Digitale Zwillinge für die Produktion |
RAPIDZ – Ressourcenanalyse und Prozessintegration durch Digitale Zwillinge
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 3, Seite 6-12 |
| Open Access | https://doi.org/10.30844/I4SD.25.3.6 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Die heutige Ära des Smart Manufacturing ist durch umfassende Digitalisierung und die Integration intelligenter Technologien in den Produktionsbetrieb, dessen Zustandsüberwachung und die zugehörige Prozesssteuerung geprägt. In diesem Kontext übernehmen Digitale Zwillinge Schritt für Schritt eine zentrale Rolle. Sie sind mathematische Modelle und somit virtuelle Abbilder physischer Produktionssysteme, die durch Echtzeitdaten von Sensoren und IoT-Geräten gespeist werden. Sie ermöglichen eine Transparenz und Analyse von Anlagenzuständen, Produktivität, Energieverbrauch und Emissionen sowie der Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE) [1].
Durch die kontinuierliche Überwachung und Simulation von Produktionsprozessen bieten Digitale Zwillinge wertvolle Vorhersagen zu den Auswirkungen möglicher Produktionsentscheidungen auf Durchsatz und Produktqualität, auf Energie- und Ressourcennutzung sowie auf Ausfallzeiten und Wartungsintervallen. Eine Integration von Digitalen Zwillingen in die Produktionsumgebung und die daraus aufbauende Prozessregelung oder datengestützte Entscheidungsfindung tragen so zur Identifizierung von Ineffizienzen und Umsetzung gezielter Verbesserungsmaßnahmen bei [2 ,3].
In Zeiten wachsenden Umweltbewusstseins und strengerer Vorschriften hinsichtlich Emissionen, spielen Digitale Zwillinge eine zentrale Rolle bei der Erfassung und Analyse von Energiedaten und Emissionstrends [4]. So können Digitale Zwillinge, konsequent umgesetzt und verwertet, einen direkten Mehrwert für die Unternehmen bedeuten.
Doch obwohl diese vielfältigen Möglichkeiten der Digitalen Zwillinge unbestritten sind und als zentrale Säule moderner Prozessoptimierung akzeptiert werden, warten sie weiterhin auf ihren breiten Durchbruch. Gründe sind einerseits der schwer abzuschätzende Basisaufwand, einen passenden Zwilling der eigenen Produktion zu erstellen [5], andererseits das oft unterschiedliche Verständnis und die gegenläufigen Anforderungen aus Produktionsleitung, Energie- und Nachhaltigkeitsmanagement oder Wartungsabteilung [6].
An diesem Punkt greift das im Folgenden vorgestellte Modellierungsframework „RAPIDZ – Ressourcenanalyse und Prozessintegration durch Digitale Zwillinge“ an. Auf Basis der Anforderungen und Wünsche verschiedener Partner aus dem produzierenden Gewerbe wurde dieses Werkzeug am Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM entwickelt. Hauptfokus war dabei die einfache Umsetzbarkeit und modulare Struktur, um die genannten Hindernisse bei der Etablierung Digitaler Zwillinge in der fertigenden Industrie zu durchbrechen.
Gesamtanlageneffektivität und Ressourcenoptimierung als Ziele
Der Digitale Zwilling von Produktionslinien und Hilfsanlagen beinhaltet die Abbildung aller relevanten physikalischen und betrieblichen Eigenschaften im Fertigungsprozess. Dies erlaubt die Simulation, Analyse und Optimierung von Prozessen, bevor Änderungen in der realen Welt umgesetzt werden, und findet seine Anwendung in vielen Use Cases:
Echtzeit-Überwachung: Der Digitale Zwilling sammelt Daten von Maschinen und Produktionslinien in Echtzeit. Diese Informationen helfen, die Verfügbarkeit zu überwachen und potenzielle Probleme frühzeitig zu erkennen.
Vorhersage: Durch die Simulation verschiedener Szenarien können Unternehmen potenzielle Engpässe identifizieren und die Auswirkungen von Änderungen in der Produktion vorhersagen. Dies verbessert die Entscheidungsfindung und die Planung.
Optimierung der Leistung: Mithilfe von Algorithmen zur Datenanalyse kann RAPIDZ die Leistung der Produktionslinien optimieren. Es hilft, die ideale Produktionsgeschwindigkeit zu bestimmen, die Prozesse anzupassen und Wartungen zu planen, um die Gesamtanlageneffektivität zu steigern.
Qualitätssicherung: Digitale Zwillinge ermöglichen eine kontinuierliche Qualitätsüberwachung. Durch die Analyse von Produktionsdaten können Unternehmen Abweichungen frühzeitig identifizieren und Maßnahmen zur Verbesserung der Produktqualität ergreifen.
