SSV Software

Der digitale Zwilling als Add-on

27. April 2023, 14:09 Uhr | Klaus-Dieter Walter
© ASAP | Gorodenkoff | Shutterstock

In der IoT-Welt gehören digitale Zwillinge teilweise schon zum Lieferumfang. Mit einer solchen Software-Erweiterung als Zubehör lässt sich jede Facette eines Produkts, Prozesses oder einer Dienstleistung datentechnisch abbilden und vielfältig nutzen.

In der IoT-Welt gehören digitale Zwillinge teilweise schon zum Lieferumfang. Mit einer solchen Software-Erweiterung als Zubehör lässt sich jede Facette eines Produkts, Prozesses oder einer Dienstleistung datentechnisch abbilden und vielfältig nutzen.
Ein digitaler Zwilling ist die virtuelle (digitale) Darstellung eines physischen Objekts oder Systems über seinen Lebenszyklus hinweg unter Verwendung von Echtzeitdaten. Ein solches digitales Abbild lässt sich als Grundlage für Nachvollziehbarkeit, Wissenstransfer (Schulungen), Simulation möglicher Ereignisse, Optimierung und vorausschauende Wartung (Condition Monitoring, Predictive Maintenance), Inferenz von KI-Modellen sowie viele andere Aufgaben nutzen. Aktuelle Studien diskutieren inzwischen sogar die Möglichkeit, digitale Zwillinge zur Einbrucherkennung in Industrieanlagen (Intrusion Detection) einzusetzen.

Eine wichtige Teilaufgabe eines digitalen Zwillings ist die Datenintegration. Die jeweiligen Daten können aus verschiedenen Quellen stammen und zum Teil auch völlig unterschiedliche Formate aufweisen. Sie werden in der Regel über den gesamten Produktlebenszyklus in einer zentralen Datenbank gespeichert. Dort lassen sie sich je nach Bedarf miteinander verknüpfen, analysieren, für Visualisierungsaufgaben aufbereiten oder anderweitig verarbeiten.

Treibende Kräfte

Die Idee des digitalen Zwillings ist nicht neu. Größere Bekanntheit erlangte sie Anfang des 21. Jahrhunderts durch eine begriffsprägende Konzeptentwicklung von Michael Grieves und John Vickers in den USA. Erste Umsetzungen erfolgten in der Luft- und Raumfahrt. Im vergangenen Jahrzehnt wurde das Konzept des digitalen Zwillings zunächst in das Internet der Dinge integriert und anschließend mit Industrie-4.0-Ideen verknüpft. Inzwischen gibt es eine unüberschaubare Vielfalt von Forschungsbeiträgen verschiedener Universitäten weltweit und mindestens ebenso viele themenbezogene, aber marketingorientierte Beiträge verschiedener Unternehmen.

Aus technischer Sicht lassen sich drei Bereiche als „Enabler“ für digitale Zwillinge identifizieren: 1. Sensorik, 2. Datenverarbeitungs- und 3. Visualisierungsmöglichkeiten. In diesen unterschiedlichen Technologiesegmenten existiert ein hohes Innovationstempo, das den Praxiseinsatz digitaler Zwillinge weiter beschleunigen wird. Beim Sensoreinsatz sind im Moment die Kostenaspekte ein echter Show-Stopper: Werthaltige Anwendungen mit digitalen Zwillingen erfordern eine sehr hohe Sensoranzahl, um qualitativ hochwertige Echtzeitdatenbilder zu schaffen. Eine geeignete Sensorik ist aber teilweise zu teuer. Funktional reichen zwar schon wenige Sensoren, um etwa im Rahmen einer Condition-Monitoring-Applikation einen digitalen Zwilling zu realisieren. Der Anwendernutzen ist dann aber häufig unzureichend. Durch die Verbreitung von MEMS-Halbleitersensoren haben sich zwar schon deutliche Kostenreduktionen ergeben. Das reicht aber nicht aus. Der nächste größere Innovationsschritt mit gedruckten Sensoren (3D-printed Sensor Devices), Low-Power-Funkschnittstellen und Energy-Harvesting-Spannungsversorgung ermöglicht hochauflösende IoT-Datenbilder mit einem hoffentlich akzeptablen Preis/Leistungsverhältnis.

