Digitale Zwillinge in Produktion und Logistik erleben |
Die fischertechnik® Lernfabrik 4.0 als Entwicklungsplattform für mögliche Ausbaustufen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 2, Seite 30-37 |
| Open Access | https://doi.org/10.30844/I4SD.26.2.30 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Lernfabriken haben sich als wichtige Plattformen in Forschung und Lehre etabliert [1], um beispielsweise Produktions- und Logistiksysteme realitätsnah abzubilden und aktuelle Entwicklungen im Kontext von Industrie 4.0 in einer kontrollierten Umgebung zu erforschen. Durch ihre Skalierbarkeit, Modularität und die Möglichkeit, reale Produktions- und Materialflussprozesse in reduzierter, aber übertragbarer Komplexität nachzustellen [2], bieten Lernfabriken einen systematischen und risikofreien Experimentierraum auch für Digitale Zwillinge.
Digitale Zwillinge sind nach ISO/IEC 30173:2023-11 digitale Repräsentationen von Objekten aus der realen Welt (zum Beispiel Ressourcen, Produkte oder Prozesse), die unter Verwendung der Simulation und geeigneter Datenschnittstellen eine bestmögliche Annäherung zwischen dem realen und dem digitalen Zustand mit einer angemessenen Synchronisationsrate ermöglichen [3]. Mit steigendem Reifegrad reichen ihre Funktionen von der Zustandsbeschreibung über die Analyse und Vorhersage bis zu steuernden Eingriffen in Produktions- und Logistikprozesse [4–5]. In einem Reifegradmodell können Digitale Zwillinge von Produktions- und Logistiksystemen systematisch entsprechend ihres Entwicklungsstandes (Reife) über Indikatoren eingeordnet werden, indem der Erfüllungsgrad zuvor definierter Anforderungen bewertet wird [6].
Reifegradmodell für Digitale Zwillinge
Das entwickelte und insbesondere für kleine und mittlere Unternehmen (KMU) ausgelegte Reifegradmodell ist das Ergebnis einer systematischen Literaturrecherche und -analyse, bei der in der Datenbank Web of Science unter dem Suchstring „digital twin* AND (level OR maturity)“ 31 Reifegradmodelle für Digitale Zwillinge identifiziert und analysiert wurden (vgl. z. B. [5, 7–8]). Eine ausführliche Dokumentation ist im Forschungsdatenrepositorium der Universität Kassel abgelegt [9].
Das neue Reifegradmodell basiert auf vier Dimensionen mit jeweils vier Indikatoren:
Die 1. Dimension „Konvergenz“ bewertet den Grad der Synchronität zwischen dem realen und digitalen System über die Indikatoren Verbindungsmodus (1.1), Aktualisierungsfrequenz (1.2), Detaillierungsgrad (1.3) und Dateninterpretation (1.4).
Die 2. Dimension „Fähigkeit“ beschreibt die funktionale Leistungsfähigkeit Digitaler Zwillinge über die Indikatoren Kognitionsstufe (2.1), Autonomiegrad (2.2), Simulationsfähigkeit (2.3) und Lernfähigkeit (2.4).
Die 3. Dimension „Integration“ beurteilt über die Indikatoren Integrationsbreite (3.1), Integrationstiefe (3.2), Lebenszyklusintegration (3.3) und Vertrauenswürdigkeit (3.4), in welcher Tiefe und Breite Digitale Zwillinge in existierende Systeme, Prozesse und Lebenszyklusphasen eingebettet sind.
Neben den drei technischen Kern-Dimensionen bewertet die 4. Dimension „Strategie und Organisation“ schließlich die Voraussetzungen für einen erfolgreichen Einsatz Digitaler Zwillinge über die Indikatoren strategische Verankerung (4.1), Personalkompetenz (4.2), Kollaborationsnetzwerk (4.3) und Prozess-Governance (4.4). Weitere Details sind in [9] einzusehen.
Die drei technischen Kern-Dimensionen spannen einen dreidimensionalen Bewertungsraum auf, in dem die Ausbaustufe eines Digitalen Zwillings je Dimension verortet werden kann (Bild 1). Die 4. Dimension fungiert als normativ leitender Orientierungsrahmen für eine nachhaltige Realisierung Digitaler Zwillinge entlang der drei Kern-Dimensionen (Kugelradius = Reifegrad).
Die Ausbaustufe einer Dimension ergibt sich aus dem abgerundeten Mittelwert der zugehörigen Indikatoren. Je Dimension kann Stufe 1 bis 4 eingetragen werden (Beispiel: Konvergenz = 2, Fähigkeit = 1, Integration = 1, Radius (Strategie und Organisation) = 2). Die technische Reife des Digitalen Zwillings sollte auf Dimensionsebene die organisatorischen Voraussetzungen nicht überschreiten, einzelne Indikatoren hingegen dürfen auch abhängig vom Einsatzzweck eine höhere Reife aufweisen.
