Simulation Der Digitale Zwilling als Baustein von Industrie 4.0

Autor / Redakteur: Philipp Wallner / Stefanie Michel

Basiert die Produktentwicklung auf Model-Based Design, ist ein digitaler Zwilling unausweichlich. Wer ihn dann tatsächlich als Zwilling des Produkts über den gesamten Lebenszyklus einsetzt, kann in Kombination mit Echtzeitdaten sinnvolle Anwendungen entwickeln.

Firmen zum Thema

Der digitale Zwilling als virtuelles Abbild einer Maschine oder Anlage lässt sich nach der Produktentwicklung in unterschiedlichsten Anwendungen sinnvoll nutzen.
Der digitale Zwilling als virtuelles Abbild einer Maschine oder Anlage lässt sich nach der Produktentwicklung in unterschiedlichsten Anwendungen sinnvoll nutzen.
(Bild: ©chesky - stock.adobe.com)
  • Digitale Zwillinge können ein Abbild einer einzelnen Komponente, aber auch einer ganzen Maschine oder Anlage sein. Je nach Einsatz kann dabei das Modell dahinter sehr in die Tiefe gehen oder nur Teile des Produktes umfassen.
  • Immer mehr vernetzte Geräte und Anlagen liefern Echtzeitdaten. Dadurch steigt auch das Potenzial für den digitalen Zwilling: Er liefert Informationen und kann Systeme optimieren.
  • Beispielhaft werden Anwendungen aus unterschiedlichen Bereichen vorgestellt, die zeigen, wie ein digitaler Zwilling mithilfe von Machine Learning zum Einsparen von Energie beiträgt oder tatsächliche Anomalien oder Störungen im System erkennt.

Unter einem digitalen Zwilling versteht man in der Regel ein dynamisches, virtuelles Abbild eines physikalischen Systems im Betrieb; das kann sowohl eine einzelne Komponente und ein Gerät sein als auch ganze Maschinen oder komplette Stromnetze. Er kann durch Simulation ausgeführt werden und enthält Daten über den aktuellen und vergangenen Zustand eines Geräts, einer Maschine oder einer Anlage.

Je nach Verwendungszweck geht der digitale Zwilling unterschiedlich stark ins Detail: das kann ein vereinfachtes Datenmodell oder auch ein vollständiges Multi-Domain-Modell sein, das die mechanischen, elektrischen, elektronischen, hydraulischen oder anderen Komponenten der realen Anlage umfasst. Die Modellierungsansätze reichen dabei von rein datenbasierten Methoden bis hin zu physikalischen Modellen oder auch einer Kombination von beiden.

Model-Based Design führt zu digitalen Zwillingen

Obwohl das Konzept der Modellierung nicht neu ist, bietet die zunehmende Integration von Sensoren, Embedded Systemen und Kommunikationsschnittstellen in Smart Devices in der Fertigung das Potenzial, mit digitalen Zwillingen industrielle Anlagen und die auf ihnen produzierten Produkte während ihres gesamten Lebenszyklus zu begleiten. Während die Anlage Daten in Echtzeit produziert, verwandelt der digitale Zwilling diese Daten in aussagekräftige Informationen und macht sie so zu einem Treiber für die Industrie 4.0.

Die Entwicklung auf Basis von Model-Based Design führt zwangsläufig zur Entstehung eines Simulationsmodells – und damit eines digitalen Zwillings. Der größte Vorteil von Model-Based Design ist ein schneller Designprozess mit umfassenden Test- und Validierungsmöglichkeiten. Ingenieure profitieren davon, dass sie die virtuelle Repräsentation unter einer Vielzahl von Bedingungen simulieren können, um zu sehen, wie sie sich verhält. Solche Simulationen können parallelisiert werden, was Zeit spart und eine höhere Testabdeckung auch ohne Hardware ermöglicht. Die Modelle, die während des Designs verwendet werden, dienen als Basis für den digitalen Zwilling.

