Digitaler Zwilling mittels semantischer Modellierung und KI |
Selbstlernende Entwicklung und Simulation industrieller Produktionsanlagen
, Ralf Stetter
, Markus Pfeil
, Thomas Bayer
, Bernd Michelberger, Markus Till, Timo Schuchter, Alexander Lohr| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 2, Seite 30-36 |
| Open Access | https://doi.org/10.30844/I4SD.25.2.30 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Der Ansatz des Digitalen Zwillings findet seit einigen Jahren zunehmend Anwendung insbesondere im Bereich der industriellen Produktion [1] und ermöglicht das Monitoring und die Simulation des Verhaltens eines physikalischen Systems sowie die Vorhersage kritischer Systemzustände.
Hierbei finden zunehmend Techniken aus dem Bereich der KI bzw. konkret des maschinellen Lernens Anwendung, um das Systemverhalten automatisch zu erfassen. Mittels KI gewonnene Erkenntnisse liegen im Anwendungsfeld Industrie 4.0 jedoch oftmals lediglich isoliert für Teilaspekte eines Produktionsprozesses vor. Die Erkennung übergreifender Muster für einen gesamten Produktionsprozess und Produktlebenszyklus scheitert in der Regel an einem fehlenden Gesamtmodell zur semantischen und ontologischen Einordnung der Erkenntnisse.
Aus statistischer Sicht liefern typische Verfahren der KI und des maschinellen Lernens (ML) lediglich Wahrscheinlichkeiten für das Auftreten bestimmter Muster oder Zusammenhänge. Kausale Zusammenhänge können nicht erkannt werden. Die hieraus resultierende Unsicherheit stellt insb. in komplexen und kritischen Anwendungsgebieten wie der Produktion ein grundsätzliches Problem dar. Abhilfe schaffen hier Ansätze aus dem Bereich der eXplainable AI (XAI), d. h. der automatischen Beschreibung und Erklärung von ML-Modellen [2] – etwa die Erläuterung, warum und anhand welcher Eingangsparameter das Modell einen Maschinenausfall vorhersagt.
Aber auch eine derartige Erklärung und Interpretation gewonnener Erkenntnisse profitieren von semantisch reichhaltigen Modellen. Die Erkenntnisse der KI können folglich nur dann komplett im Umfeld der Industrie 4.0 genutzt werden, wenn sie in Gesamtmodelle eingebracht werden, die u. a. Funktion, Verhalten, Struktur und Geometrie verbinden und so die Erklärung und nachvollziehbare Prognose des Systemverhaltens erlauben.
Zielsetzung des Projekts ist die Konzeption eines KI-basierten, selbstlernenden und selbsterklärenden Digitalen Zwillings, der sich automatisch an das reale Systemverhalten anpasst und jederzeit ein optimales Abbild des Produktionsprozesses darstellt. Die mittels Methoden der KI gewonnenen Erkenntnisse werden in ein semantisch reichhaltiges Gesamtmodell integriert und so die Interpretierbarkeit und Erklärbarkeit der KI-Modelle und komplexe Analysen und Prognosen auch mittels Techniken der Simulation ermöglicht.
Digitaler Zwilling und KI in der Produktion
Das Konzept des Digitalen Zwillings wurde von [1] im Jahr 2003 zuerst erwähnt. War diese Technologie zunächst ein Konzept zum einfachen Monitoring eines Produkts oder einer Produktionsanlage, so stellen Digitale Zwillinge heutzutage eine dynamische, virtuelle Entität als digitales Abbild eines Ausschnitts der physischen Realität dar und ermöglichen komplexe Simulationen und Analysen bzw. Vorhersagen von Zuständen des physischen Systems.
Für die Weiterverarbeitung und Analyse der gesammelten Leistungs- und Ausführungsdaten kommen zunehmend Techniken aus dem Bereich des maschinellen Lernens zum Einsatz, wie z. B. Artificial Neural Networks, Deep Neural Networks oder Hidden Markov Models, oder auch Ansätze aus dem Bereich des Physics-Informed Machine Learning, um typische Ausführungsmuster und Zusammenhänge automatisch zu erkennen und zukünftige Systemzustände besser vorhersagen zu können [3-7].
