Die Digitalisierung der Textilproduktion

Die Entwicklung von Textilprodukten besteht aus zwei sich gegenseitig beeinflussenden Bereichen: der Designentwicklung und der technischen Produktentwicklung. In der Designentwicklung liegt der Fokus auf den optischen und haptischen Eigenschaften des Textils wohingegen die technische Entwicklung sowohl die Konstruktion des Textils als auch die Prozessparameter umfasst.

Die Besonderheit der Textilindustrie ist, dass Designparameter wie Muster und Haptik meist einen direkten Bezug zur Konstruktion des Textils (z. B. Bindung, Flächengewicht) und den Prozessparametern (z. B. Fadenspannung, Polhöhe) aufweisen. Bisher basiert dieser empirisch gestützte Entwicklungsprozess auf dem Knowhow langjähriger Fachkräfte. Dieses meist nicht dokumentierte Expertenwissen steht somit als Folge des demografischen Wandels nicht jederzeit zur Verfügung. Es droht aufgrund der in der Textilbranche vorherrschenden Altersstruktur (52 % der Beschäftigten sind älter als 50 Jahre) langfristig verloren zu gehen [1]

Für Hersteller textiler Bodenbeläge bedeutet dies eine besondere Herausforderung, da diese zum einen bei langlaufenden Produkten eine konstante Produktqualität trotz Veränderungen der lieferbaren Rohstoffe/Halbzeuge sicherstellen müssen. Zum anderen besteht dennoch die Erwartung, durch das Aufgreifen aktueller Modetrends neue Produkte zu designen und damit Kaufanreize zu generieren.

Zu beiden Herausforderungen bietet Digitalisierung, als Megatrend, den produzierenden kleinen und mittleren Unternehmen (KMU) der Textilindustrie eine Reihe von Möglichkeiten, mit denen sie das Erfahrungswissen dokumentieren können. Aus den dann verfügbaren Daten können KMU neue Erkenntnisse ziehen und diese zielführend einsetzen. Das Ziel ist eine beschleunigte Adaption an variierende Eigenschaften der Vorprodukte sowie variierende Produktdesigns und eine schnelle Stabilisierung von Prozessen, speziell beim Einsatz recycelter Materialien. Dadurch werden wiederum der Ausschuss und der Ressourceneinsatz reduziert und somit die Prozesseffizienz – auch bei kleinen Losgrößen [2] – gesteigert.

Digitale Zwillinge können dazu beitragen, Erfahrungswissen und Ereignisse aus verschiedenen Bereichen von Unternehmen zu dokumentieren und in anderen Bereichen des Unternehmens oder des Wertschöpfungsnetzwerks nutzbar zu machen. Das Entscheidende ist, die Perspektive auf die aggregierten Daten entsprechend dem Bedarf auszurichten.

Digitale Zwillinge in der Produktentwicklung

Im folgenden Abschnitt werden die für den Beitrag wesentlichen Konzepte Digitaler Zwilling, Experimentierbarer Digitaler Zwilling sowie Digitaler Material- und Prozesszwilling kurz beschrieben und voneinander abgegrenzt, bevor die Herausforderungen und Potenziale von digitalen Zwillingen in der Entwicklung textiler Bodenbeläge dargelegt werden.

Digitale Zwillinge (DZ) sind virtuelle digitale Repräsentanten physischer Assets (z. B. Maschinen, Gebäude, Material, Produkt) oder realer Subjekte (z. B. Menschen). Sie beschreiben den aktuellen Zustand ihres realen Zwillings über Metadaten, digitale Modelle und Betriebsdaten, prognostizieren sein Verhalten und integrieren ihn über Kommunikationsschnittstellen in das Internet der Dinge, Dienste und Personen. Wie in [3] und [4] beschrieben erweckt ein virtuelles Testbed DZ zum Leben, macht sie ausfühbar, experimentierbar und integrierbar.

Die Bezeichnung Experimentierbare Digitale Prozesszwillinge (EDPZ) wir hier genutzt, um digitale Repräsentationen von konkreten Maschinen mit all ihren für den Prozess relevanten Eigenschaften abzubilden und zu beschreiben. Bei dem hier eingesetzten EDPZ für den Tuftingprozess handelt es sich um ein umfassendes digitales Modell einer Tuftingmaschine. Dieses Modell ermöglicht die Simulation kinematischer Zusammenhänge, Einstellungen und deren Auswirkungen auf das Maschinenverhalten und gibt Hinweise zur zielgerichteten Einstellung der Maschine für ein vorgegebenes Produkt.

