Digitale Zwillinge entwickeln sich vom industriellen Experiment zur betrieblichen Notwendigkeit

Ein Produktionsleiter stellt fest, dass eine wichtige Maschine etwas heißer läuft als gewöhnlich. Es ist nichts ausgefallen, die Produktionslinie läuft weiter, und laut dem herkömmlichen Wartungsplan sollte die Anlage noch weitere drei Monate betriebsfähig bleiben. Ein virtuelles Modell der Maschine deutet jedoch darauf hin, dass sich ein Lager schneller als erwartet abnutzt.

Das Unternehmen steht nun vor einer Entscheidung. Es kann entweder bis zur nächsten planmäßigen Inspektion weiterarbeiten und dabei eine ungeplante Betriebsunterbrechung riskieren oder während einer ruhigeren Produktionsphase eingreifen, bevor der Fehler hohe Kosten verursacht.

Das ist das praktische Versprechen, das hinter digitalen Zwillingen steckt.

Der Begriff wird oft recht locker verwendet und beschreibt manchmal kaum mehr als ein dreidimensionales Modell oder ein Dashboard. Ein funktionierender Digital Twin ist jedoch weitaus anspruchsvoller. Er ist eine digitale Darstellung einer physischen Anlage, eines Prozesses oder eines Systems, die mit Betriebsdaten aktualisiert wird und dazu dient, das Verhalten ihres realen Gegenstücks zu verstehen. Je nach Komplexität kann er aktuelle Zustände überwachen, Änderungen simulieren, Ausfälle prognostizieren oder Maßnahmen empfehlen.

Die Technologie ist nicht neu, doch ihre wirtschaftliche Bedeutung nimmt zu. Industrielle Sensoren haben sich weiter verbreitet, die Kapazitäten im Bereich Cloud- und Edge-Computing wurden ausgebaut, und künstliche Intelligenz kann mittlerweile weitaus mehr Betriebsdaten analysieren als herkömmliche Überwachungssysteme. Zusammen ermöglichen diese Entwicklungen die Erstellung digitaler Modelle, die mehr leisten, als nur das bereits Geschehene darzustellen.

Sie können einem Unternehmen dabei helfen, zu entscheiden, wie es weitergehen soll.

Mehr als nur die Schlagzeile – Prognose

Marktforschungsunternehmen sind sich weitgehend einig, dass der Markt für digitale Zwillinge rasch wächst, auch wenn ihre Schätzungen erheblich voneinander abweichen. Diese Unterschiede spiegeln ein grundlegendes Problem wider: Es gibt keine einheitliche, allgemein gültige Definition dessen, was darunter zu verstehen ist.

Manche Prognosen beziehen Softwareplattformen, Simulationswerkzeuge und Datendienste mit ein. Andere umfassen Beratung, Systemintegration, Infrastruktur für das industrielle Internet der Dinge sowie branchenspezifische Anwendungen. Ein digitaler Zwilling eines Flugzeugtriebwerks ist zudem etwas ganz anderes als ein Modell einer ganzen Fabrik, eines Stromnetzes oder einer Stadt.

Die genaue Größe des zukünftigen Marktes ist daher weniger aussagekräftig als die Richtung der Investitionen. Hersteller, Energieunternehmen, Verkehrsbetriebe und Infrastrukturbetreiber suchen nach besseren Möglichkeiten, komplexe Anlagen zu verwalten, deren Ausfall kostspielig, störend oder gefährlich sein kann.

Für diese Organisationen ist ein digitaler Zwilling nicht deshalb wertvoll, weil er eine beeindruckende virtuelle Nachbildung schafft. Er ist dann wertvoll, wenn er die Entscheidungsfindung verbessert: wann Anlagen gewartet werden sollten, wie ein Prozess neu gestaltet werden kann, wo Kapazitäten verschwendet werden oder wie ein System auf sich ändernde Bedingungen reagieren könnte.

Was macht ein Modell zu einem digitalen Zwilling?

Eine herkömmliche Simulation wird in der Regel erstellt, um eine bestimmte Frage zu beantworten. Ingenieure nutzen sie beispielsweise, um ein Produkt vor der Fertigung zu testen oder um zu verstehen, wie sich ein Bauteil unter Belastung verhält. Sobald die Simulation abgeschlossen ist, wird das Modell in der Regel nicht mehr verändert.

Ein digitaler Zwilling soll eine Verbindung zu dem physischen System aufrechterhalten, das er abbildet. Daten von Sensoren, Anlagenprotokollen, Wartungssystemen und anderen betrieblichen Quellen können genutzt werden, um das Modell bei sich ändernden Bedingungen zu aktualisieren.