Im Bereich der Modellierung des physischen Systems und der Repräsentation von Ausführungs- und Leistungsdaten befassen sich neuere Forschungsarbeiten und Entwicklungen mit dem Einsatz von Semantic-Web-Technologien (z. B. Ontologien oder Knowledge Graphen), um ausdrucksstarke Produkt- und Produktionsmodelle bereitstellen zu können [8, 9].
Anwendungsfälle Künstlicher Intelligenz leiden insbesondere dann unter dem Problem der Unsicherheit, wenn das zugrunde liegende Modell den betrachteten Ausschnitt der Wirklichkeit nur unvollständig abbildet. Gerade in kritischen Anwendungsbereichen wie der Produktion ist daher die Erklärbarkeit von KI-Modellen eine wichtige Voraussetzung für deren Verlässlichkeit und Akzeptanz [2].
Der Begriff eXplainable AI wurde 2017 von der DARPA ins Leben gerufen und beschreibt Methoden zur automatischen Erklärung von KI-Modellen. Hierbei gibt es Ansätze, das Modell als Ganzes zu erklären oder dieses durch ein verständlicheres Modell (ein Surrogate-Modell) zu ersetzen [10]. Auch im Anwendungsgebiet Industrie 4.0 kommen Ansätze der eXplainable AI (XAI) zunehmend zum Einsatz [11, 12].
Architektur eines KI-basierten Digitalen Zwillings
Kernelement des KI-basierten Digitalen Zwillings ist ein neuartiges, selbstlernendes Engineering-Modell. Ausgangsbasis hierfür ist ein Produkt- und Produktionsmodell, das Funktion, Verhalten und Produktgeometrie abbildet. Zum Einsatz kommen graphenbasierte Entwurfssprachen unter Einsatz der Unified Modeling Language [13, 14] und des Design Cockpit 43 [15] (Bild 1 oben).
Der hier vorgestellte Ansatz ergänzt nun obige Produkt- und Produktionsmodelle um eine semantische Modellierung. Diese ermöglicht die ontologische Einordnung der Begriffe und Entitäten in den Gesamtkontext der Domäne und die Abbildung von Beziehungen und Wirkungszusammenhängen. Im Gegensatz zu klassischen Produkt- und Produktionsmodellen dient das semantisch reichhaltige Gesamtmodell nicht nur als ausdrucksstarker Input für Verfahren der künstlichen Intelligenz und des maschinellen Lernens, sondern auch zur Ablage der mittels KI gewonnenen Erkenntnisse über Wirkungszusammenhänge und Einflussfaktoren (Bild 1 rechts).
Das semantisch reichhaltige Modell als zentrales Element der Architektur wird technisch umgesetzt als Knowledge Graph, modelliert mittels der Web Ontology Language (OWL) und persistiert in der graphbasierten Datenbank GraphDB (Bild 1 mitte). Dieser Knowledge Graph dient als zentrale Wissensbasis für alle für den KI-basierten Digitalen Zwilling relevanten bzw. generierten Informationen.
Dieses Framework eignet sich zur integrierten, den Lebenszyklus überspannenden Abbildung von domainenübergreifenden Produkt- und Prozessdaten in den Bereichen Funktion, Verhalten, Struktur und Geometrie. Mittels Sensoren und Aktoren (beispielsweise eingebunden über ein Produktionsplanungs- und Steuerungssystem) werden Leistungs- und Ausführungsdaten des Produktionsprozesses erhoben und im Sinne einer semantischen Annotation mit dem Produkt- und Produktionsmodell verknüpft.
Mittels KI-Techniken aus dem Bereich des maschinellen Lernens werden die Leistungs- und Ausführungsdaten unter Zuhilfenahme des semantischen Modells ausgewertet und Erkenntnisse über Wirkungszusammenhänge und Ablaufmuster in Form von KI-Modellen generiert. Diese werden anschließend wiederum im Sinne eines selbstlernenden Digitalen Zwillings in das Gesamtmodell integriert und dienen als Input für die Simulation von Produktionsabläufen.
Mittels Techniken aus dem Bereich XAI erfolgt eine automatische Erklärung und Beschreibung der KI-Modelle, z. B. durch die Charakterisierung einflussreicher Features oder eine Layerwise Relevance Propagation. Die Simulation des Systemverhaltens und die Erklärung der zugrundeliegenden KI-Modelle stellen dann die Schnittstelle des Digitalen Zwillings zum Endnutzer, z. B. Produktionsleiter oder -mitarbeiter, dar.