Ergänzend zum EDPZ beschreiben Experimentierbare Digitale Materialzwillinge (EDMZ) digitale Repräsentationen von konkreten (Roh-)Materialien sowie daraus hergestellte Halbzeuge und Produkte. Die Modellierung von Material- und Produkteigenschaften im EDMZ sowie die Kombination mit dem EDPZ, wie in Bild 1 dargestellt, ist der erste Schritt in Richtung digitale Produktentwicklung.

In dem hier zugrundeliegenden Anwendungsfeld – Entwicklung textiler Bodenbeläge – ist das Entwicklungsziel die Optimierung der Produktqualität. Dadurch liegt der Fokus insbesondere auf der technischen Produktentwicklung. Bei der technischen Produktentwicklung von Tuftingprodukten haben speziell die nachfolgend erläuterten Einflussfaktoren einen großen Einfluss auf den Erfolg.

a) Kleine Losgrößen und hohe Umrüstkosten

Die deutsche Textilindustrie konnte sich durch hoch innovative und spezialisierte Produkte bereits Märkte jenseits von Massenware für Bekleidung und Heimtextilien erarbeiten. Jedoch stellen immer kleiner werdende Losgrößen in Verbindung mit hohen Kosten für die Umrüstung und Einrichtung der Textilmaschinen eine enorme Herausforderung dar. Die Implementierung des EDMZ ermöglicht eine effiziente wirtschaftliche Produktentwicklung und die gezielte Vorhersage der zu erwartenden Produkteigenschaften. Damit werden Umrüstkosten insbesondere durch eine beschleunigte Anlaufphase reduziert und kleine Losgrößen wirtschaftlich.

b) Personalfluktuation und Fachkräftemangel

Wie in vielen Branchen wird das über Jahrzehnte erarbeitete Wissen der Fachkräfte auch in der Textilindustrie oft nur mündlich weitergegeben. Die EDMZ bündeln Erfahrung und Expertenwissen, womit sie in digitaler Form abrufbar und reproduzierbar sind. Damit ist gezielte und innovative Produktentwicklung auch für unerfahrene Fachkräfte möglich, da sie in Entwicklung und Produktion aktiv unterstützt werden. Dies beschleunigt auch die Einarbeitung neuer Fachkräfte.

c) Steigende Anforderungen an Produktqualität, Prozesskontrolle und Reproduzierbarkeit

Die Anforderungen an die Produktentwicklung und die daraus resultierende Produktqualität steigen durch neue gesetzliche Rahmenbedingungen, mit denen die hinsichtlich Gesundheit, Sicherheit und Ökologie relevanten Eigenschaften textiler Produkte zunehmend strenger bewertet werden. Durch EDMZ wird ein Beitrag zu einer stabileren, reproduzierbaren Produktqualität geleistet, da verfügbare Sensorsysteme zur Kontrolle der kinematischen Abläufe und von Material- und Produkteigenschaften eingebunden werden können.

d) Personal-, zeit- und materialintensive Produktentwicklung

Eine wirtschaftlichere Produktentwicklung ist nur mit schnellen und reproduzierbaren Einstellvorgängen, also einer effektiven und effizienten technischen Entwicklung, möglich. Durch die Verbindung aus EDPZ und EDMZ kann der Herstellungsprozess simuliert, die Gesamtheit an Produkteigenschaften vorhergesagt und mit den definierten Materialanforderungen verglichen werden. Dadurch wird eine erhebliche Verringerung der für die Produktentwicklung erforderlichen Personal-, Zeit- und Materialressourcen erzielt.

Entwicklung Experimentierbarer Digitaler Zwillinge

Das im Projekt Ressource T-EXDIZ konzipierte Vorgehensmodell zur Entwicklung Experimentierbarer Digitaler Zwillinge baut auf der in [2] und [5] beschriebenen Methodik eines Materialdatenraums auf. Dabei findet zuerst eine umfassende Identifikation und Analyse aller Materialien und Prozessschritte entlang des betrachteten Prozesses statt, bei dem möglichst alle Parameter und Daten korrekt und vollständig erfasst werden.

Die ermittelten Material- und Produkteigenschaften sowie Prozessparameter werden dann im digitalen Modell abgebildet. Die Relevanz der einzelnen Parameter wird dabei mithilfe von quantitativen und qualitativen Untersuchungen und in Kenntnis der physischen Prozesse belegt. Insbesondere die Zusammenhänge/Beziehungen zwischen Materialeigenschaften, Prozessparametern und den resultierenden Produkteigenschaften stehen dabei im Fokus. Ziel ist es, die Parameter für einen ressourceneffizienten Prozess bei gegebenen Material- und Produkteigenschaften zu identifizieren und zu strukturieren.

