Einsatz digitaler Schatten in der Teilefertigung

Einführung

Die fortschreitende technologische Entwicklung hat Simulationstechnologien zu einem unverzichtbaren Bestandteil moderner Anlagenentwicklungsprozesse gemacht. Aufgrund von Herausforderungen wie Lieferengpässe bei der Steuerungshardware, dem Fachkräftemangel an Steuerungsprogrammierern und dem Druck zu immer kürzeren Time-to-Market-Zeiten, gewinnt die virtuelle Inbetriebnahme (VIBN) zunehmend an Bedeutung [1, 2]. Die VIBN als zentraler Anwendungsfall des digitalen Zwillings, bietet erhebliche Vorteile in den Bereichen Qualität, Zeitersparnis und Kosteneffizienz im Maschinen- und Anlagenbau [3]. Sie stellt eine zukunftsweisende Methode in der Automatisierungstechnik dar, die es ermöglicht, Maschinen und Anlagen bereits vor ihrer physischen Fertigstellung zu testen und zu optimieren. Der generische Ablauf einer virtuellen Inbetriebnahme basiert auf einem vorhandenen CAD-Modell des Produkts und der Anlage, das um kinematische und mechatronische Informationen ergänzt wird, um Bewegungsabläufe und physikalische Interaktionen abzubilden. Anschließend erfolgt die Simulation, optional zunächst mit einer internen Ablaufsteuerung und schließlich mit dem realen SPS-Code, um die Steuerungslogik unter realistischen Bedingungen zu testen. Auf diese Weise können Planungsdaten überprüft und angepasst werden, sodass potenzielle Fehler frühzeitig erkannt und korrigiert werden können – noch bevor die Systeme tatsächlich in die Produktion gehen. Beispielsweise konnten Schamp et al. [4] im Bereich der modellbasierten Überprüfung der Steuerungslogik eine Qualitätsverbesserung von 31 % und eine Reduktion der tatsächlichen Inbetriebnahmezeit von 73 Prozent nachweisen. Für die erfolgreiche Technologieeinführung der virtuellen Inbetriebnahme helfen Leitfäden wie der des VDMA [3] oder die 3-Phasen-Implementierung [5]. Nach der Fertigstellung und Auslieferung einer Anlage werden VIBN-Modelle oft archiviert und bleiben ungenutzt. Ohne eine nachhaltige Integration in den laufenden Betrieb erscheint das Kosten-Nutzen-Verhältnis aktuell ungünstig, was ihren Einsatz häufig unwirtschaftlich macht. In einer zunehmend vernetzten Produktionswelt mit hoher Verfügbarkeit von Maschinendaten wird die Weiterverwendung von Simulationsmodellen und deren Einsatz diskutiert [6]. Die wirtschaftliche Bedeutung von digitalen Zwillingen im Maschinenbau wächst stetig. Der Markt für digitale Zwillinge wurde 2023 auf 12,91 Milliarden USD geschätzt und soll bis 2032 auf 259,32 Milliarden USD anwachsen, was einer jährlichen Wachstumsrate (CAGR) von 39,8 Prozent entspricht [7]. Gleichzeitig besteht Forschungsbedarf zur gewinnbringenden Nutzung von Daten und deren Verarbeitung zwischen den Akteuren der Produktionskette. Das betrifft auch die Entwicklung neuer Geschäftsmodelle. Ansätze wie das Industrial Metaverse unterstreichen zusätzlich die Notwendigkeit, virtuelle und reale Welten enger zu verzahnen [8]. Bild 1 zeigt die Vorteile der VIBN und die mögliche, anschließende Nachnutzung.

Bild 1

Einsatz der VIBN und die Erweiterung um den digitalen Schatten (eigene Darstellung)

Der Begriff „digitaler Zwilling“ wird je nach Anwendungsbereich und Zielsetzung unterschiedlich definiert [9]. Während eine Definition den Fokus auf die Echtzeitverknüpfung von physischen und virtuellen Objekten legt [10], betont eine andere die Nutzung von Datenmodellen zur Optimierung von Prozessen und Produkten [11]. In diesem Artikel wird, wie in Bild 2 dargestellt, zwischen digitalen Modellen, digitalen Schatten und digitalen Zwillingen unterschieden [12]:

Bild 2

Definition digitaler Schatten nach [12, 13]

1. Ein digitales Modell ist eine digitale Darstellung eines bestehenden oder geplanten physischen Objekts, die keine Form des automatisierten Datenaustausch zwischen dem physischen Objekt und dem digitalen Objekt verwendet. [...] Eine Änderung des Zustands des physischen Objekts hat keine direkten Auswirkungen auf das digitale Objekt und umgekehrt [12].