Ein zentrales Konzept des vorgestellten Ansatzes ist die Zerlegung des Gesamtsystems in Functional Mockup Units (FMUs) [14, 16], die jeweils eine eigenständige Dynamik und ein eigenständiges Verhalten aufweisen. Das gesamte Systemverhalten ergibt sich dann aus dem Zusammenspiel aller durch Output/Input-Beziehungen verknüpften Functional Mockup Units (FMUs). Die Zerlegung des Gesamtsystems in Functional Mockup Units wird hierbei bereits im Design Cockpit 43 modelliert.
Ein zentrales Konzept der vorliegenden Architektur ist nun, das dynamische Verhalten der einzelnen FMUs nicht nur mittels fester Regeln oder mathematischer Gleichungen zu beschreiben (d. h. klassischer Verhaltensmodelle), sondern auf Basis der Ausführungs- und Leistungsdaten mittels ML-Verfahren automatisch und dynamisch zu erlernen. Für die im Design Cockpit 43 definierten FMUs und ihren Input und Output können entsprechende ML-Modelle gelernt und im KG bereitgestellt werden.
Alle relevanten Aspekte der Produkt- und Produktionsmodelle, d. h. vor allem die FMU-Definitionen und die Produkt- und Produktionsgeometrien, sowie neben den klassischen Simulations- und Verhaltensmodellen auch die ML-Modelle und Erklärungen werden der auf INTO-CPS (Integrated Tool Chain for Model-based Design of Cyber-Physical Systems) [16] basierenden Co-Simulation übergeben. Im Rahmen der Simulation des Systemverhaltens besteht die Möglichkeit, unterschiedliche ML-Modelle für die Berechnung des FMU-Outputs einzusetzen bzw. für den auf Basis des ML-Modells berechneten Output Erklärungen bereitzustellen. Bild 1 zeigt die Gesamtarchitektur des Digitalen Zwillings mit allen Komponenten und deren Zusammenspiel.
Validierung anhand einer FESTO-Laboranlage
Als konkreter Anwendungsfall zur exemplarischen Umsetzung und Validierung dient in dieser Studie eine FESTO-Laboranlage. Bild 2 (oben) zeigt die unterschiedlichen Module der FESTO-Laboranlage. Gemäß des oben vorgestellten Konzepts der Co-Simulation werden die Module der Anlage zunächst in einzelne Functional Mockup Units (FMUs) zerlegt und deren Output-Input-Zusammenspiel festgelegt (Bild 2 unten).
Die Validierung wird exemplarisch gezeigt anhand der Functional-Mockup-Unit-Bauteilrutsche im Modul „Prüfen“. Um das Konzept des ML-basierten, selbstlernenden Digitalen Zwillings zu validieren, wurden für die FMU Bauteilrutsche für den erfolgreichen Rutschvorgang relevante Inputparameter festgelegt (Luftdruck Rutsche, Gewicht Bauteil, Krümmung Unterseite Bauteil etc.). Output der FMU ist die benötigte Zeit für den Rutschvorgang bzw. der Erfolg des Rutschvorgangs.
Zur Validierung des vorgestellten Ansatzes wurden alle Komponenten der Architektur für den Anwendungsfall Bauteilrutsche prototypisch umgesetzt, Ausführungsdaten mittels der Durchführung von Testdurchläufen generiert, auf diesen Ausführungsdaten das Systemverhalten gelernt und schließlich in der Co-Simulation im Sinne eines Digitalen Zwillings simuliert.
Bild 3 (links) zeigt ein Surrogate-Modell (d. h. ein Ersatzmodell zur Erklärung beliebiger Black-Box-Modelle wie Artificial Neural Networks) in Form eines Entscheidungsbaums, das auf Basis der erstellten Ausführungsdaten das gelernte Systemverhalten der Bauteilrutsche repräsentiert. Bild 3 (rechts) zeigt einen Ausschnitt der graphischen Simulation des Digitalen Zwillings mit der FMU Bauteilrutsche. Der Entscheidungsbaum dient als Basis für die Simulation des Systemverhaltens und dieses kann so für unterschiedliche Inputparameter vorhergesagt und simuliert werden.