Nachhaltigkeit und Energiemanagement: Basierend auf den aktuellen Betriebsdaten und der Vorhersage durch den Digitalen Zwilling kann der Energiebedarf, die lokale Erzeugung und Speicherung auf die bestehende Situation wie Wetter, Strompreis und vertragliche Nebenbedingungen angepasst werden. Emissionen aus Anlagenbetrieb und Stromverbrauch können geschätzt, prognostiziert sowie überwacht und aufgezeichnet werden.
Der modulare Digitale Zwilling einer Produktionslinie
Auch wenn jede Produktionslinie in ihrer Art und Umsetzung einzigartig ist, haben alle doch eine gemeinsame ganz grundlegende Struktur. Sie sind eine, gegebenenfalls verzweigte, Verkettung von Einzelmaschinen mit einer klar definierten Richtung und eindeutigen Übergängen. Am Beginn eines jeden Zweigs steht ein Eingang von Rohstoffen und/oder Vorprodukten, die dann von der jeweils ersten Maschine aufgenommen und weiterverarbeitet werden.
Alle folgenden Linienkomponenten haben wiederum ein oder mehrere Eingänge von Vor- oder Zwischenprodukten sowie meist einen Ausgang (selten auch mehrere Ausgänge) für weiterverarbeitete Produkte bis hin zur letzten Maschine der Produktionslinie, die das fertige Endprodukt liefert. Dabei ist es unerheblich, ob diese Vor-, Zwischen- oder Endprodukte abzählbare Einheiten oder nach Volumen oder Gewicht bemessene Mengen sind. Genau diese Struktur macht sich RAPIDZ zunutze, um ein allgemeines Grundgerüst bereitzustellen, das schnell an spezifische Anlagen angepasst wird.
Jede Komponente folgt in seiner Dynamik einem betriebspunktabhängigen Rezept. Die Menge an Vorprodukt pro resultierendes Zwischenprodukt ist bekannt, ebenso die zur Verarbeitung benötigte Zeit sowie die Dauer von Anfahr- und Abfahrprozessen beziehungsweise Übergängen zwischen verschiedenen Betriebspunkten. Ein Abfüller für Getränke benötigt so etwa eine Flasche vom vorgelagerten Fließband, einen Liter Getränk, einen Schraubdeckel sowie eine betriebspunktabhängige Laufzeit, um ein einzelnes Produkt zu erzeugen.
Auf gleiche Art lassen sich auch Transportsysteme wie Fließbänder oder Stapler implementieren, welche keine Weiterverarbeitung des Produktes übernehmen, aber geschwindigkeits- bzw. taktabhängig die Transportzeiten bestimmen. Anders als die direkten Produktionsmaschinen stehen Hilfsanlagen nicht sequenziell in einer festen Reihenfolge, sondern umschließen eine oder mehrere andere Maschinen. Dies kann tatsächlich physisch einfassend sein, wie es bei Reinräumen der Fall ist, aber auch nur rein logisch, wie bei einer Strom- oder Druckluftversorgung.
Solche Hilfsanlagen können ebenfalls in einer standardisierten Struktur umgesetzt werden: Es sind einzelne Komponenten, an die beliebig viele andere Maschinen angebunden werden können, die wiederum mit diesen Informationen und Zustände austauschen. Eine Klimaanlage sammelt so beispielsweise die Abwärme und Feuchtigkeitsemissionen aller umschlossenen Maschinen und teilt diesen im Gegenzug – abhängig von der eigenen Performance – die resultierende Temperatur und Luftfeuchtigkeit im Raum mit.
Digitale Zwillinge – schnell und effizient erstellt
Diese einfache und standardisierte Struktur bietet zwei zentrale Vorteile: Zum einen sind die zum Aufbau und zur Parametrierung nötigen Anlageninformationen der Produktionsleitung bekannt oder können leicht erfasst werden. Es ist kein tieferes Maschinen-Know-how vom Anlagenhersteller nötig. Zum anderen kann mit einer strukturierten Deklaration der Anlagenparameter der digitale Zwilling des Gesamtsystems automatisiert erzeugt werden. Die Implementierung der zentralen Dynamiken und der Kopplung aller Einzelmaschinen bedarf daher keiner komplexen Modellierung. Dies löst eines der zentralen Probleme beim Einsatz Digitaler Zwillinge in der Produktion: Der Aufwand zur Erstellung ist nun einfach abzuschätzen und zeitlich stark reduziert.
