Warum wir ein falsches Bild vom digitalen Zwilling haben

Laut einer aktuellen Umfrage des Marktforschungsunternehmens Gartner setzen derzeit 13 Prozent der Unternehmen Digital Twins im Rahmen ihrer Wertschöpfungsprozesse ein. Gleichzeitig gaben 62 Prozent der Befragten an, Digitale Zwillinge innerhalb des nächsten Jahres implementieren zu wollen.

Dieses rapide Wachstum hat zwei wesentliche Treiber: Zum einen zeigt es die enorme Bedeutung digitaler Abbildungen für Industrie 4.0-Anwendungsfelder, wie etwa Predictive Maintenance oder Fehlerprävention. Zum anderen ist es eine Folge des intensiven Marketings durch Softwarehersteller und Lösungsanbieter in den vergangenen Jahren.

Doch genau hier liegt das Problem: Denn ein einheitliches Verständnis vom Digital Twin gibt es derzeit nicht. Stattdessen ist der Markt des Digitalen Zwillings geprägt von Insellösungen und Produkten einzelner Anbieter.

Vor allem der klassische Produkt-Zwilling, wie er für Test und Simulationen im Rahmen der Entwicklung eingesetzt wird, bestimmt bis heute das Bild in der deutschen Industrie. Das allein wird der Komplexität der Idee allerdings nicht gerecht. Vielmehr zielt ein modernes Digital Twin-Verständnis darauf ab, möglichst den gesamten Lebenszyklus eines Produkts digital abzubilden. Grundsätzlich lassen sich dabei vier verschiedene Phasen unterscheiden:

1. Entwicklung: Digital Product Twin
   
   In der Produktentstehung werden bereits seit langem und auf breiter Front Modelle für den Digitalen Zwilling genutzt, z.B. für Crashtests, Mock-ups oder Funktionssimulationen. Der digitale Zwilling bildet in diesem Kontext ein genaues Abbild des physischen Produkts, z.B. über CAD/CAM, CFD- oder FEM-Simulationen.
   
   
2. Planung: Digital Factory (Network) Twin
   
   Die zweite Phase betrifft die Produktionsplanung. Hier lassen sich zum einen physische Fertigungsumgebungen digital abbilden, um beispielsweise den Materialfluss im Werk zu optimieren. Zum anderen können ganze Supply Chain-Netzwerke mit den dahinterliegenden Prozessen und Zulieferer-Verhältnissen virtuell spiegeln.
   
   
3. Produktion: Digital Process Twin
   
   Die dritte Phase konzentriert sich auf einzelne Abschnitte des Produktionsablaufs. Die hier eingesetzten Prozess-Digitalen Zwillinge bilden sämtliche Daten ab, die während des Produktionsprozesses anfallen und geben Auskunft über Leistungswerte und Abweichungen in den einzelnen Fertigungsschritten.
   
   
4. Nutzung: Digital Service Twin
   
   Der Service Twin schließlich beschreibt die Nutzung der Produkte im Feld durch den Kunden. Dies umfasst beispielsweise Informationen darüber, wo, wann oder wie Kunden bestimmte Produkte oder Produktfunktionen nutzen und ermöglicht so neue Services wie z.B. prädiktive Wartung o.Ä.

Somit gibt es nicht den einen Zwilling bzw. ein System, sondern eine ganze Systemlandschaft, die es zu orchestrieren gilt. Ihr volles Potenzial entfaltet sie vor allem dort, wo die verschiedenen Bausteine dieser Landschaft zusammenwirken und die Daten des Digitalen Zwillings über verschiedene Phasen des Produktlebenszyklus hinweg genutzt werden können (siehe folgender Abschnitt).

Dadurch erhöht sich allerdings auch die Komplexität des Gesamtsystems, indem nicht nur die einzelnen Digitalen Zwillinge selbst in die IT-Landschaft des Unternehmens integriert, sondern auch die Schnittstellen zwischen den verschiedenen digitalen Zwillingen untereinander gestaltet werden müssen. Das steht im krassen Gegensatz zu den, v.a. von Software-Herstellern propagierten Bild des Digital Twin als Plug-and-Play Produkt.

Denn zum einen ist speziell bei Planung und Produktion eine genaue Kenntnis der Prozesse und Abläufe vor Ort die Voraussetzung dafür, dass die digitalen Zwillinge funktionieren und einen echten Mehrwert liefern. Zum anderen sollten Unternehmen bei der Umsetzung einzelner Bausteine stets die gesamte Systemlandschaft im Blick haben, um später einen hohen Integrationsaufwand zu vermeiden.