Die FESTO-Laboranlage bildet einen gesamten Produktionsprozess ab, bestehend aus einer Vielzahl an Produktionsschritten und Bearbeitungsvorgängen. Sie eignet sich daher sehr gut für die Validierung des Konzepts der Co-Simulation, bei welcher der Gesamtprozess in Teileinheiten, sog. Functional Mockup Units (FMUs) zerlegt wird. Darüber hinaus wird jedes Modul der Anlage über eine speicherprogrammierte Steuerung (SPS) angesteuert und überwacht. Die generierten Ausführungs- und Leistungsdaten haben somit Realanlagencharakter.
Das vorgestellte Konzept der Co-Simuation ermöglicht nicht nur eine komplexe Modellierung einzelner FMUs, wahlweise mathematisch/physikalisch oder KI-basiert, sondern auch die Abbildung komplexer nebenläufiger Prozesse. Allerdings ist an dieser Stelle einschränkend festzuhalten, dass die im Rahmen der Validierung modellierten FMUs lediglich sequentiell verknüpft waren. Komplexe und nebenläufige Verknüpfungen von FMUs und die KI-basierte Modellierung deren Zusammenspiels war nicht Gegenstand der vorliegenden Validierung.
Neuartiges Konzept für einen KI-basierten, selbstlernenden Digitalen Zwilling
Gemäß der Idee der Co-Simulation wird das Gesamtsystem in Teilkomponenten zerlegt, sog. Functional Mockup Units (FMUs). Statt der klassischen physikalisch bzw. mathematischen Simulation des Verhaltens einer FMU wird dieses nun KI-basiert gelernt, während die oftmals aufwendige Bestimmung der Simulationsparameter entfällt. Techniken aus dem Bereich des eXplainable AI (XAI) ermöglichen die Beschreibung und Erklärung der ML-Modelle.
Als zentrales Element der Architektur wurde das Konzept eines semantisch reichhaltigen Modells vorgestellt, das typische Produkt- und Produktionsdatenmodelle um eine semantische Modellierung erweitert und semantisch reichhaltige Informationen und Wissen als Input für bzw. Ergebnis von ML- und XAI-Verfahren repräsentiert. Prototypisch umgesetzt und validiert wurde der Gesamtansatz für eine FESTO-Laboranlage, wobei ausgewählte Stationen der Anlage als FMUs modelliert, analysiert und simuliert wurden. Hierbei konnte die Funktionsweise aller Komponenten aber auch der Gesamtarchitektur nachgewiesen werden.
Als nächste Schritte der laufenden Forschungsarbeit ist der Einsatz weiterer XAI-Techniken und insbesondere die natürlichsprachliche Beschreibung von ML-Modellen mittels Large Language Models (LLMs) und Retrieval Augmented Generation (RAG) geplant [17], sowie die Erprobung des Gesamtansatzes auf einer Realanlage. Die Anwendung des beschriebenen Ansatzes auf synthetische Simulationsdaten, generiert aus den im Design Cockpit 43 erstellten Ablaufmodellen, stellt ein weiteres vielversprechendes Einsatzgebiet dar.
Dieser Beitrag entstand im Rahmen des Projekts „KIDZ – KI-basierter digitaler Zwilling“, gefördert von der Carl-Zeiss-Stiftung im Förderprogramm „Durchbrüche der KI“.
Literatur
[1] Grieves, M.: Digital Twin: Manufacturing Excellence through Virtual Factory Replication. White Paper. 2014. URL: https://scholar.google.com/scholar?hl=en&as_sdt=0,5&cluster=15300272734769108202, Abrufdatum 09.01.2025.[2] Burkhart, N.; Huber, M. F.: A Survey on the Explainability of Supervised Machine Learning. In: Journal of Artificial Intelligence Research 70 (2021), S. 245-317.
[3] Anastasi, S.; Madonna, M.; Monica, L.: Implications of embedded artificial intelligence – machine learning on safety of machinery. In: Procedia Computer Science 180 (2021), S. 338-343, ISSN 1877-0509. DOI: https://doi.org/10.1016/j.procs.2021.01.171.