2. Bei einem automatisierten Datenaustausch zwischen Entität und Modells, spricht Kritzinger von einem digitalen Schatten. „Eine Zustandsänderung des physischen Objekts führt zu einer Zustandsänderung des digitalen Objekts, aber nicht umgekehrt“ [12].

3. Integriert man automatisierte Datenflüsse von der Entität zu dem Modell und umgekehrt, spricht Kritzinger von einem digitalen Zwilling. „Eine Zustandsänderung des physischen Objekts führt direkt zu einer Zustandsänderung des digitalen Objekts und umgekehrt“ [12].

Michael Grieves [13] ergänzt die Definition von Kritzinger, dass dem digitalen Zwilling immer eine reale Entität gegenüberstehen muss.

Digitale Zwillinge und digitale Schatten sind zentrale Technologien, um Prozesse und Maschinen virtuell abzubilden und damit kontinuierlich zu verbessern. In der praktischen Umsetzung gibt es jedoch noch einige Herausforderungen, wie es im Folgenden beschrieben wird. Lechler et al. [14] betonen, dass digitale Zwillinge eine wesentliche Rolle bei der virtuellen Inbetriebnahme spielen. Die größte Herausforderung liegt in der effizienten Erstellung der Modelle. Sie schlagen vor, dass Komponentenhersteller ihren Kunden digitale Repräsentationen ihrer Produkte zur Verfügung stellen sollten. Werner et al. [15] weisen darauf hin, dass heutige datengetriebene Modelle in der vorausschauenden Instandhaltung an ihre Grenzen stoßen. Sie schlagen hybride Ansätze vor, die reale Sensordaten mit Simulationsmodellen zu kombinieren, um einen digitalen Zwilling zu erstellen. Schwarz-Gsaxner et al. [16] zeigen, wie digitale Schatten zur Berechnung von Prozessparameter genutzt werden können. Die Integration dieses Ansatzes in den Produktionsalltag steht noch aus. Barbieri et al. [17] schlagen eine Methode vor, welche die virtuelle Inbetriebnahme nutzt, um digitale Zwillinge in Fertigungssysteme zu integrieren und zu testen. Deren Ansatz zur Implementierung von Job-Scheduling zeigt den Mehrwert eines digitalen Zwillings. Der Ansatz behandelt jedoch nicht die Synchronisierung des Zwillings auf Aktorebene. Carliert et al. [18] untersuchen die Verwendung paralleler Simulationen von Roboterbewegungen. Es wird eine separate Steuerungslogik eingesetzt, ohne jedoch die Parameterschätzung diskreter Elemente zu behandeln. Stecken et al. [19] zeigen, dass die Verknüpfung von Modellen aus der virtuellen Inbetriebnahme mit realen Betriebsdaten aufgrund technischer Hürden wie fehlender Interoperabilität zwischen Softwaretools und der Heterogenität der Systeme sowie organisatorischer Barrieren wie unterschiedlichen Datenverantwortlichkeiten und mangelndem IP-Schutz schwierig ist.

Im Folgenden beleuchtet dieser Artikel die technische Umsetzung zur Integration von VIBN-Modellen in den operativen Produktionsbetrieb, insbesondere für Sondermaschinen in der diskreten Teileproduktion. Es wird gezeigt, wie VIBN-Modelle durch die Anreicherung mit aktuellen Anlagendaten zu digitalen Schatten weiterentwickelt werden können, wodurch ihre Anwendungsdauer verlängert und eine nachhaltige Nutzung ermöglicht wird. Anhand von praxisnahen Anwendungsfällen wird verdeutlicht, wie diese erweiterten Modelle für Betreiber und Anlagenbauer gleichermaßen Effizienz, Transparenz und wirtschaftliche Mehrwerte schafft. Dies erhöht die Wirtschaftlichkeit der VIBN und rechtfertigt somit eine Investition in diese Technologie.