Zur Visualisierung des digitalen Modells werden grafische Darstellungen, sogenannte Knowledge Maps, genutzt. Damit kann ein umfassendes und gemeinsames Verständnis der identifizierten Parameter bei allen Beteiligten erzielt und die Abhängigkeiten der Parameter untereinander mit Domänenexperten erörtert werden.

In dem hier betrachteten Prozess des Tuftens, welcher in Bild 2 in stark vereinfachter Form und unter Auslassung vieler weiterer Parameter dargestellt ist, werden dazu die Input-Materialien Garn und Träger mit ihren Materialeigenschaften wie z. B. Garnfeinheit und -typ bzw. Flächentyp beschrieben. Da sich im Fachterminus Begriffe überschneiden, deren Werte jedoch nicht zwangsläufig identisch sind, wurden diese mit den Kürzeln (R) für Rohware, (P) für Produkt und (T) für Tuften ergänzt.

Output des Prozesses ist die Rohware bzw. das Produkt mit seinen Eigenschaften wie Polhöhe und Flächengewicht. Der Tuftingprozess selbst wird charakterisiert durch Einstellparameter wie Stichdichte (T) und Polhöhe (T) aber auch durch die sich ergebenden Prozesseigenschaften wie Vorspannkraft. Die gepunkteten Pfeile zeigen Abhängigkeiten zwischen den Parametern an. So wird deutlich, dass das Flächengewicht (P) des finalen Produktes von vielen Eigenschaften beeinflusst wird, sowohl vom Prozess als auch von Garn, Träger und Rohware.

Die Parameteranalyse dient darüber hinaus vor allem der Komplexitätsreduktion und der Fokussierung des EDMZ auf die für den Prozess relevanten Parameter. Im hier betrachteten Tuftingprozess gibt es bekannte Zusammenhänge wie z. B. die funktionale Abhängigkeit des Flächengewichts eines gewebten Tuftingträgers von der Feinheit des verwendeten Garns sowie der Kett-/Schussfadendichte. Für diese bekannten Zusammenhänge zwischen Material-, Prozess- und Produktparametern gibt es bei der technischen Produktentwicklung bereits etablierte Lösungen. Mithilfe von Korrelations- und Clusteranalysen können darüber hinaus nichtfunktionale Zusammenhänge, z. B. die Abhängigkeit der Produktqualität von der Produktionsgeschwindigkeit, aber auch vermutete und unbekannte Zusammenhänge und Abhängigkeiten zwischen Material-, Prozess- und Produktparametern bestätigt bzw. ermittelt und genutzt werden.

Die entwickelten Knowledge Maps stellen die Basis für die Entwicklung des EDMZ als formale Ontologie – bestehend aus Klassen, Relationen und Regeln – dar. Das einer Ontologie zugrunde liegende semantische Modell ist in der Lage, die digitalen Zwillinge hinsichtlich Vollständigkeit und Integrität der Daten zu prüfen sowie mithilfe von Inferenzmechanismen erste Erkenntnisse zu ziehen und Lücken in der Datenbasis zu schließen. Bild 3 zeigt beispielhaft den Klassenbaum und die Definition der Klasse Tufting als eine Unterklasse von „Process“. Im Teilfenster darunter sind die Bedingungen aufgelistet, die einen allgemeinen Prozess zu einem spezifischen Tuftingprozess machen.

Als Ontologie ist das entwickelte semantische Modell des EDMZ für Personen verständlich und gleichzeitig maschinell auswertbar und verarbeitbar.

Einsatz Experimentierbarer Digitaler Zwillinge

Der entwickelte EDMZ für den Tuftingprozess ermöglicht die Transformation des auf einer empirischen Vorgehensweise und dem Knowhow langjähriger Fachkräfte basierenden Entwicklungsprozesses hin zu einem in großen Teilen digitalen Entwicklungsprozess. Dieser neue digitalisierte Entwicklungsprozess muss dabei zwei Anwendungsszenarien abdecken:

Zum einen muss er die Fachkräfte bei routinemäßigen Entwicklungstätigkeiten wie die Sicherstellung einer konstanten Produktqualität bei langlaufenden Produkten trotz Veränderungen der verfügbaren Rohstoffe/Halbzeuge unterstützen oder die Abschätzung von Prozessparametern für ähnliche (Neu-)Produkte und neue Produktvarianten ermöglichen.