Wie das Zusammenspiel der einzelnen Twin-Bausteine in der Praxis aussehen kann, zeigt das folgende Beispiel:

Ein Kunde reklamiert eine Störung seines Produkts. Die Analyse der Fertigungsdaten durch den Digital Process Twin zeigt, dass es sich nicht um einen Produktionsfehler handeln, da keine Überschreitung der Grenzwerte vorliegt. Gleichzeitig ist das Unternehmen mithilfe seines Service Twins in der Lage, nachzuverfolgen, wie, wann und wo der Kunde sein Produkt genutzt hat. Auf Basis dieser Informationen erstellt das Entwicklungsteam eine Simulation der Einsatzbedingungen und stellt schließlich fest, dass ein Verbindungselement nicht auf diese Form der Belastung ausgelegt war.

Sie können die Änderungen direkt für das nächste Produkt-Update übernehmen und in die Anforderungen für neue Produkte aufnehmen. Für künftige Fehler dieser Art installieren das Team zudem eine Anomalie-Erkennung, um den Kunden vorausschauend zu informieren und einzugreifen, bevor der Fehler entsteht. Auch wenn dieser Fall mit verschiedensten Systemen bereits heute abbildbar wäre, liegt der künftige Wettbewerbsvorteil in einer Vernetzung der Digitalen Zwillinge und dadurch erheblich schnelleren und qualitativ besseren Reaktion oder zusätzlichen Services.

Dieses Zusammenspiel über alle Phasen des Lebenszyklus hinweg ist derzeit in den meisten Fällen noch eine Vision. Unternehmen sollten mit der Implementierung einzelner Bausteine starten, die ihnen einen unmittelbaren Mehrwert für ihr Business liefern, etwa in Form von geringeren Ausschussraten (Process Twin) oder kürzeren Durchlaufzeiten (Factory Twin). Die Implementierung erfolgt dabei in drei Phasen:

Phase 1: Verständnis für Prozesse und Daten

Zu Beginn des Projekts Digitaler Zwilling wird zunächst das Verständnis für die zugrundeliegenden Prozesse und vorhandenen Datenstrukturen geschaffen, um sowohl das Mengengerüst an Datenquellen, -typen und -volumina zu verstehen, als auch deren Bedeutung in den Geschäftsprozessen.

Phase 2: Analyse vorhandener Daten und Prädiktionsmodell

Sofern die erforderlichen Daten bereits in ausreichender Qualität vorliegen und zugänglich sind, wird ein erster Proof-of-Concept vorgenommen – entweder mit offline-Daten oder in einer Testumgebung. Erste Hypothesen werden entwickelt und in einem zweiten Schritt durch Analyse vorhandener Daten überprüft. Im Anschluss wird das Prädiktionsmodell mit relevanten Features erstellt und die Prognosegüte mittels historischer Daten validiert.

Phase 3: Roll-out des Modells

Bei ausreichender Prognosegüte wird der Proof-of-Concept in eine Produktivumgebung übertragen. Die erforderlichen ETL-/ELT-Prozesse zur automatisierten Bereitstellung und Aufbereitung der Daten werden aufgesetzt und in die vorhandene IT-Landschaft integriert. Im Anschluss werden Frontend und Reportprozesse für den Endnutzer angelegt bevor der Go-Live des Systems erfolgt und eine Validierung im realen Umfeld durchgeführt wird. Das Projekt endet mit Übergabe der Dokumentation und Schulung der Nutzer und Experten.

Das Anwendungsbeispiel zeigt, welches Potenzial in Digital Twins steckt. Richtig umgesetzt, werden Digital Twins somit zur zentralen Schaltstelle für Daten im digitalen Ökosystem aus Herstellern, Kunden und Zulieferern. Die aktuelle Debatte um den digitalen Zwilling spiegelt dieses Spektrum an Möglichkeiten in den meisten Fällen nicht wider.

Um das volle Potenzial auszuschöpfen, dürfen sich Unternehmen daher nicht auf Insellösungen beschränken, sondern sollten im Rahmen ihres Digital Twin-Strategie das Gesamtbild im Auge behalten – auch wenn sie zunächst in einem isolierten Bereich starten. Nur so kann verhindert werden, dass später Datensilos oder hohe Aufwände bei der Zusammenführung der Systemlandschaft entstehen.