Der Grad der Vernetzung variiert. Bei einigen Zwillingen erfolgen regelmäßige Aktualisierungen. Andere arbeiten nahezu in Echtzeit. Eine Basisversion bietet möglicherweise Einblick in den Zustand einer einzelnen Anlage, während ein fortgeschritteneres System physikbasierte Modellierung, maschinelles Lernen und historische Daten kombinieren kann, um zukünftiges Verhalten vorherzusagen.

Diese Unterscheidung ist wichtig, da nicht für jeden Vermögenswert ein möglichst detailliertes Doppelstück erforderlich ist. Ein Unternehmen benötigt möglicherweise ein sehr detailliertes Modell einer sicherheitskritischen Turbine, für weniger wichtige Anlagen hingegen reicht eine einfachere Darstellung aus.

Das Ziel sollte den Detaillierungsgrad bestimmen, nicht die Attraktivität der Technologie.

Planung vor dem Bau

Eine der offensichtlichsten Anwendungsmöglichkeiten für digitale Zwillinge ergibt sich bereits vor der Inbetriebnahme einer physischen Anlage.

Hersteller können virtuelle Modelle nutzen, um Produkte, Produktionslinien und Maschinenkonfigurationen zu testen, bevor sie Kapital in den Bau investieren. Ingenieure können untersuchen, wie ein Bauteil auf Hitze, Bewegung, Druck oder Verschleiß reagiert. Fabrikplaner können prüfen, ob ein vorgeschlagenes Layout Engpässe, Sicherheitsprobleme oder ineffiziente Materialflüsse verursacht.

Dies verändert die wirtschaftlichen Rahmenbedingungen für Experimente. Die Anpassung einer virtuellen Produktionslinie ist in der Regel kostengünstiger als die Umrüstung einer bereits installierten Anlage. Ein Konstruktionsteam kann verschiedene Szenarien testen, ohne den Betrieb einer funktionierenden Anlage zu unterbrechen oder wiederholt physische Prototypen herstellen zu müssen.

Die virtuelle Inbetriebnahme geht noch einen Schritt weiter. Das Verhalten von Steuerungssystemen und Anlagen lässt sich in einer digitalen Umgebung testen, bevor die Maschinen vollständig in der Fertigung zum Einsatz kommen. So lassen sich Programmierfehler und Integrationsprobleme früher aufdecken, wenn ihre Behebung noch kostengünstiger ist.

Der Vorteil liegt nicht nur in einer schnelleren Produktentwicklung. Es ist vielmehr die Möglichkeit, Fehler zu machen, ohne dass dadurch die Produktion zum Stillstand kommt.

Vorausschauende Instandhaltung mit besserem Kontext

Die vorausschauende Instandhaltung wird häufig als Vorzeigeanwendung des Digital Twin dargestellt – und das aus gutem Grund.

Die herkömmliche Instandhaltung folgt in der Regel einem von zwei Modellen: Die Anlagen werden entweder erst nach einem Ausfall repariert oder nach einem festen Zeitplan gewartet. Der erste Ansatz birgt das Risiko kostspieliger Ausfallzeiten. Beim zweiten Ansatz besteht die Gefahr, dass Komponenten ausgetauscht werden, die noch eine Restlebensdauer haben, oder dass sich zwischen den Inspektionen entwickelnde Probleme nicht erkannt werden.

Ein digitaler Zwilling kann Sensordaten mit Informationen über die Konstruktion, die Betriebsbedingungen, die Wartungshistorie und das erwartete Verhalten der Anlage kombinieren. Anstatt zu fragen, ob eine Maschine ein bestimmtes Alter erreicht hat, kann das Unternehmen beurteilen, wie diese bestimmte Maschine funktioniert.

Eine Pumpe, die unter ungewöhnlich hohen Belastungen arbeitet, erfordert möglicherweise frühzeitigere Maßnahmen als ein identisches Gerät in einer weniger anspruchsvollen Umgebung. Eine Turbine, die unter Berücksichtigung eines einzelnen Betriebswerts in Ordnung zu sein scheint, kann ein besorgniserregendes Muster aufweisen, wenn Schwingungs-, Wärme- und Leistungsdaten gemeinsam betrachtet werden.

Das Twin-Konzept macht das ingenieurtechnische Urteilsvermögen nicht überflüssig. Es bietet Ingenieuren vielmehr eine umfassendere Grundlage, auf der sie dieses Urteilsvermögen anwenden können.

