Leitfaden / Industrielle KI
Digitaler Zwilling in der Produktion: Welche Entscheidung soll er verbessern?
Eine Fertigungslinie lässt sich eindrucksvoll in 3D darstellen. Ob eine zusätzliche Schicht ihren Engpass beseitigt, beantwortet das Bild noch nicht. Dafür braucht es ein Modell der Abläufe und belastbare Daten über Zeiten, Störungen und Abhängigkeiten.
Ein digitaler Zwilling bildet ein konkretes physisches Objekt oder System digital ab und wird mit Informationen über dessen Zustand verbunden. Welcher Detailgrad und welche Aktualisierung nötig sind, ergibt sich aus der Aufgabe. Für einen mittelständischen Hersteller sollte die erste Frage deshalb lauten: Welche wiederkehrende Entscheidung möchten wir besser treffen?
Vier Dinge, die häufig verwechselt werden
Ein 3D-Modell kann Geometrie zeigen. Ein Dashboard stellt Messwerte dar. Eine Simulation untersucht das Verhalten unter angenommenen Bedingungen. Ein digitaler Zwilling kann solche Elemente verbinden, wenn sie sich auf eine identifizierte reale Anlage oder einen Prozess beziehen.
Die Begriffe werden unterschiedlich verwendet. Schreiben Sie deshalb in die Leistungsbeschreibung, was das System tatsächlich können soll. „Digitaler Zwilling des Werks“ ist als Abnahmekriterium zu unbestimmt.
NIST untersucht digitale Zwillinge für die Fertigung unter anderem mit Blick auf Implementierung, Tests und Standards. Für die Praxis ist dieser Prüfgedanke entscheidend: Ein Modell muss für seine beabsichtigte Nutzung validiert werden. Eine visuell überzeugende Darstellung reicht dafür nicht.
Ein sinnvoller Einstieg: den Engpass einer Linie prüfen
Angenommen, eine Linie produziert mehrere Varianten. Vor einer Investition soll das Team beurteilen, ob eine zweite Prüfstation den Durchsatz verbessert oder der Engpass anschließend zur Verpackung wandert. Dieses Beispiel ist eine mögliche Aufgabenstellung, kein Welf-Kundenbericht.
Dafür benötigen Sie nicht zwingend ein detailliertes 3D-Werk. Ein Ablaufsmodell mit Stationszeiten, Puffern, Variantenmix und Störungsverhalten kann näher an der Frage liegen. Reale Betriebsdaten helfen, Annahmen mit dem tatsächlichen Prozess abzugleichen.
Halten Sie den ersten Umfang eng: eine Linie, ein definierter Betriebszustand, eine Investitions- oder Planungsentscheidung. Die Erweiterung auf weitere Bereiche folgt erst, wenn die ursprüngliche Frage belastbar beantwortet werden kann.
Welche Daten braucht der digitale Zwilling?
| Entscheidungsfrage | Benötigte Informationen | Häufige Unsicherheit |
|---|---|---|
| Wo entsteht der Engpass? | Taktzeiten, Puffer, Störungen, Varianten | Unterschiedliche Erfassung von Stillständen |
| Wie wirkt ein anderer Produktmix? | Rüstfolgen, Bearbeitungszeiten, Ressourcen | Seltene Varianten sind kaum beobachtet |
| Wann ist eine Wartung sinnvoll? | Zustandsdaten, Historie, Ausfallmechanismen | Schadensbefunde fehlen |
| Was verändert den Energiebedarf? | Messwerte, Lastzustände, Produktionsbezug | Messgrenzen stimmen nicht überein |
Klären Sie, ob ein Wert gemessen, geschätzt oder aus einer Regel abgeleitet ist. Ein geschätzter Rüstaufwand darf im Ergebnis nicht wie eine präzise Messung erscheinen. Veraltete oder fehlende Daten müssen sichtbar sein, besonders wenn sich daraus Planungsvorschläge ergeben.
Welche Rolle spielt die Verwaltungsschale?
