Leitfaden / Industrielle KI
KI und digitale Zwillinge: Vom Anlagenmodell zur besseren Entscheidung
Eine neue Produktvariante soll durch eine bestehende Linie laufen. Die Konstruktion kennt die Geometrie, die Produktion kennt den Engpass, und im Historian liegen die Messwerte. Trotzdem fehlt eine belastbare Antwort: Welche Einstellung liefert die geforderte Qualität, ohne den Energiebedarf oder die Ausschussquote zu erhöhen?
Ein KI-gestützter digitaler Zwilling verbindet das Modell einer konkreten Anlage oder eines Produkts mit Daten und lernenden Verfahren. Er kann Zustände schätzen, Varianten schneller vergleichen oder Handlungsvorschläge vorbereiten. Sein Wert entsteht dort, wo diese Ergebnisse eine wiederkehrende technische Entscheidung verbessern.
Für den deutschen Mittelstand ist dabei die vorhandene Substanz interessant: CAD-Modelle, Prozesswissen, Messreihen und Erfahrungen der eigenen Fachleute. Daraus lässt sich eine unternehmenseigene Fähigkeit entwickeln. Ein vollständiger Neubau der IT-Landschaft ist dafür keine Voraussetzung.
Was sich 2026 verändert
Am 6. Januar 2026 stellte Siemens den Digital Twin Composer vor. Die Ankündigung verbindet digitale Modelle und Betriebsdaten in einer gemeinsamen Umgebung. Im August veröffentlichte PhysicsX seine Beschreibung von PX-Car-Aero-v1 für die Fahrzeug-Aerodynamik. Beide Entwicklungen zeigen unterschiedliche Wege: bessere Verbindung vorhandener Modelle und schnellere physikalische Auswertung durch KI.
Unsere Einordnung: Unternehmen sollten daraus konkrete Prüfaufträge ableiten. Ein neues Werkzeug ist interessant, wenn es beispielsweise mehr belastbare Konstruktionsvarianten pro Woche ermöglicht. Die Leistungsangaben eines Anbieters ersetzen weder die Prüfung eigener Geometrien noch einen Wirtschaftlichkeitsvergleich im eigenen Ablauf. Die genannten Anbieter sind externe Beispiele, keine ausgewiesenen Welf-Partner.
Wo KI im digitalen Zwilling arbeitet
Ein Anlagenmodell wird nicht allein durch einen Chat zur KI-Anwendung. Legen Sie fest, welche Rechenaufgabe das lernende Verfahren übernimmt und welche Größen weiterhin aus Messungen oder etablierten Berechnungen stammen.
| Funktion | Beispiel | Nachweis vor dem Einsatz |
|---|---|---|
| Zustand schätzen | Innere Temperatur aus zugänglichen Messwerten ableiten | Vergleich mit unabhängigen Referenzmessungen |
| Simulation beschleunigen | Druckverlust vieler Geometrien vorhersagen | Fehler je Betriebsbereich und Geometriefamilie |
| Verhalten korrigieren | Abweichung eines vereinfachten Modells lernen | Vergleich über bisher ungesehene Zeiträume |
| Varianten vorschlagen | Einstellungen innerhalb freigegebener Grenzen suchen | Erfüllung aller technischen Nebenbedingungen |
| Ergebnisse zugänglich machen | Berechnungen mit Quellen erklären | Trennung von Rechenergebnis und sprachlicher Erläuterung |
Für die grundlegende Entscheidung, ob ein Zwilling überhaupt benötigt wird, bleibt unser Leitfaden zum digitalen Zwilling in der Produktion der Einstieg. Hier geht es um den zusätzlichen Beitrag von KI.
Eine Architektur mit überprüfbaren Übergängen
Beginnen Sie bei der Identität des Assets. Ein Modell muss wissen, auf welche Maschine, Ausführung und Revision sich ein Wert bezieht. Anschließend werden Messdaten, Betriebszustände und relevante Engineering-Daten zusammengeführt. Zeitbezug und Einheiten müssen eindeutig sein.
Darauf arbeitet das fachliche Modell. Das kann eine physikalische Simulation, ein datenbasiertes Ersatzmodell oder eine Kombination sein. Eine eigene Prüfschicht bewertet, ob die Eingabe im freigegebenen Bereich liegt und wie belastbar das Ergebnis ist. Erst danach erhält der Nutzer eine Empfehlung.
Die Anwendung sollte erklären können, warum sie eine Antwort verweigert: fehlende Messwerte, veraltete Konfiguration oder eine unbekannte Geometrie sind konkrete Gründe. Ein scheinbar präzises Ergebnis trotz ungültiger Voraussetzungen ist schlechter als eine klare Rückfrage.
Die Architektur mit Verwaltungsschale und OpenUSD vertieft die Datenverbindung. Sie trennt Asset-Beschreibung, räumliche Szene und Rechenmodell, damit ein einzelnes Format nicht mit dem gesamten System verwechselt wird.
Welche Modellart passt zur Aufgabe?