Die überzeugendsten wirtschaftlichen Argumente ergeben sich dort, wo Ausfallzeiten kostspielig sind, der Zugang für Wartungsarbeiten erschwert ist oder ein Ausfall der Anlagen erhebliche Sicherheitsrisiken mit sich bringt. Unter diesen Umständen kann bereits eine bescheidene Verbesserung bei der Fehlererkennung oder der Wartungsplanung die Investition rechtfertigen.

Optimierung eines gesamten Prozesses

Der größte Nutzen liegt möglicherweise nicht in der Modellierung einzelner Maschinen, sondern darin, zu verstehen, wie diese miteinander interagieren.

Eine Produktionslinie kann hinter den Erwartungen zurückbleiben, selbst wenn alle einzelnen Anlagen auf den ersten Blick ordnungsgemäß zu funktionieren scheinen. Ein Prozess kann zu Warteschlangen führen, ein anderer möglicherweise übermäßig viel Energie verbrauchen und ein dritter kleine Abweichungen verursachen, die weiter hinten in der Produktionskette zu Fehlern führen.

Ein digitaler Zwilling auf Prozessebene ermöglicht es einem Unternehmen, das System als Ganzes zu betrachten. Führungskräfte können die voraussichtlichen Auswirkungen einer Änderung der Produktionsgeschwindigkeit, einer Umstellung der Schichtpläne, der Einführung eines neuen Produkts oder der Außerbetriebnahme von Anlagen zu Wartungszwecken simulieren.

Dies ist besonders nützlich in Umgebungen, in denen eine Entscheidung Auswirkungen an anderer Stelle hat. Eine Steigerung der Leistung einer Maschine kann dazu führen, dass sich der Engpass einfach auf die nächste Stufe verlagert. Eine Senkung des Energieverbrauchs in einem Teil des Prozesses kann sich auf die Qualität auswirken oder die Produktionszeit verlängern.

Indem sie diese Abwägungen simulieren, bevor sie konkrete Änderungen vornehmen, können Unternehmen vermeiden, dass die Verbesserung einer Kennzahl auf Kosten des Gesamtbetriebs geht.

Energie, Infrastruktur und die bebaute Umwelt

Auch digitale Zwillinge halten mittlerweile Einzug über die Fabrikmauern hinaus.

Energieunternehmen können sie zur Überwachung von Turbinen, Kraftwerken und Netzen nutzen. Energieversorger können modellieren, wie Strombedarf, erneuerbare Energieerzeugung und Speicherkapazitäten zusammenwirken. Infrastrukturbetreiber können digitale Darstellungen von Brücken, Eisenbahnstrecken, Wasserversorgungssystemen und Gebäuden erstellen, um die Instandhaltung und die langfristige Planung zu unterstützen.

Im bebauten Umfeld kann ein „Twin“ eine Anlage über ihren gesamten Lebenszyklus hinweg begleiten. Das während der Planung und Bauphase verwendete Modell kann später um Informationen zu Belegung, Energieverbrauch, Temperatur, Belüftung und Anlagenleistung ergänzt werden.

Ein Gebäudemanager könnte diese Informationen nutzen, um herauszufinden, warum ein Teil einer Immobilie mehr Energie verbraucht als erwartet, oder um zu prüfen, wie sich Änderungen an den Heiz- und Kühleinstellungen auf den Komfort und die Kosten auswirken könnten.

Dasselbe Prinzip lässt sich in größerem Maßstab auf Verkehrsnetze oder städtische Infrastruktur anwenden. Allerdings steigt die Komplexität dabei rasch an. Ein digitaler Zwilling einer Stadt ist nicht einfach nur eine größere Version eines digitalen Zwillings einer Maschine. Er muss Daten verschiedener Betreiber, Systeme und Standards zusammenführen und dabei menschliches Verhalten berücksichtigen, das weitaus weniger vorhersehbar ist als mechanische Leistung.

Nachhaltigkeit erfordert mehr als nur ein digitales Modell

Digitale Zwillinge werden oft als Instrumente für mehr Nachhaltigkeit angepriesen, da sie dazu beitragen können, den Energieverbrauch, Materialverschwendung und unnötige Wartungsarbeiten zu reduzieren. Dieses Potenzial ist durchaus real, sollte jedoch nicht als selbstverständlich angesehen werden.

Ein Unternehmen kann mithilfe eines Digital Twins ein Produkt mit weniger Material neu gestalten, die Nutzungsdauer von Anlagen verlängern oder einen energieintensiven Produktionsschritt identifizieren. Ein Bauunternehmen könnte verschiedene Entwurfsoptionen vergleichen, bevor es Beton und Stahl einsetzt. Ein Transportunternehmen könnte Routen oder die Auslastung seiner Flotte optimieren.

