Begründete Aktualisierungsfrequenz
Nur die erklärenden Daten verbinden
Mit vorhandenen PLC-, IoT-, Historian-, MES-, ERP-, Wartungs-, Qualitäts- und CSV-Daten starten. Jedes Feld einem Modellbegriff zuordnen und Quelle, Einheit, Zeitstempel und Qualität erhalten.
Mehr Daten sind nicht automatisch besser. ML dort einsetzen, wo es Evidenz liefert, etwa für anomale Zyklen oder Ausfallverteilungen, und Transformationen nachvollziehbar halten.
- Asset-Identität und Zeitsynchronisierung
- Zustände, Mengen, Takte, Ausfälle und Qualität
- Aufträge, Mix, Wege, Schichten und Personal
- Fehlwertregeln, Herkunft und Zugriff
Modelltreue nach Entscheidungsbedarf wählen
Ein zweckgerechter Zwilling kann Ereignissimulation für Fluss, physikalische Modelle für Anlagen und Statistik oder KI für unsichere Eingaben verbinden. Zusätzliche Details erhöhen Kalibrieraufwand und Fehlermöglichkeiten.
Beobachtete Werte von Schätzungen trennen und Annahmen dokumentieren. Das Modell soll die Entscheidung tragen, nicht die ganze Fabrik universell kopieren.
Vor Empfehlungen validieren
Verifikation prüft die korrekte Implementierung; Validierung die ausreichende Abbildung der Realität. Normale und ungewöhnliche Zeiträume vergleichen und Durchsatz, Warteschlangen, Durchlaufzeit, Stillstand, Qualität und Ereignisfolge prüfen.
Unsicherheit quantifizieren und nach Änderungen an Produkt, Prozess, Sensorik oder Steuerung neu validieren. Präzise Zahlen können trotzdem falsch sein.
- Verifizieren
Logik, Einheiten, Wege und Wiederholbarkeit prüfen.
- Kalibrieren
Unsichere Eingaben aus repräsentativen Daten schätzen.
- Validieren
Mit nicht zur Anpassung verwendeten Perioden vergleichen.
- Unsicherheit zeigen
Bandbreiten und entscheidende Eingaben benennen.
- Governance sichern
Eigentümer, Trigger und Freigaben festlegen.
Prognosen in kontrollierte Verbesserung übersetzen
Basis und explizite Gegenfaktual-Szenarien vergleichen. Ergebnis, Annahmen, Sicherheit, Aufwand sowie Sicherheits- und Qualitätsrisiken zeigen. KI findet Kandidaten, Simulation prüft Systemwirkung, Menschen entscheiden.
Nach Umsetzung Ist-Ergebnis und Prognose vergleichen und das Modell aktualisieren. Dieser Lernkreis macht den Zwilling zur CI-Infrastruktur.
Praxis-Checkliste
- Entscheidung und Eigentümer benennen.
- Grenze, Horizont und Aktualisierung festlegen.
- Nur erforderliche Daten verbinden.
- Einheiten, Zeiten, Herkunft und Qualität erhalten.
- Modelltreue an Risiko ausrichten.
- Mehrere Verhaltensweisen mit ungesehenen Daten validieren.
- Unsicherheit zeigen und menschliche Freigabe verlangen.
Häufige Fragen
Fragen vor der Anmeldung
Quellen und Vertiefung
Maßgebliche Referenzen für Recherche und Prüfung dieses Leitfadens.