Diese generische Struktur erlaubt RAPIDZ alle Komponenten mittels gleichartiger Gewöhnlicher Differenzialgleichungen und Transportgleichungen abzubilden. Die Zeitdiskretisierung kann dabei anlagen- und anwendungsspezifisch angepasst werden. So kann eine feinere Schrittweite bei der reinen Simulation gewählt werden, während bei Echtzeitanforderungen die maximale Rechenzeit Untergrenzen für die Schrittweite vorgeben. Der bis hierhin vorgestellte digitale Zwilling weist bereits die Fähigkeit auf, die Verarbeitungsschritte der Produktionslinie in stationären Betriebspunkten, aber auch Übergangsphasen darzustellen. Dies bildet nun die Grundlage, um mittels zusätzlicher Module die anwenderspezifischen Fragen zu Produktion, Energiemanagement oder Wartung zu beantworten und gezielte Entscheidungsunterstützung zu bieten. Im Folgenden werden einige Anwendungsbeispiele vorgestellt.
Modellprädiktive Regelung und Überwachung der Produktion
Wenn Maschinen nicht voneinander entkoppelt agieren, sondern in einer Produktionslinie von der Vorgänger- oder Nachfolgerkomponente abhängen, kommt sofort die Frage auf, wie man die Betriebspunkte aufeinander abstimmt. Wenn eine Nachfolgermaschine eine Betriebsstörung aufweist, kann man einfach bis zur Blockade durch den anwachsenden Rückstau weiterfahren oder bereits frühzeitig den eigenen Betriebsmodus derart anpassen, dass möglich viele Vorteile aus der Situation gezogen werden. Dies können etwa energieeffizientere oder maschinen- bzw. produktschonendere Modi sein. Durch die hohe Abhängigkeit der Anlagen im Regelbetrieb ist jedoch oftmals die Bestimmung einer adäquaten Reaktion der Gesamtanlage auf lokale Betriebsstörungen schwer.
Das Konzept der Modellbasierten Regelung nutzt Digitale Zwillinge, um die Auswirkungen von Reglereinstellungen auf komplex wechselwirkende Systeme vorherzusagen und basierend auf einem Zielfunktional die Performanz der Gesamtanlage zu bewerten. Mittels geeigneter Optimierungsverfahren werden schrittweise immer bessere Reglereinstellungen und Betriebspunkte bestimmt. So wird bei der „Modellprädiktive Regelung“ (model predictive control, MPC) Reglerentscheidungen und ihre zukünftigen Effekte direkt am Digitalen Zwilling simuliert und die beste Einstellung an ein Assistenzsystem oder direkt im geschlossenen Regelkreis an die Maschinen weitergegeben [7]. Während Mathematik und Künstliche Intelligenz solche Verfahren immer weiterentwickeln, wird die Frage, wie man schnell und effizient den notwendigen, anwendungsspezifischen Digitalen Zwilling erstellt, ausgeklammert.
Durch die hohe Abhängigkeit der Anlagen im Regelbetrieb ist jedoch oftmals die Bestimmung einer adäquaten Reaktion der Gesamtanlage auf lokale Betriebsstörungen schwer. Diesen offenen Punkt löst RAPIDZ als Modellierungs- und Prognosewerkzeug.
Dank der modularen Struktur können die resultierenden Regler zusätzlich auf die Einzelmaschinen verteilt und dabei trotzdem die Optimierungsziele der Gesamtanlage sichergestellt werden. Dies führt zu einer schnelleren Berechnung der besten Betriebsmodi.
Die Module von RAPIDZ erlauben beliebige Zielfunktionale, also die Bewertung, was der „beste“ Betriebsmodus ist. Sind z. B. Ausschussquoten bekannt, können sie in den Digitalen Zwilling eingebunden werden. So simuliert der digitale Zwilling betriebspunktabhängig die Qualität der Zwischen- oder Endprodukte, die für das Performancemaß der Anlage hinzugenommen werden können. Diese Fehler können dabei in mangelhafter B-Ware oder direktem Ausschuss resultieren. Mit Preisinformationen über die für fehlerhaften Produkten verwendeten Rohstoffe, Vorprodukte oder Energien kann konkret den Mängeln in jedem Produktionsschritt die resultierenden Gesamtkosten zugewiesen werden.
Energieverbrauch, Emissionen und Anlagenverfügbarkeit
Eine weitere modulare Komponente ist das Abbild der Energieversorgungen in RAPIDZ. Die jeweiligen Durchschnittsenergieverbräuche zu den zulässigen Betriebsmodi sind oft bekannt oder können leicht erhoben werden. Die Wertschöpfung dieser Informationen ist jedoch meist von dem produktionsorientierten Anlagenbetrieb entkoppelt. In der Planung werden gegebenenfalls Hochlastzeitfenster bereits vorab gemieden. Im laufenden Betrieb selbst werden ganze Anlagenteile vollständig gestoppt, wenn der Strombedarf die vertragliche Obergrenze erreicht.