Diese Vorteile hängen davon ab, wozu das System konzipiert wurde. Ein digitaler Zwilling, der ausschließlich zur Maximierung des Durchsatzes entwickelt wurde, führt nicht automatisch zu einer Verringerung der Emissionen oder des Ressourcenverbrauchs. Umweltindikatoren müssen in das Modell integriert und in die Entscheidungen einbezogen werden, die es unterstützt.

Auch diese Technologie hat ihren eigenen ökologischen Fußabdruck. Sensoren, Vernetzung, Datenspeicherung und Rechenleistung verbrauchen Energie und erfordern Hardware. Ein stichhaltiges Nachhaltigkeitsargument sollte daher die vom digitalen System verbrauchten Ressourcen mit den Einsparungen oder der vermiedenen Verschwendung vergleichen, die es ermöglicht.

KI macht Zwillinge leistungsfähiger – und schwieriger zu führen

Künstliche Intelligenz erweitert die Möglichkeiten von Digital Twins. Modelle des maschinellen Lernens können Muster in großen Mengen von Sensordaten erkennen, Anomalien identifizieren und abschätzen, wie sich eine Anlage unter bisher noch nicht aufgetretenen Bedingungen voraussichtlich verhalten wird.

Generative KI könnte zudem dazu beitragen, komplexe Systeme benutzerfreundlicher zu gestalten. Ein Ingenieur oder Manager könnte möglicherweise Fragen in Alltagssprache stellen, anstatt sich durch eine fachspezifische Benutzeroberfläche zu navigieren: Warum ist die Produktion letzte Woche zurückgegangen? Welche Komponente wird die Produktion am ehesten unterbrechen? Was würde passieren, wenn die Nachfrage um 15 Prozent steigen würde?

Allerdings bringt die KI eine weitere Ebene der Unsicherheit mit sich. Ein Modell kann Zusammenhänge erkennen, die nicht die physikalischen Ursachen eines Problems widerspiegeln. Es kann unter normalen Bedingungen gut funktionieren, wird jedoch unzuverlässig, wenn sich die Ausrüstung oder die Betriebsbedingungen ändern.

Bei unternehmerischen Entscheidungen reicht eine Antwort, die plausibel klingt, nicht aus. Unternehmen müssen wissen, auf welchen Daten das Ergebnis basiert, wie das Modell validiert wurde und wann eine menschliche Überprüfung erforderlich ist.

Je mehr Befugnisse dem Zwilling übertragen werden, desto wichtiger werden diese Kontrollmechanismen.

Das Datenproblem steht an erster Stelle

Bei vielen Digital-Twin-Projekten treten Schwierigkeiten auf, lange bevor das visuelle Modell oder die KI-Ebene erstellt wird.

Betriebsdaten können unvollständig oder inkonsistent sein oder auf Geräten verschiedener Hersteller gespeichert sein. Ältere Maschinen verfügen möglicherweise nicht über geeignete Sensoren. In Wartungsprotokollen werden unter Umständen unterschiedliche Namenskonventionen verwendet, während Konstruktionsdaten und Echtzeit-Betriebsdaten in Systemen gespeichert sein können, die ursprünglich nicht für die Kommunikation untereinander ausgelegt waren.

Ein digitaler Zwilling kann unzureichende Informationen nicht auf unbestimmte Zeit ausgleichen. Wenn die physische Anlage ungenau dargestellt wird oder die Sensordaten unzuverlässig sind, kann das Modell eher ein falsches Vertrauen wecken als zu besseren Entscheidungen führen.

Aus diesem Grund beginnen erfolgreiche Projekte oft mit einem eng gefassten Anwendungsfall und einer sorgfältigen Prüfung der Datenverfügbarkeit. Das Unternehmen muss ermitteln, welche Variablen von Bedeutung sind, wie häufig sie aktualisiert werden müssen und welcher Grad an Genauigkeit erforderlich ist.

Außerdem muss festgelegt werden, wem die Informationen gehören. An digitalen Zwillingen können Hersteller, Softwareanbieter, Anlagenbetreiber und Wartungsunternehmen beteiligt sein. In Verträgen sollte klar geregelt werden, wer Zugriff auf die Daten hat, wie diese genutzt werden dürfen und was geschieht, wenn eine Lieferantenbeziehung endet.

Cybersicherheit wird zu einem physischen Risiko

Je enger ein digitaler Zwilling mit der Betriebstechnik vernetzt ist, desto wichtiger wird seine Sicherheit.