Ein datenbasiertes Modell lernt aus Beispielen. Ein physikalisches Modell berechnet Zusammenhänge anhand fachlicher Gleichungen und Annahmen. Hybride Ansätze verbinden beides, etwa indem eine gelernte Korrektur ein vereinfachtes thermisches Modell ergänzt.
Ein Surrogatmodell ersetzt eine aufwendige Berechnung für einen begrenzten Einsatzbereich. Es kann viele Varianten vorsortieren, bevor die aussichtsreichen Kandidaten mit dem Referenzverfahren geprüft werden. Der Beitrag zur KI in der Simulation erläutert diesen Ablauf.
Physics-Informed Neural Networks berücksichtigen physikalische Gleichungen im Lernverfahren. Sie können etwa für bestimmte inverse Aufgaben interessant sein, bei denen unbekannte Parameter aus Beobachtungen geschätzt werden. Sie garantieren jedoch weder eine korrekte Lösung noch einen Vorteil gegenüber bewährten Solvern. Die PINN-Entscheidungshilfe zeigt die Abgrenzung.
Ein konkreter Startpunkt: eine thermische Entscheidung
Ein mögliches Pilotvorhaben ist die Kühlung einer Baugruppe. Das Team möchte mehrere Kühlkanalvarianten vergleichen. Geometrie, Material, Wärmelast und Randbedingungen bilden die Eingabe. Temperaturgrenzen und Druckverlust begrenzen den zulässigen Lösungsraum.
Das Modell schlägt Kandidaten vor. Ein unabhängiger Rechenlauf oder Versuch prüft die ausgewählten Varianten. Unbekannte Geometrien werden nicht ungeprüft als gleich zuverlässig behandelt. Das Beispiel beschreibt einen möglichen Versuchsaufbau, keine veröffentlichte Welf-Projektreferenz.
Der Erfolg lässt sich an der gesamten Entscheidung messen: Wie viele brauchbare Varianten wurden geprüft? Wie viel Engineering-Zeit ging in Datenaufbereitung und Nachkontrolle? Wurde ein technisch besserer Kandidat gefunden? Eine geringe Inferenzzeit beantwortet diese Fragen allein nicht.
Validierung braucht eine Grenze des Gültigkeitsbereichs
Halten Sie einen Teil der Geometrien oder Betriebszustände vollständig aus der Entwicklung heraus. Ein zufälliger Datensplit reicht oft nicht, wenn sehr ähnliche Varianten in beiden Gruppen liegen. Für einen Einsatz an weiteren Anlagen gehören auch bislang ungesehene Anlagen in die Prüfung.
Definieren Sie Fehlergrenzen an den Größen, auf die sich die Entscheidung stützt. Ein kleiner Durchschnittsfehler kann eine unzulässige Temperaturspitze verdecken. Prüfen Sie Extremwerte, relevante Regionen und die korrekte Rangfolge der Varianten getrennt.
Unser Abnahmecheck für KI-gestützte digitale Zwillinge bietet dafür eine ausfüllbare Arbeitsvorlage. Sie enthält Prüffragen und geforderte Nachweise, aber keine vorgegebenen Ergebnisse und keine Zertifizierung.
Die passende Vertiefung für Ihre Aufgabe
| Ihre Entscheidung | Weiterführender Leitfaden |
|---|---|
| Mehr Konstruktionsvarianten prüfen | KI-Simulation und Surrogatmodelle |
| Messdaten mit physikalischem Wissen verbinden | Physics-Informed Neural Networks |
| Steuerungsabläufe vor dem Aufbau testen | Virtuelle Inbetriebnahme mit KI |
| Fehlende Robotikdaten gezielt ergänzen | Synthetische Daten aus Simulation |
| Wärme und Last gemeinsam planen | Digitale Zwillinge für Energie |
| Daten und Werkzeuge zusammenführen | AAS und OpenUSD |
| Gelernte Umweltmodelle einordnen | World Models in der Industrie |
Was Ihr Unternehmen selbst beherrschen sollte
Der strategische Wert liegt in Ihrer Fähigkeit, die Anwendung weiterzuentwickeln. Dazu gehören fachliche Datenmodelle, Testfälle, dokumentierte Schnittstellen und ein nachvollziehbarer Betrieb. Nicht jede Komponente muss selbst gebaut werden. Für etablierte Solver, Infrastruktur und Visualisierung kann die Nutzung vorhandener Werkzeuge sinnvoll sein.
Klären Sie Export- und Nutzungsrechte für Daten, Modellartefakte und Konfiguration. Lassen Sie einen bekannten Fall aus einem übergebenen Paket erneut ausführen. Damit wird aus der abstrakten Forderung nach Unabhängigkeit ein überprüfbarer Übergabetest.
Welf verbindet KI-Engineering mit der Integration in betriebliche Abläufe. Unser Ansatz für digitale Zwillinge beginnt bei Ihrer technischen Entscheidung: Daten und Referenzverfahren zusammenführen, eine geeignete Modellierung prüfen und die Anwendung mit Ihrem Team betreibbar machen. Einen Anwendungsfall für einen KI-Zwilling besprechen.