Zum anderen soll er die Fachkräfte auch dabei unterstützen, innovative Produkte und Lösungen in den Randbereichen der Technologie hervorzubringen. Dabei werden die abgeschätzten Prozessparameter simulativ durch den EDPZ hinsichtlich der Produzierbarkeit verifiziert. Für deutsche und europäische Hersteller von Tuftingprodukten ist das zweite Anwendungsszenario von großer Bedeutung, das ihnen ermöglicht, neue innovative Produkte sowie neue Anwendungsfelder und Märkte zu adressieren.

So wurde in Forschungsarbeiten die Eignung einer modifizierten Tuftingtechnologie zur Herstellung dreidimensionaler Strukturen für technische Anwendungen nachgewiesen, etwa für textile Wärmetauscher [6] und Bogensiebe [7]. Insbesondere in diesem Bereich werden vergleichsweise hochpreisige Rohstoffe eingesetzt, weshalb ein digitaler und ressourcenschonender Entwicklungsprozess einen Beitrag zur Wettbewerbsfähigkeit der deutschen und europäischen Textilindustrie darstellt.

Für die Zukunft ist die softwaretechnische Verknüpfung der beiden Digitalen Zwillinge (EDMZ und EDPZ) sowie die Erweiterung des EDMZ um ein Machine-Learning-Modul zur verbesserten Parameterabschätzung (Bild 1) vorgesehen. Damit wäre der komplette Tuftingprozess virtualisiert. Das so entstandene Simulationssystem mit beiden integrierten Experimentierbaren Digitalen Zwillingen bildet das Werkzeug, das in einem neu zu konzipierenden Produktentwicklungsprozess zum Einsatz kommen kann und eine virtuelle Produktentwicklung für Tuftingprodukte ermöglicht.

Für die Tuftingindustrie bedeutet die virtuelle Produktentwicklung eine schnelle Stabilisierung der Herstellungsprozesse, auch beim Einsatz recycelter Materialien, eine Reduktion des Ausschuss und des gesamten Ressourceneinsatzes inklusive Personal-, Zeit- und Materialressourcen. Darüber hinaus senkt die Beschleunigung des Entwicklungsprozesses den Energieverbrauch in einer energieintensiven Branche. Damit bleibt der Produktionsstandort Deutschland und Europa wettbewerbsfähig, um qualitativ hochwertige Tuftingprodukte mit kurzen Lieferwegen herzustellen.

Dieser Beitrag entstand im Rahmen des Projekts „Datenunterstützte Effizienzsteigerung bei der Entwicklung textiler Produkte durch Experimentierbare Digitale Zwillinge am Beispiel des Tuftens (Ressource T-EXDIZ)“ 22002 N, das über die AiF im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung und -entwicklung (IGF) vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages gefördert wird. Schlüsselwörter: Digitale Zwillinge, virtuelle Produktentwicklung

Das könnte Sie auch interessieren

Lernfabriken für die Zukunft der Fertigung in Brasilien Förderung der Industrie durch Technologie und Kompetenzentwicklung

Fertigungsunternehmen in Entwicklungsländern stehen vor der Herausforderung, Produktivitätslücken zu schließen und gleichzeitig Industrie-4.0-Technologien einzuführen. Lernfabriken sind ein hilfreicher Ansatz, um diesen Herausforderungen zu begegnen. Ein Beispiel hierfür ist die Lernfabrik „Fábrica do Futuro“ in São Paulo, Brasilien, die Studierende einbindet, die Kompetenzentwicklung fördert und mit der Industrie in der angewandten Forschung zusammenarbeitet.

Serious Gaming und die Energiewende Kollaborativ Wissen erzeugen und interaktiv komplexe Zusammenhänge begreifen Janine Gondolf , Gert Mehlmann, Jörn Hartung, Bernd Schweinshaut, Anne Bauer

Die Vermittlung der Komplexität und Vielschichtigkeit der Energiewende an ein breites Publikum ist eine Herausforderung. Dieser Beitrag zeigt auf, wie interaktive Serious Games auf einem Multitouch-Tisch dazu beitragen können, Zusammenhänge erfahrbar und begreifbar zu machen. Spiele und Tisch wurden in verschiedenen Gesprächskontexten eingesetzt. Diese werden hier in drei Fallvignetten dargestellt, die auf teilnehmender Beobachtung der unterschiedlichen Einsätze, situierter und gemeinsamer Reflexion basieren. Die Vignetten zeigen, wie Interaktion epistemische Prozesse anstoßen, Perspektivwechsel ermöglichen und kollektives Denken fördern kann, das für gesamtgesellschaftliche Zukunftsgestaltung notwendig ist.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 62-69 | DOI 10.30844/I4SD.26.2.62