Eine kompromittierte Marketingdatenbank führt zu schwerwiegenden Problemen. Ein kompromittiertes industrielles System kann Maschinen, Energienetze oder kritische Infrastruktur beeinträchtigen. Selbst wenn ein digitaler Zwilling eine Anlage nicht direkt steuert, könnten manipulierte Daten dazu führen, dass Betreiber falsche Entscheidungen hinsichtlich Wartung oder Sicherheit treffen.

Die Sicherheit muss daher über die zentrale Plattform hinausgehen. Sensoren, Netzwerkverbindungen, Cloud-Dienste, Anwendungsschnittstellen und Drittanbieter können allesamt zu Schwachstellen werden.

Der Zugriff sollte je nach Rolle eingeschränkt, die Datenintegrität überwacht und ungewöhnliches Systemverhalten untersucht werden. Unternehmen müssen zudem klar zwischen Systemen unterscheiden, die beobachten, Systemen, die Empfehlungen aussprechen, und Systemen, die befugt sind, Maßnahmen zu ergreifen.

Ein digitaler Zwilling darf nicht zu einem unsichtbaren Umgehungsweg für etablierte Arbeitsschutzmaßnahmen werden.

Beginne mit der Entscheidung, nicht mit dem Zwilling

Der häufigste strategische Fehler besteht darin, mit dem Ziel zu beginnen, einen “digitalen Zwilling” zu entwickeln, anstatt von einem konkret definierten betrieblichen Problem auszugehen.

Ein besser strukturiertes Projekt beginnt mit einer Frage. Kann das Unternehmen ungeplante Ausfallzeiten bei einer kritischen Anlage reduzieren? Kann es die Inbetriebnahmezeit verkürzen? Kann es herausfinden, warum sich der Energieverbrauch bei scheinbar ähnlichen Anlagen unterscheidet? Kann es eine Produktionsänderung testen, ohne den Betrieb zu unterbrechen?

Das Unternehmen sollte daraufhin eine Ausgangsbasis festlegen. Ohne Kenntnis der aktuellen Kosten für Ausfallzeiten, Verschwendung, Mängel oder Energieverbrauch lässt sich nur schwer beurteilen, ob der digitale Zwilling eine angemessene Rendite erzielt.

Ein Pilotprojekt sollte sich auf eine Ressource oder einen Prozess konzentrieren, bei dem der Nutzen messbar ist und die erforderlichen Daten beschafft werden können. Das Modell kann dann erweitert werden, wenn es sich als zuverlässig erweist. Der Versuch, von Anfang an ein gesamtes Unternehmen nachzubilden, führt oft zu einem umfangreichen Technologieprogramm mit unklarem wirtschaftlichem Zweck.

Unternehmen sollten zudem die Wartung des digitalen Modells selbst einplanen. Physische Anlagen verändern sich. Komponenten werden ausgetauscht, Software aktualisiert und die Betriebsbedingungen entwickeln sich weiter. Ein Digital Twin, der nicht mit der Realität Schritt hält, wird nach und nach eher zu einem historischen Modell als zu einem operativen Werkzeug.

Vom Verständnis des Systems zum Testen der Zukunft

Der Markt für digitale Zwillinge wird mit ziemlicher Sicherheit weiter wachsen, getragen von der industriellen Digitalisierung, einer zunehmenden Vernetzung der Anlagen sowie Fortschritten in den Bereichen Simulation und KI. Die langfristige Bedeutung dieser Technologie wird jedoch nicht von der Höhe einer Marktprognose bestimmt.

Dies wird sich in den Fertigungshallen, in den Leitstellen und bei Investitionsentscheidungen zeigen.

Ein nützlicher digitaler Zwilling hilft einem Unternehmen, etwas zu verstehen, was zuvor nicht klar erkennbar war. Ein wertvoller digitaler Zwilling ermöglicht es dem Unternehmen, auf der Grundlage dieser Erkenntnisse zu handeln: einen Ausfall zu verhindern, Verschwendung zu reduzieren, einen Entwurf zu testen oder ein komplexes System effizienter zu gestalten.

Das ist der eigentliche Wandel. Industrieunternehmen gehen nicht mehr nur dazu über, physische Abläufe nach dem Eintreten von Ereignissen zu überwachen, sondern modellieren, wie sich diese Abläufe in Zukunft verhalten könnten.

Der Wettbewerbsvorteil wird nicht dem Unternehmen gehören, das über die ausgefeilteste virtuelle Nachbildung verfügt. Er wird dem Unternehmen gehören, das weiß, welche reale Entscheidung durch die Nachbildung verbessert werden soll.