Kommentar von Andreas Müller, Aras Digital Twin – die Zukunft in der Produktion

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

INFOMOTION GmbH

QUNIS GmbH

Aras Corp

Digital Twins setzen sich zunehmend durch: Laut Gartner verwenden 75 Prozent der Organisationen, die IIoT (Industrial Internet of Things) implementieren, bereits den Digital Twin oder planen dies innerhalb eines Jahres zu tun. Das Konzept entwickelt sich so zu einem wichtigen Teil einer Predictive-Analytics-Strategie. Die meisten Organisationen sind jedoch noch nicht über das Pilotenstadium hinausgekommen und setzen es nicht in großem Maßstab ein. Warum aber ergreifen viele Unternehmen noch nicht die Möglichkeiten, die der Digital Twin ihnen bietet?

Um seine Einführung attraktiver zu gestalten, setzen Anbieter bei ihren Lösungen zur Unterstützung des Digital Twin auf einfache Bedienbarkeit. Beispielsweise bieten die Hersteller digitale Modelle aus CAD oder Simulationen an und bilden diese als exakte Darstellung des Produkts oder der Anlage ab, die in diesem Bereich hergestellt wurde oder im Einsatz ist – mitunter ändert sich über die Lebenszeit aber einiges.

Die Definition des Begriffs „Digital Twin“ hat sich in den letzten Jahren bereits verfestigt. Jedoch gerät diese Festlegung bei Pilotprojekten teilweise in Vergessenheit. Zwar müssen Unternehmen für die genaue und individuelle Konfiguration des Produkts oder der Anlage sorgen, doch die dafür implementierten Lösungen sind dazu nicht in der Lage. Wird allerdings dieses Problem behoben, werden die Weichen für alles andere – einschließlich Leistungsüberwachung, IIoT, Predictive Analytics und Betriebssimulation – gestellt und somit ein erheblicher Mehrwert für die Organisation geschaffen.

Gründe für die erfolglose Implementierung des Digital Twin

Ein Modell, ob basierend auf CAD, Simulation, technischer Stückliste (EBOM) oder Fertigungsstückliste (MBOM), ist für sich gesehen kein Digital Twin. Ein Digital Twin ist es erst dann, wenn die Herstellung des Produkts abgeschlossen ist. Man spricht hier auch von serialisierten Produkten – jedes gefertigte Produkt mit einer Seriennummer erhält einen Digital Twin. Alle anderen Informationen, die vor diesem Zeitpunkt erstellt werden, beziehen sich auf technische Aspekte und gelten als Digital-Thread-Daten, auf die die einzelnen Konfigurationen des Digital Twin zugreifen können.

Oft versäumen es Unternehmen bei der Implementierung des Digital Twin, sich auf die Technologien zu konzentrieren, die mitteilen können, was für die Erfassung der entsprechenden Betriebs- und Leistungsdaten benötigt wird. Sie unterlassen es auch, den aktuellen Ist-Zustand einer Anlage zu einem bestimmten Zeitpunkt zu erfassen. Hier schafft ein Digital Twin einen greifbaren Mehrwert.

Predictive Analytics und IIoT-Projekte zum Scheitern verurteilt

Wenn es Organisationen nicht schaffen, ihre Konfiguration der Digital Twins in den Kontext von Entwicklungsdaten zu bringen, werden sie bei der Implementierung von Technologien wie IIoT und Predictive Analytics nur Anhaltspunkte, aber keine genauen Ergebnisse bekommen. Organisationen können alle gewünschten Betriebs- und Leistungsdaten über ein Asset sammeln. Sobald ein Asset aber aus dem System entfernt wird, wird die mit diesem Asset verbundene Betriebshistorie verloren gehen. Wenn die Daten dem System allerdings selbst folgen, bleiben die Daten „in Context“ und eine lückenlose Nachverfolgung wird erreicht.

Betrachtet man beispielsweise die Entwicklung und dann Produktion eines Flugzeugs, so stellt man fest, dass zu Beginn alle Daten – auch die Lebensdauer betreffend – nahtlos mit dem echt produzierten Produkt zusammenfließen und sich sehr genau beschreiben lassen. Wenn jedoch über die Lebenszeit einzelne Teile durch neuere ersetzt werden, verändert dies die Parameter der Betriebslebensdauer. Aktualisiert man den Kontext des Flugzeugs nicht ständig, gehen wichtige Informationen verloren und die gültige Gesamtkonfiguration ist nur noch sehr schwer nachzuvollziehen. Eine Konsequenz könnte sein, dass eine notwendige Wartung angezeigt wird, obwohl tatsächlich kein Eingriff erforderlich ist – und so Arbeitsstunden und Systemproduktivität verschwendet werden.