Anwendung 1: Betriebsoptimierung

Senkung des HLK-Energieverbrauchs durch Optimierung mit digitalen Zwillingen.
Senkung des HLK-Energieverbrauchs durch Optimierung mit digitalen Zwillingen.
(Bild: Mathworks)

Der weitaus größte Teil der laufenden Aufwendungen für Gebäude entfällt auf die Energie, die zum Heizen oder Kühlen aufgewendet wird. Ein Beispiel für digitale Zwillinge, wie sie bereits heute eingesetzt werden, sind HLK-Anlagen (Anlagen für Heizung, Lüftung und Klimatechnik), die in großen Gebäuden betrieben werden. Ein digitaler Zwilling wird auf der Gebäudeleittechnik ausgeführt und bildet die übergeordnete Steuerung für die HLK. Jede Ineffizienz in der HLK und ihrer Regelstrategie verursacht unnötige Kosten. Dem kann entgegengewirkt werden, indem die Gebäudeleittechnik mit einem Cloud-Service verbunden wird und die vom digitalen Zwilling erzeugten Daten für Optimierungen mittels Machine Learning verwendet werden. Um diese Analyse weiter zu verbessern, können Daten über variable Energiepreise und sogar die Wettervorhersage in die Optimierung einfließen. Der Energieverbrauch der HLK kann dabei um bis zu 25 % gesenkt werden.

Anwendung 2: Leistungsmanagement

Das Leistungsmanagement eines elektrischen Stromnetzes unter Verwendung parallelisierter Simulationen digitaler Zwillinge.
Das Leistungsmanagement eines elektrischen Stromnetzes unter Verwendung parallelisierter Simulationen digitaler Zwillinge.
(Bild: Mathworks)

Elektrische Stromnetze unterliegen einer großen Varianz des zu liefernden Stroms, beispielsweise basierend auf Tages-, Wochen- oder Jahreszeiten und weiteren Faktoren wie Wetter und Verfügbarkeit erneuerbarer Energien. Wenn nicht genügend Energiereserven vorhanden sind, kann es zu Stromausfällen kommen. Andererseits ist das Vorhalten ungenutzter Energiereserven ebenfalls teuer und erhöht zusätzlich den Gesamtstrompreis an den Börsen. Eine fundierte Entscheidung bezüglich sinnvoller Energiereserven kann durch den Einsatz von digitalen Zwillingen zur Simulation von What-if-Szenarien erheblich verbessert werden.

Der Ausgangspunkt für diese Art der Optimierung sind die Aufzeichnung von Frequenzmessungen am Stromnetz. Eine Frequenz von 60 Hz in den USA oder 50 Hz in Europa wird nur so lange aufrechterhalten, wie sich Angebot und Nachfrage ausgleichen. Ein Anstieg der Frequenz bedeutet, dass das Angebot höher ist als die Nachfrage, niedrigere Frequenzen wiederum zeigen, dass mehr Leistung erforderlich ist, um die Nachfrage zu decken. Durch die Einspeisung dieser Daten in ein Simulationsmodell und den Vergleich der Ergebnisse mit der tatsächlichen Systemreaktion wird die Reservebewertung kontinuierlich kalibriert und verbessert.

Dabei bedarf es mehrerer Hundert dieser Simulationen, um sicherzustellen, dass alle Eventualitäten untersucht wurden. Durch die Verwendung von Parallel Computing und digitalen Zwillingen des Stromnetzes sind Energieversorger in der Lage, ihre Energiereserveberechnungen bis hinunter zu einem 30-Minuten-Takt zu aktualisieren und unnötige Kosten, aber auch Stromausfälle zu vermeiden.

Anwendung 3: Predictive Maintenance

Stillstandszeiten von Industriemaschinen verursachen hohe Kosten, die weit über die des zu ersetzenden Teils hinausgehen. Eine rechtzeitige und planmäßige Wartung ist daher für Unternehmen unerlässlich, muss aber auf ein Minimum reduziert werden, um Unterbrechungen zu vermeiden. Bedienpersonal und Hersteller versuchen, anhand von Sensordaten vorherzusagen, wann eine Maschine gewartet werden muss und welches Teil betroffen ist. Dies ermöglicht es, die Wartung zu einem optimalen Zeitpunkt und nur für die betroffenen Teile zu planen.

Workflow zur Entwicklung eines Predictive-Maintenance-Algorithmus.
Workflow zur Entwicklung eines Predictive-Maintenance-Algorithmus.
(Bild: Mathworks)

Solche Vorhersagen erfordern Algorithmen, die Störungs- oder Fehlerbedingungen erkennen können. Bei ordnungsgemäßem Betrieb und regelmäßiger Wartung einer Anlage sind Fehlerdaten jedoch in der Regel nicht in ausreichendem Maße vorhanden. Eine Lösung für diese Herausforderung besteht darin, einen digitalen Zwilling der Anlage zu erstellen und Sensordaten für verschiedene Fehlerzustände durch Simulation zu erzeugen, um die für das Training des Predictive-Maintenance-Algorithmus erforderlichen Daten bereitzustellen.