Die Asset Administration Shell, auf Deutsch Verwaltungsschale, bietet eine standardisierte Struktur für Informationen über industrielle Assets. Die IDTA veröffentlicht dafür Spezifikationen und Teilmodelle. Sie können helfen, Anlageninformationen zwischen Systemen nachvollziehbar auszutauschen.
Eine Verwaltungsschale ist jedoch nicht automatisch ein Simulationsmodell und auch keine fertige Prognose. Sie beantwortet eine andere Frage: Wie werden Informationen über ein Asset beschrieben und zugänglich gemacht? Die fachliche Logik für Ihren digitalen Zwilling muss weiterhin entwickelt oder passend integriert werden.
Prüfen Sie beim Datenaustausch die Bedeutung der Felder, Identifikatoren und Einheiten. Zwei Systeme können dasselbe Dateiformat unterstützen und trotzdem unterschiedliche Vorstellungen von „Stillstand“ verwenden. Ein Exporttest sollte deshalb einen fachlichen Wiederaufbau einschließen.
Validierung vor der Investitionsentscheidung
Lassen Sie das Modell zunächst einen beobachteten Zeitraum abbilden, der nicht für seine Anpassung verwendet wurde. Vergleichen Sie beispielsweise Durchsatz, Pufferbelegung und Stillstandsverteilung. Wo die Ergebnisse abweichen, muss das Team die Ursache untersuchen können.
Prüfen Sie anschließend, wie empfindlich die Empfehlung auf unsichere Annahmen reagiert. Ändert schon eine kleine Verschiebung der Rüstzeit die Investitionsentscheidung, sollte diese Unsicherheit in die Vorlage für die Geschäftsleitung. Eine einzelne scheinbar genaue Prognose wäre irreführend.
Definieren Sie Grenzen: Für welchen Variantenmix und Lastbereich gilt das Modell? Welche Umbauten erfordern eine neue Prüfung? Ein erfolgreich geprüfter Normalbetrieb belegt nicht automatisch die Eignung für seltene Störungen.
Wo KI ergänzt und wo sie nicht nötig ist
KI kann etwa Messmuster erkennen oder Teilmodelle aus Daten ableiten. Sie kann auch beim Auffinden relevanter Informationen helfen. Für transparente Abläufe kann eine regelbasierte Simulation ausreichen. Die Entscheidung für KI sollte aus einer konkreten Lücke im Modell folgen.
Ein Sprachmodell, das Ergebnisse erklärt, verändert nicht die Zuverlässigkeit der zugrunde liegenden Simulation. Trennen Sie berechnete Resultate, Annahmen und formulierte Erläuterung. Für zustandsbezogene Anwendungen vertieft der Predictive-Maintenance-Leitfaden die Anforderungen an Prognosen.
Wenn KI den digitalen Zwilling ergänzt
Der Leitfaden zu KI-gestützten digitalen Zwillingen vertieft Modellwahl, Datenarchitektur und Validierung. Für wiederholte Engineering-Rechnungen erklärt der Beitrag zu KI-Simulation und Surrogatmodellen, wann eine gelernte Näherung sinnvoll ist.
Was Ihrem Unternehmen zugänglich bleiben sollte
Vereinbaren Sie Zugriff auf Datenmodelle, Parameter, Schnittstellen und Validierungsfälle. Ihr Team sollte einen bekannten Szenariolauf reproduzieren und eine Modelländerung beurteilen können. Klären Sie Lizenz- und Nutzungsrechte für beteiligte Komponenten vor der Abhängigkeit von einem einzelnen Werkzeug.
Zur Wirtschaftlichkeit zählen Modellpflege, Datenanbindung und erneute Validierung nach Änderungen. Ein Zwilling, dessen Aktualisierung niemand verantwortet, verliert seinen Entscheidungswert. Der Leitfaden zur ERP- und MES-Integration beschreibt die Verbindung zu vorhandenen Systemen.
Welf entwickelt und integriert KI für industrielle Entscheidungen. Für ein erstes Gespräch ist eine konkrete Frage hilfreicher als ein vollständiges Modell des Werks. Entscheidungsfall mit Welf prüfen.