Hinsichtlich der erforderlichen Datenverarbeitungsmöglichkeiten kann man sich nach wie vor auf Moore’s Law und die Halbleiterhersteller verlassen. Rechenleistung und Speichermöglichkeiten wachsen beständig, die Schichtdicken in der Halbleiterfertigungstechnik verhalten sich gegenläufig. Für die Echtzeitdatenanalysen eines digitalen Zwillings wären allerdings weitere Fortschritte im Bereich der KI-Hardware-Beschleuniger hilfreich.

In Bezug auf die Daten- und Informationsvisualisierungsmöglichkeiten, die durch den Einsatz digitaler Zwillinge entstehen, dürfte besonders die virtuelle Realität (VR) und die erweiterte Realität (Augmented Reality, AR) eine bedeutende Rolle spielen. Mittels VR und den Daten eines digitalen Zwillings lassen sich Produkte und Anlagen realitätsnah simulieren, bevor sie gebaut werden. AR erlaubt zum Beispiel das Einblenden von kontextbezogenen Zustandsdaten aus dem digitalen Zwilling in das Livebild eines physischen Objekts, auf das der Kamerasensor eines Smartphones gerichtet wird. Kombiniert mit einem Zoom-in-Effekt lässt sich das Objekt zunächst aus der Vogelperspektive betrachten, um anschließend an Hand der eingeblendeten Daten den jeweils interessanten Teil zu vergrößern. Damit lassen sich dann beispielsweise virtuelle IoT-Serviceassistenten für Maschinen und Anlagen realisieren, die einen ungeschulten Benutzer vor Ort in die Lage versetzen, komplexe Wartungs- und Servicearbeiten auszuführen.

Verschiedene Zwillingsvarianten
 

Anbieter zum Thema

zu Matchmaker+
Der digitale Zwilling als Add-on
Zum Praxiseinsatz eines digitalen Zwillings gehören das Zusammenspiel verschiedener Komponenten und die Sensordaten eines physischen Objekts oder Systems. Die dadurch entstehenden Lösungsvarianten lassen sich durch die zur Verfügung stehenden Daten und die zum Einsatz kommenden Algorithmen anhand der Fähigkeiten und dem jeweiligen Realisierungsgrad klassifizieren.
© SSV Software

Im Rahmen der Planungsphase für den Einsatz eines digitalen Zwillings (DZ) sollte man sowohl den theoretischen als auch den praktischen Ist-Zustand untersuchen. Hilfreich ist dabei ein geeignetes Bewertungssystem. Eine recht brauchbare Orientierung bietet der Arup-Report „Digital twin: towards a meaningful framework“. Dort werden digitale Zwillinge anhand von vier verschiedenen Fähigkeiten und einen jeweils fünfstufigen Realisierungsgrad (Level) in verschiedene Kategorien eingeordnet. Dazu eine Übersicht in Arup-Metrik:

Autonomie: Diese Fähigkeit bewertet, inwieweit ein technisches System ohne menschliches Zutun agieren kann. Im Level 1 fehlt die Fähigkeit vollständig (der DZ speichert praktisch nur Daten und Informationen). Es agiert aber ausschließlich der Benutzer. Im zweiten Level bietet die DZ-Software bereits Eingabeaufforderungen und Benachrichtigen über bestimmte Zustände eines physischen Objekts als Benutzerunterstützung an. Im Autonomie-Level 3 ist ein DZ bereits in der Lage einen Alarm hinsichtlich eines bestimmten Systemzustands auszulösen und eine Schalthandlung vorzunehmen (z. B. eine Anlage im Falle einer Störung anzuhalten und eine rote Leuchte einzuschalten). Ein DZ mit Autonomie-Level-4-Merkmalen kann bestimmte Bedingungen überwachen und kritische Schalthandlungen mit geringen menschlichen Eingriffen ausführen. Im Level 5 kann der DZ anhand der Daten und Softwarefunktionen eine bestimmte Aufgabe mit dem korrespondierenden physischen Objekt beziehungsweise System ohne Benutzereingriffe sicher ausführen.