Der Vorteil besteht darin, dass keine physische Anlage für das Training des Algorithmus erforderlich ist, und damit Kosten und Risiken reduziert werden. Simulationen können parallel ausgeführt werden, was nicht nur den Prozess beschleunigt, sondern es auch ermöglicht, eine größere Anzahl an Kombinationen von Fehlern zu berücksichtigen.

Der fertige Predictive-Maintenance-Algorithmus kann entweder in eine an die Anlage angeschlossene Steuerungseinheit wie ein Edge Device eingebunden oder direkt in die Anlage selbst, zum Beispiel auf einer SPS, integriert werden.

Anwendung 4: Anomaliedetektion und Fehlerisolierung

Sensormesswerte und zugehörige Fehlerzustände in einem Kraftstoffsteuerungssystem.
Sensormesswerte und zugehörige Fehlerzustände in einem Kraftstoffsteuerungssystem.
(Bild: Mathworks)

Anomalien und Fehler können bei bestimmten Arten von Systemen wie Flugzeugen oder Ölplattformen katastrophale Folgen haben. Das Erkennen von Anomalien und die Isolierung der Ursachen von Fehlern, die diese hervorrufen, sind daher für einen sicheren Betrieb unerlässlich. Im einfachsten Fall werden Anomalien über Sollwerte erkannt. Überschreiten die gemessenen Parameter den als sicher geltenden Bereich, wird ein Alarm ausgelöst. Das Problem bei diesem Ansatz ist die hohe Anzahl von Fehlalarmen bei ordnungsgemäßem Betrieb des Systems sowie Fehlzustände, die keinen Alarm auslösen. Die Identifizierung des Zustands von komplexen Systemen aus isolierten Messwerten ist nicht der am besten geeignete Ansatz, wenn teure Maschinen oder gar Menschenleben gefährdet sind.

Mithilfe von Machine Learning und statistischen Methoden kann ein System kontinuierlich überwacht werden, sodass die Algorithmen lernen, aus den Informationen mehrerer Sensoren zu erkennen, welche Art von Signalen ein anomales Verhalten bedeuten und was toleriert werden kann. Wurde eine Anomalie erkannt, kann das System eine Reihe von Simulationen auslösen, die die Ursache des beobachteten Zustands identifizieren. Ingenieure oder automatisierte Systeme können dann geeignete Maßnahmen ergreifen, um die Folgen des Fehlers zu mildern oder um entsprechende Mechanismen einzuleiten.

Anwendung 5: Flottenmanagement

Die oben genannten Anwendungen von digitalen Zwillingen können im Rahmen des Flottenmanagements, also des Betriebs, der Überwachung, der Wartung und des Managements zahlreicher identischer oder ähnlicher Anlagen, genutzt werden. Ein Beispiel sind die Luft- und Raumfahrtindustrie und insbesondere Fluggesellschaften mit einer großen Anzahl von Flugzeugen des gleichen Modells. Denn entscheidend für deren Wettbewerbsfähigkeit sind sinkende MRO-Kosten (Maintenance, Repair and Overhaul) und das Aufrechterhalten des Betriebs ihrer Flugzeuge.

Darüber hinaus kann die Datenerfassung von vielen nahezu identischen Anlagen auch helfen, Ineffizienzen zu erkennen und die Leistung und Zuverlässigkeit auf eine Weise zu verbessern, die mit nur einer oder wenigen Datenquellen unmöglich wäre.

In Zukunft werden digitale Zwillinge ein fester Bestandteil vieler Geräte, Maschinen und Anlagen sein. Sie werden für unterschiedliche Anwender von überall über Schnittstellen zugänglich sein, die eine anwenderspezifische Funktionalität zur Verfügung stellen. Digitale Zwillinge werden es dem Anwender ermöglichen, Probleme schneller und effizienter zu untersuchen, fundierte Entscheidungen auf der Grundlage eines besseren Verständnisses zu treffen, Prozesse in Bezug auf Geschwindigkeit und Energieverbrauch zu optimieren, Kunden bessere Dienstleistungen anzubieten sowie sicherere und effizientere Lösungen zu entwickeln.

* Dipl.-Ing.Philipp Wallner ist Industry Manager für den Bereich Industrial Automation und Machinery bei der The Mathworks GmbH in 85737 Ismaning, Tel. (0 89) 4 52 35-67 00, Fax. (0 89) 4 52 35-6710

(ID:46213460)