Technische Umsetzung

Die industrielle Produktion kann in zwei Hauptkategorien unterteilt werden: Während die kontinuierliche Produktion stetige Prozesse wie in der Chemie- oder Lebensmittelindustrie umfasst, konzentriert sich die diskrete Produktion auf die Verarbeitung einzelner Bauteile, wie sie beispielsweise im Bereich der Konsumgüter, Elektronik- oder Automobilindustrie vorkommen. Die technische Umsetzung des digitalen Schattens in der diskreten Teileproduktion fokussiert sich auf die Aktorebene und umfasst Ansätze wie die Erfassung von Prozessdaten (PDO), einschließlich des E/A-Abbilds, die Modellanregung, eine dynamische Initialisierung und die Synchronisation zwischen realer Anlage und Simulationsmodell. Dabei werden zwei Ansätze zur Modellanregung unterschieden: getrennte oder gemeinsam genutzte Steuerungen [20, 21]. In der vorliegenden Methodik wird eine gemeinsame genutzte Steuerung verwendet, bei der die reale Anlage als Führungsgröße dient. Rückmeldungen aus der Simulation an die SPS werden bewusst nicht betrachtet, um Produktionsunterbrechungen durch potenzielle Ausfälle des Simulationsmodells auszuschließen. Hierbei werden Prozessdaten aus der Steuerung über offene Protokolle, wie beispielsweise OPC UA oder MQTT, oder proprietäre Protokolle, wie z. B. Beckhoff ADS, Siemens S7 oder Rockwell CIP, an das Simulationsmodell übertragen. Bild 3 illustriert den Informationsfluss und die Parameterschätzung.

Bild 3

Technische Umsetzung des Informationsflusses und der Parameterschätzung (eigene Darstellung)

Die Datenerfassung umfasst kontinuierliche und ereignisdiskrete Maschinensignale [21]. Während kontinuierliche Signale, wie beispielsweise die kontinuierliche Position einer Roboterachse, eine feingranulare Datenverarbeitung erlauben, erfordern ereignisdiskrete Daten, wie z. B. eines pneumatischen Aktors, eine Interpolation, um Zwischenzustände zuverlässig schätzen zu können. Das Beobachterprinzip, basierend auf dem Luenberger-Ansatz [22], wird hierzu eingesetzt, um aus den vorhandenen Messdaten nicht direkt erfassbare Zustände abzuleiten. Zur simulationsseitigen Kollisionsvermeidung in eventdiskreten Systemen wurde eine wie in [23] beschriebenen Methode „Pre-Scheduling“ verwendet. Hierbei agieren simulierte Aktoren stets minimal schneller als ihre realen Gegenstücke, um Abweichungen in der Synchronisation zu kompensieren. Dies wird durch eine kontinuierliche Anpassung der Bewegungsparameter erreicht, die auf gemessenen Zeitdifferenzen zwischen Simulation und Realität basiert. Für die Umsetzung dieser Methodik müssen Simulationsmodelle und Tools spezifische Anforderungen erfüllen:

1. Mögliche Abweichungen vom Planungszustand, wie z. B. Positionsabweichungen oder kurzfristig geänderter Hardware müssen kontinuierlich angepasst und aktualisiert werden.

2. Weiterhin müssen die Modelle zur Simulationslaufzeit parametrierbar sein, um systematische Abweichungen zu korrigieren.

3. Das System muss die Live-Kommunikation zwischen Modell, Steuerung und externen Teilnehmern unterstützen.

Anwendungsbeispiele für den digitalen Schatten

Zur Identifikation von Verbesserungspotenzialen in der diskreten Produktion wird die Kennzahl Overall Equipment Effectiveness (OEE) herangezogen. Diese umfasst drei zentrale Faktoren, die Verfügbarkeit der Anlagen, die Leistungseffizienz bezogen auf die maximale Kapazität und die Qualität der produzierten Teile. Die nachfolgenden Anwendungen verdeutlichen, wie der Einsatz von digitalen Schatten dazu beitragen kann, diese Faktoren gezielt zu verbessern und den OEE nachhaltig zu steigern.