Digitale Zwillinge in Produktion und Logistik erleben Die fischertechnik® Lernfabrik 4.0 als Entwicklungsplattform für mögliche Ausbaustufen Deike Gliem , Sigrid Wenzel , Jan Schickram, Tareq Albeesh

Die fischertechnik® Lernfabrik 4.0 hat sich als geeignete Experimentierumgebung zur Erprobung Digitaler Zwillinge erwiesen. Abhängig vom angestrebten Reifegrad reichen die Funktionen eines Digitalen Zwillings von der reinen Zustandsüberwachung über Prognosen bis hin zur operativen Steuerung von Produktions- und Logistiksystemen. Zur systematischen Einordnung dieser Funktionen wird in diesem Beitrag ein Reifegradmodell vorgestellt, das als Orientierungsrahmen für den Aufbau eines Digitalen Zwillings dient. Darauf aufbauend werden ausgewählte Anwendungsfälle in einer Test- und Entwicklungsumgebung umgesetzt, die auf einer Systemarchitektur mit mehrstufiger Schichtlogik basiert. Anhand erster Umsetzungen werden Einsatzzwecke, relevante Methoden sowie typische Herausforderungen und Potenziale für den Transfer in reale Fabrikumgebungen aufgezeigt.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 30-37 | DOI 10.30844/I4SD.26.2.30

Angewandte KI für die menschenzentrierte Montage Ein ethisch fundierter Ansatz zur Gestaltung von Arbeitsplätzen Tadele Belay Tuli , Michael Jonek , Sascha Niethammer, Henning Vogler, Martin Manns

Künstliche Intelligenz (KI) kann die Montage verbessern, indem sie menschliche Bewegungen vorhersagt und den Arbeitsplatz entsprechend gestaltet. Mithilfe probabilistischer Modelle wie der Gaußschen Mischmodelle (GMMs) antizipieren KI-Systeme die Bewegungen des Bedieners, um die Koordination mit Robotern zu verbessern. Diese Vorhersagesysteme werfen jedoch ethische Bedenken hinsichtlich Sicherheit, Fairness und Datenschutz gemäß EU AI Act auf. Dieser Artikel stellt eine Methode vor, die probabilistische Bewegungsmodellierung mit ethischer Bewertung mittels Z-Inspection® integriert. Eine Fallstudie unter Verwendung des Werkerassistenzsystem zeigt, wie multimodale Sensorik (Bewegung, Blick) und interpretierbare Modelle eine vorausschauende Unterstützung ermöglichen. Der Ansatz geht von der ethischen Bewertung zu einer ethisch informierten Arbeitsgestaltung über und liefert übertragbare Prinzipien sowie eine konfigurierbare Bewertungsmatrix.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 60-68 | DOI 10.30844/I4SD.26.1.60

Produktionssteuerung im All Ein KI-gestützter Ansatz für die Industrie im Orbit Dominik Augenstein, Lara Jovic

Eine Produktion im Weltraum, beispielsweise von Halbleitern, bietet viele Vorteile für Unternehmen. Gleichzeitig sorgen hohe Transportkosten dafür, dass genau abgewogen werden muss, welche Produktionsmaterialien man ins Weltall transportiert. Die Anwendung sogenannter Kalman-Filter ermöglicht dabei eine (Echt-Zeit) Steuerung von der Erde aus und damit eine kosteneffiziente Art der Weltraumproduktion. Mittels Machine Learning kann dieser Ansatz auch bei sehr komplexen Produktionssystemen Anwendung finden.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 22-29

Quiz: Produktion im Weltraum Testen Sie jetzt Ihr Wissen!

Schwerelos produzieren – nur Science-Fiction oder bereits Realität? Dank neuer Raumfahrttechnologien entstehen heute erste Produktionsprozesse im All, die Materialien und Strukturen ermöglichen, die auf der Erde kaum herstellbar sind. Von ultrapuren Fasern bis zum 3D-Druck von Organen: Die Schwerelosigkeit eröffnet Industrien völlig neue Perspektiven – und bringt die Raumfertigung näher an die Gegenwart, als viele denken.