Auch hier besteht offensichtlich Verbesserungsbedarf, den RAPIDZ bedienen kann. Bindet man die Zusatzinformationen wie Wetter, aktueller Strommix und -preis oder vertragliche Grenzwerte ein, lassen sich die Zielfunktionale um die Aspekte Energiemanagement und Nachhaltigkeit erweitern. Mögliche Quellen sind z. B. die offene API des Deutschen Wetterdienst [8] für Wettervorhersagen oder SMARD, die freie API für im 15-Minuten-Takt aufgelöste, deutschlandweite Strommarktdaten der Bundesnetzagentur [9].
Mit dem gleichen Prinzip lassen sich auch Emissionen, seien es Abwärme, Feinstaub oder CO2, in den Digitalen Zwilling einbinden und so auch den stetig wachsenden Vorgaben zur Nachhaltigkeit Rechnung tragen.
Umsetzungen und Ausblick
Bisher wurde RAPIDZ für eine Getränkeabfüllanlage und für die Batteriezellfertigung umgesetzt. In beiden Fällen lag der Schwerpunkt auf der Kombination von Produktions- und Energiemanagement. Das RAPIDZ-Modell der Getränkeabfüllung wurde mit einer Schrittweite von 3s und in einer Modellprädiktiven Regelung mit einem Vorhersagehorizont von 10 Minuten betrieben. Regelziel war der störungsfreie Betrieb und die optimale Produktionsleistung bei variablen, durch den Verteilnetzbetreiber gegebenen Obergrenzen des Stromverbrauchs (Demand-Side-Management).
Bei der Batterieproduktion war das Ziel, die volatilen stromintensiven Prozesse derart miteinander abzustimmen, dass die Leistungsspitzen möglichst abgeflacht werden (Peak Shaving) und rückfließende DC-Ströme der Formierung möglichst direkt wieder genutzt und nicht unnötig und verlustreich DC/AC-gewandelt werden müssen. Die hier betrachteten Prozesse hatten jeweils langsamere Dynamiken bzw. längere Laufzeiten, sodass keine kritischen Echtzeitanforderungen auftraten.
Aktuell sind weitere Projekte im Bereich der Qualitätssicherung und Anlagenverfügbarkeit in Vorbereitung.
Dieser Beitrag entstand im Rahmen des Projekts „Re(Pro)³ – Ressourcenoptimierte Produktion durch Inline Prozess- und Produktüberwachung“, das von dem Ministerium für Wissenschaft und Gesundheit des Landes Rheinland-Pfalz (MWG) gefördert wird.
Literatur
[1] Tao, F.; Zhang, M.: Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing. In: IEEE Access (2017). S. 20418-20427.[2] Soori, M.; Arezoo, B.; Dastres, R.: Digital Twin for Smart Manufacturing, A Review. In: Sustainable Manufacturing and Service Economics (2023).
[3] Singh, M.; Fuenmayor, E.; Hinchy, E. P.; Qiao, Y.; Murray, N.; Devine, D.: Digital Twin: Origin to Future. In: Applied System Innovation, 4 (2021) 36.
[4] Zhang, C.; Ji, W.: Digital twin-driven carbon emission prediction and low-carbon control of intelligent manufacturing job-shop. In: Procedia CIRP 83 (2019), S. 624-629.
[5] Lattanzi, L.; Raffaeli, R.; Peruzzini, M.; Pellicciari, M.: Digital twin for smart manufacturing: a review of concepts towards a practical industrial implementation. In: International Journal of Computer Integrated Manufacturing 34 (2021) 6, S. 567-597.
[6] Lu, Y.; Liu, C.; Kevin, I.; Wang, K.; Huang, H.; Xu, X.: Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. In: Robotics and Computer-Integrated Manufacturing, 61 (2020), 101837.
[7] Bozzi, A.; Graffione, S.; Sacile, R.; Zero, E.: Dynamic MPC-Based Scheduling in a Smart Manufacturing System Problem. In: IEEE Access 11 (2023), S. 141987-141996
[8] Deutscher Wetterdienst: API. URL: https://dwd.api.bund.dev/, Abrufdatum 03.04.2025.
[9] Bundesnetzagentur: Strommarktdaten. URL: https://smard.api.bund.dev/, Abrufdatum 03.04.2025.
[10] Ferreira, C.; Gonçalves, G.: Remaining Useful Life prediction and challenges: A literature review on the use of Machine Learning Methods. In: Journal of Manufacturing Systems 63 (2022), S. 550-562.
[11] Zonta, T.; da Costa, C. A.; da Rosa Righi, R.; de Lima, M.J.; da Trindade, E. S.; Li, G. P.: Predictive maintenance in the Industry 4.0: A systematic literature review. In: Computers & Industrial Engineering 150 (2020), 106889.
Ihre Downloads
Lösungen: Produktionsplanung Produktionssteuerung
Das könnte Sie auch interessieren