Intelligenz: Die Ausprägung dieser Fähigkeit hängt sehr von der zukünftigen KI-Entwicklung ab (z. B.: Was kann OpenAI-ChatGPT in 5 bis 10 Jahren? Wie verläuft die Weiterentwicklung kognitiver Systeme?). Level 1 bedeutet keine Intelligenz. Mit Level 2 reagiert der DZ bereits auf Reize, kann aber zuvor gewonnene Erfahrungen nicht nutzen, um die gegenwärtigen Handlungen zu beeinflussen. Ein Level-3-DZ ist bereits lernfähig, um seine Reaktion zu verbessern. Er kann des Weiteren aus historischen Daten lernen, um Entscheidungen zu treffen. Im Intelligenz-Level 4 berücksichtigt der DZ die Anforderungen (Bedürfnisse) anderer intelligenter Systeme. Im Level 5 ist der DZ durch den zukünftigen Stand der KI-Entwicklung eveventuell sogar in der Lage, so etwas wie ein virtuelles Selbstbewusstsein zu entwickeln.

Lernfähigkeit: Mit dieser Eigenschaft lassen sich die Machine-Learning-Fähigkeiten eines DZ bestimmen. Der Level 1-Realisierungsgrad bedeutet, dass im Software-Stack des DZ keinerlei maschinelles Lernen zum Einsatz kommt. Mit Level 2 werden Lösungen gekennzeichnet, die zumindest ein regelbasiertes Expertensystem zur Informationsgewinnung und -nutzung verwenden. Im Lernfähigkeits-Level 3 existiert ein aufgabenbezogenes Supervised-Machine-Learning-Modell, mit dem der digitale Zwilling jederzeit Inferenz-basierte Datenanalysen durchführen kann, also etwa Sensordatenbilder zu klassifizieren, um darin bekannte Muster zu erkennen. Im Level 4 werden Daten mit Hilfe von Unsupervised-Machine-Learning-Algorithmen ausgewertet, um beispielsweise in den zur Verfügung stehenden Sensordaten eine Anomalie zu erkennen (die Hauptaufgabe in diesem Level ist das automatisierte Finden von Datenclustern). Level 5 bedeutet, dass der DZ Reinforcement Machine Learning einsetzt. Diese Methode des maschinellen Lernens ermöglichet dem DZ mit Hilfe eines Belohnungssystems eigenständig eine Verhaltensstrategie zu erlernen und das Ergebnis in Bezug auf die Sensordatennutzung zu maximieren.

 

Das virtuelle Edge-Gateway
Der Autor: ist Mitglied der Geschäftsführung bei SSV Software.
© SSV Software Systems

Datengenauigkeit: Über die Ausprägung dieser Fähigkeit lässt sich die Abweichung des Daten- und Informationsbilds eines DZ vom tatsächlichen Zustand des physischen Objekts oder Systems bewerten. Im Level 1 ist die Genauigkeit so gering, dass der DZ bestenfalls einem konzeptionellen Modell entspricht. Level 2 steht für einen niedrigen bis mittleren Genauigkeitsbereich; aus dem Datenbild des DZ lassen sich allerdings brauchbare Messdaten zur weiteren Verwendung extrahieren. Über den Level 3 bietet der DZ eine mittlere Datengenauigkeit zum Zustand des physischen Objekts oder Systems. Mit einem Level 4-Realisierungsgrad beschreiben präzise Messdaten die tatsächlichen physischen Objekt- oder Systemzustände (die erzeugten Informationen besitzen eine sehr geringe Fehlerquote). Im Datengenauigkeits-Level 5 eignen sich die hochpräzisen Daten- und Informationsbilder bereits für die kritischen Betriebsentscheidungen eines vollständig autonomen Fahrzeugs.
 


Das könnte Sie auch interessieren

Verwandte Artikel

SSV Software Systems GmbH

SPS

SPS News

Videos