[4] Rodrigues, J. F.; Florea, L.; Oliveira, M. C. F.; Diamond, D.; Oliveira, O. N.: Big data and machine learning for materials science. In: Discov Mater 1 (2021) 12, DOI: 10.1007/s43939-021-00012-0.
[5] Toorajipour, R.; Sohrabpour, V.; Nazarpour, A.; Oghazi, P.; Fischl, M.: Artificial intelligence in supply chain management: A systematic literature review. In: Journal of Business Research 122 (2021), S. 502-517. DOI: https://doi.org/10.1016/j.jbusres.2020.09.009.
[6] Daniyan, I.; Muvunzi, R.; Mpofu, K.: Artificial intelligence system for enhancing product’s performance during its life cycle in a railcar industry. In: Procedia CIRP 98 (2021), S. 482-487. DOI: https://doi.org/10.1016/j.procir.2021.01.138.
[7] Arff, B.; Haasis, J.; Thomas, J.; Bonenberger, C.; Höpken, W.; Stetter, R.: Analysis and Visualization of Production Bottlenecks as Part of a Digital Twin in Industrial IoT. In: Applied Sciences 13 (2023) 6, S. 3525. DOI: https://doi.org/10.3390/app13063525.
[8] Gräßler, I.; Wiechel, D.; Pottebaum, J.: Role model of model-based systems engineering application. In: IOP Conference Series Material Science and Engineering 1097 (2021) 012003. DOI: https://doi.org/10.1088/1757-899X/1097/1/012003.
[9] Shaked, A.; Reich, Y.: Using Domain-Specific Models to Facilitate Model-Based Systems-Engineering: Development Process Design Modeling with OPM and PROVE. In: Applied Sciences 11 (2021) 1532. DOI: https://doi.org/10.3390/app1104153.
[10] Lécué, F.: On the role of knowledge graphs in explainable AI. In: Semantic Web 11 (2020) 1, S. 41-51.
[11] Christou, I. T.; Kefalakis, N.; Zalonis, A.; Soldatos, J.: Predictive and Explainable Machine Learning for Industrial Internet of Things Applications. In: 16th International Conference on Distributed Computing in Sensor Systems (DCOSS) 2020, Marina del Rey, CA, USA, S. 213-218.
[12] Pilania, G.: Machine learning in materials science: From explainable predictions to autonomous design. In: Computational Materials Science 193 (2021), DOI: https://doi.org/10.1016/j.commatsci.2021.110360.
[13] Grüble, T.; Stetter, R.; Schuchter, T.; Till, M.; Rudolph, S.: Combined Geometric and Kinetic Data Model in Model-Based Systems Engineering of Robotic Cells. In: Procedia CIRP 128 (2024), S. 156-161. DOI: https://doi.org/10.1016/j.procir.2024.03.005.
[14] Saft, P.; Pfeil, M.; Stetter, R.; Till, M.; Rudolph, S.: Integration of geometry modelling and behaviour simulation based on graph-based design languages and functional mockup units. In: Procedia CIRP 128 (2024), S. 310-315. DOI: https://doi.org/10.1016/j.procir.2024.06.025.
[15] IILS Ingenieurgesellschaft für Intelligente Lösungen und Systeme mbH. URL: https://www.iils.de, Abrufdatum 07.02.2025.
[16] Larsen, P. G.; Fitzgerald, J.; Woodcock, J.; Fritzson, P.; Brauer, J.; Kleijn, Ch.; Lecomte, Th.; Pfeil, M.; Green, O.; Basagiannis, St.; Sadovykh, A.: Integrated tool chain for model-based design of Cyber-Physical Systems: The INTO-CPS project. In: 2nd International Workshop on Modelling, Analysis, and Control of Complex CPS (CPS Data) 2016, S. 1-6. DOI: https://doi.org/10.1109/CPSData.2016.7496424.
[17] Pan, S.; Luo, L.; Wang, Y.; Chen, C.; J. Wang, J.; Wu, X.: Unifying Large Language Models and Knowledge Graphs: A Roadmap. In: IEEE Transactions on Knowledge and Data Engineering 36(7) (2024), S. 3580-3599, DOI: https://doi.org/10.1109/TKDE.2024.3352100.
Ihre Downloads
Lösungen: Prozessmanagement
Das könnte Sie auch interessieren