Cloud-Anwendungen

Ein Anlagenhersteller entwickelt digitale Zwillinge seiner Maschinen und stellt diese über eine Cloud-Plattform zur Verfügung. Kunden können diese Plattform nutzen, um ihre bestehenden Anlagen mit neuen Funktionen oder Komponenten zu modernisieren (Retrofit). Dabei bleibt der digitale Schatten selbst in der sicheren Umgebung der Cloud, wodurch das Know-how des Herstellers geschützt wird. Der Kunde erhält Zugang zu den Funktionen und Erkenntnissen, ohne Zugriff auf die zugrunde liegende Modellierung und Datenstruktur zu haben. Die Cloud-basierte Bereitstellung digitaler Zwillinge eröffnet neue Chancen für Wertschöpfung und Geschäftsmodelle, da sie durch nahezu unbegrenzte Skalierbarkeit und erweiterte Datenanalysen den Zugang erleichtert, wie auch der VDI-Statusreport hervorhebt [24]. Gleichzeitig zeichnet sich laut dem VDI Statusreport [24] die Entwicklung hin zu einer Hybridplattform ab, bei der Echtzeitanwendungen bevorzugt auf Edge-Servern vor Ort (on-premises) ausgeführt werden könnten, während die Cloud für umfangreichere Analysen und Berechnungen genutzt wird. So können Abrechnungsmodelle wie beispielsweise nutzungsbasierte Gebühren oder abonnementbasierte Zugänge angeboten werden, die eine flexible Nutzung der Plattform ermöglichen. Die noch technisch herausfordernde Echtzeitanbindung des digitalen Schattens gewährleistet, dass Kunden jederzeit Zugriff auf aktuelle Daten und Analysen haben. Dies erhöht sowohl die Effizienz als auch die Qualität von Entscheidungen. Eine solche Lösung bietet entscheidende Vorteile: Der Hersteller schützt sein Know-how, da der digitale Schatten nicht direkt herausgegeben wird, und kann gleichzeitig kontinuierliche Updates und Analysen bereitstellen. Kunden profitieren von einer sicheren und effizienten Lösung für Simulationen, Schulungen und Retrofit, ohne selbst in komplexe Technologie investieren zu müssen [32]. Die Blockchain-Technologie könnte eine Möglichkeit zur Synchronisation bieten, da sie Aktualisierungen in BlockNet ermöglicht und eine sichere Plattform für die Echtzeit-Synchronisation von Daten zwischen physischen Entitäten und ihren virtuellen Gegenstücken in der virtuellen Realität bietet. Dies wird durch BlockNet ermöglicht, das die Sicherheit des digitalen Abbildungsprozesses des Internets der Dinge gewährleistet und dadurch die Datenzuverlässigkeit von digitalen Zwillingen verbessert [33]. Bild 4 stellt die beschriebenen Anwendungsbeispiele in einer Cloudplattform dar.

Bild 4

Anwendungsbeispiele des digitalen Schattens (eigene Darstellung)

Zusammenfassung und Ausblick

Die Nutzung digitaler Schatten bietet erhebliches Potenzial, wie es in den Anwendungsbeispielen dargestellt wurde. Ausschlaggebend für den zugeschriebenen Mehrwert ist die virtuelle Inbetriebnahme, die nicht nur zur Validierung von Modellen in frühen Entwicklungsphasen dient, sondern auch deren Einsatz im laufenden Betrieb unterstützt. Diese Investition ist sinnvoll, da sie die Basis für zukunftsorientierte Digitalisierung legt und den Übergang von herkömmlichen zu datengetriebenen, hybriden Optimierungen erleichtert. Gleichzeitig bleiben die effiziente Erstellung und kontinuierliche Anpassung dieser Modelle eine Herausforderung. Bezogen auf Brownfield-Anlagen besteht eine wesentliche Herausforderung in der Generierung dieser Modelle. Gegenwärtig werden die digitalen Modelle aufwändig manuell erzeugt, was zeitintensiv und fehleranfällig ist. Die automatisierte bzw. teil-automatisierte Erzeugung und Abgleich dieser digitalen Modelle ist essenziell, um den Prozess effizienter und wirtschaftlicher zu gestalten. Perspektivisch ist eine Generierung der Visualisierungs- und Verhaltensmodelle basierend auf 3D-Scans oder Busanalysen denkbar [30]. Dabei stehen insbesondere die automatische Erkennung und Klassifizierung von Komponenten sowie die Modellierung des Anlagenverhaltens im Fokus, um eine präzise und skalierbare Lösung zu schaffen.

Eine weitere Herausforderung liegt in der Verknüpfung von Modellen aus der virtuellen Inbetriebnahmephase mit realen Betriebsdaten. Diese Modelle werden oft vom Maschinenhersteller erstellt und sind nicht unmittelbar für den Betreiber verfügbar. Eine Lösung könnte eine hybride Plattform sein, die es beiden Seiten ermöglicht, ihre Daten und geistiges Eigentum zu schützen. Ein abonnementbasiertes Geschäftsmodell kann dabei sicherstellen, dass der Betreiber Zugriff auf aktuelle Modelle und Simulationsdaten erhält, während der Hersteller über eine Cloud-Plattform die Kontrolle über seine IP bewahrt.