Damit Predictive Analytics oder IIoT effektiv wirken können, ist der Kontext des Systems erforderlich. Organisationen müssen über die geeigneten Technologien und Prozesse verfügen, um die Betriebsdaten im Kontext der alten Konfiguration und im Kontext der neuen Konfiguration zu sehen – damit sie eine genaue Darstellung dessen erhalten, was tatsächlich im System verbaut ist. Organisationen sollten die physische Konfiguration der Anlage als Teil ihrer Predictive-Analytics-Algorithmen berücksichtigen, um die richtigen Schlüsse ziehen zu können, anstatt nur einen aggregierten Durchschnitt zu schätzen.

Der Digital Twin als effektiver Teil der Technologiestrategie

Bisher – so das Vorurteil – galt, dass die Industrie sich für die Betriebsphase Ihrer Produkte nur sehr bedingt interessiert („aus der Fabrik, aus dem Sinn“). Heute, so muss man feststellen, sind Daten aus dem Feld Gold wert: nicht nur weil sie wichtiges Feedback in die Entwicklung zurück liefern, sondern weil sich in einem IIoT-Szenario neue Geschäftsmodelle ergeben, die so früher nicht vorstellbar waren.

Um allerdings die vielfältigen Einsatzmöglichkeiten des Digital Twin über den gesamten Systemlebenszyklus zu realisieren, benötigt man auch ein flexibles und dynamisches Datenmodell, das in der gewählten Technologie verankert ist. Nur solch ein Datenmodell wird die sich entwickelnden Bedürfnisse und verschiedenen Konfigurationen des Digital Twin je nach Anwendungsfall unterstützen können. Starre Systeme, die mit dem Label „Out of the box“ kommen, sind vor dem Hintergrund der notwendigen Agilität nicht mehr einsetzbar.

Unternehmen sollten ihre Strategie für den Einsatz des Digital Twin mit der Erfassung und dem Management der tatsächlichen physischen Konfiguration des Assets beginnen. Das bedeutet, dass sie die Seriennummern der Komponenten kennen müssen, aus denen das Endprodukt besteht, etwa wie viele Schrauben zur Befestigung einer Komponente dienen, welcher Drehmomentwert auf diese Schrauben angewendet wurde und welche Softwareversionen installiert sind. All das sollte sich zu einer digitalen Darstellung der physischen Konfiguration der Anlage zusammenfügen – ein Prozess, der heute in der Industrie fehlt.

Hierzu muss bekannt sein, welche Ressourcen innerhalb der Systeme vorhanden sind, die betrieben und gewartet werden. Beispielsweise ist es nicht sehr hilfreich, eine Übertemperaturwarnung zu erhalten, aber nicht zu wissen, um welches Objekt es sich handelt oder wie es reagieren wird. Die Modellnummer der Anlage, die Seriennummer, die Wartungshistorie und ihre Betriebshistorie sollten bekannt sein, um festzustellen, ob die betreffende Anzeige tatsächlich vor einer Übertemperatur warnt.

Der richtige Start und die richtige Erwartungshaltung

Der Startpunkt hängt weitgehend von der Position des Benutzers innerhalb des Lebenszyklus ab. Handelt es sich etwa um eine Wartungswerkstatt, markieren die Erstellung von Inspektionsaufzeichnungen oder die Nachverfolgung von Teilen den Anfang. Dabei muss sichergestellt sein, dass die Daten nicht auf Papier, sondern digital aufgezeichnet werden. Insbesondere sollten die Daten in einer Datenbank gespeichert werden, auf die über offene APIs zugegriffen werden kann. Ferner sollte sie durchsuchbar und überprüfbar sein und ein dynamisches Datenmodell unterstützen, um den Kontext für jeden folgenden Anwendungsfall eines Digital Twin zu schaffen.

Im produzierenden Gewerbe sollten Unternehmen sicherstellen, dass ihre As-Built-Konfiguration so genau und detailliert wie möglich ist. Danach können sie damit beginnen, diese Konfiguration auf die Bereiche Prüffeld, Installation und Lieferung, Inbetriebnahme und Betrieb auszudehnen. Schließlich sollen Änderungen erfasst und verwaltet werden, die sämtliche Ereignisse im Produktionsprozess abdecken, etwa beim Einbau von Ersatzteilen, Wartung und Upgrades.

Idealerweise haben OEMs, Hersteller und Betreiber der Produktionsanlagen eine flexible und auf dem Anwendungsfall basierende Sicht auf die Konfiguration des Digital Twin – von der As-Built-Phase bis zur Außerbetriebnahme – während die damit verbundene Historie in der gesamten Organisation genutzt werden kann.

Wenn Organisationen diesen Punkt erreichen, wird dies die Weise, wie Produkte entwickelt, produziert und gewartet werden, revolutionieren. Die Zukunft heißt: den Digital Twin nutzen, um den Betrieb eines Systems mit dem Engineering zu vernetzten und auf Basis dessen mit digitaler Unterstützung besser Entscheidungen treffen zu können.

(ID:47039824)