Test- und Entwicklungsumgebung für Digitale Zwillinge
Um unterschiedliche Ausbaustufen für Digitale Zwillinge iterativ erproben zu können, steht am Fachgebiet Produktionsorganisation und Fabrikplanung (pfp) der Universität Kassel die fischertechnik® Lernfabrik 4.0 [10] zur Verfügung. Die Entscheidung für die Umsetzung einer fischertechnik® Lernfabrik 4.0 basiert auf einer systematischen Literaturrecherche und Analyse [9]; insbesondere der modulare Aufbau, die durchgängige Nutzung standardisierter Datenschnittstellen, die ausführliche Dokumentationslage zur schnellen Erweiterbarkeit sowie die Übertragbarkeit der gewonnenen Erkenntnisse auf reale Produktions- und Logistiksysteme sind entscheidende Auswahlkriterien gewesen.
Für insgesamt 17 verschiedene Lernfabriken zu Digitalen Zwillingen liegen Steckbriefe vor, die eine allgemeine Beschreibung der Lernfabriken, Umfang und Systemgrenzen sowie eingesetzte Komponenten umfassen. Eine Analyse der identifizierten Lernfabriken zeigt, dass die fischertechnik® Lernfabrik 4.0 eine geeignete Basis darstellt, die ohne initiale Hürden bei dem Aufbau einer physischen Testumgebung zum Digitalen Zwilling weiterentwickelt werden kann. Die fischertechnik® Lernfabrik 4.0 umfasst die Module „Delivery and Pickup Station“ (DPS), „Vacuum Gripper Robot“ (VGR), „High-Bay Warehouse“ (HBW), „Multi-Processing Station with Oven“ (MPO) und „Sorting Line with Color Detection“ (SLD). Diese Module bilden einen realitätsnahen Produktions- und Logistikfluss ab, der die experimentelle Erprobung Digitaler Zwillinge entlang realer Ereignis- und Zustandsketten ermöglicht.
Die Weiterentwicklung des Standardbausatzes zu einer Test- und Entwicklungsumgebung für Digitale Zwillinge basiert auf einer Systemarchitektur mit einer mehrstufigen Schichtenlogik (Bild 2). Auf der untersten Ebene „Datenbasis“ werden Datenmodelle zur strukturierten Erfassung beispielsweise von Sensor-, Zustands- oder Betriebsdaten genutzt. Die Daten werden persistent gespeichert und stehen damit in konsistenter Form für weitere Verarbeitungsschritte zur Verfügung. Die Verwaltungsschale [11] dient als Informationsmodell und bildet die semantische Grundlage zur Beschreibung von Anlagenressourcen, Produkten und Prozessen.
In der Ebene „Methoden und Modelle“ stehen digitale Repräsentationen zur Verfügung, die das Systemverhalten synchron zum realen System abbilden. Methoden z. B. zur Datenerfassung, -aufbereitung und -analyse, Visualisierung, Simulation und Optimierung greifen nach Bedarf auf die Daten und Informationen sowie die digitalen Repräsentationen zu und umfassen sowohl klassische Verfahren als auch KI-basierte Ansätze.
In höheren Ausbaustufen können mit diesen Methoden und Modellen Handlungsvorschläge zur operativen Steuerung generiert werden. Ein Anwendungsmanager orchestriert die Daten- und Prozessflüsse anhand definierter Workflows und nutzt Wissensmodelle zur Abbildung domänenspezifischer Zusammenhänge. Die oberste Ebene umfasst „Services“ wie Überwachung, Prognose oder Optimierung, die Digitale Zwillinge unter Nutzung des Anwendungsmanagers bereitstellen.
Zur Abbildung des Anlagenverhaltens der fischertechnik® Lernfabrik 4.0 steht ein Simulationsmodell in Tecnomatix Plant Simulation von Siemens zur Verfügung, das als integraler Bestandteil eines Digitalen Zwillings dient und auf Basis von Echtzeitdaten für Prognosen und Verbesserungen genutzt werden kann. Über einen Konnektor ist das Simulationsmodell auch an NVIDIA Omniverse angebunden, sodass eine 3D-Visualisierung und perspektivisch die Kopplung weiterer Digitaler Zwillinge ermöglicht werden (Bild 3).
Die Kombination aus realem Anlagenbetrieb, semantischer Strukturierung und Simulationsmodell ermöglicht sowohl die Nutzung Digitaler Zwillinge in niedrigen Reifegradstufen als auch die Erweiterung z. B. prädiktiver und KI-basierter Funktionalitäten. Drei ausgewählte Anwendungsfälle sollen die Möglichkeiten zur experimentellen Erprobung Digitaler Zwillinge in einer Lernfabrik verdeutlichen, wobei die Dimension 4 aufgrund des Laborumfeldes nicht betrachtet wird.
Diskussion ausgewählter Anwendungsfälle
1. Anwendungsfall: Echtzeit-Monitoring der Lernfabrik
Im ersten Anwendungsfall (Bild 4: Use Case 1 – Echtzeit-Monitoring der Lernfabrik) dient der Digitale Zwilling ausschließlich der echtzeitnahen Zustandserfassung und Transparenz über Materialfluss, Anlagenbelegung und Durchlaufzeiten. Die Kommunikation erfolgt unidirektional (Indikator (I) 1.1, Stufe (S) 2) über das Netzwerkprotokoll Message Queuing Telemetry Transport (MQTT), wobei Sensorzustände, Materialflussereignisse und Maschinenstatus in standardisierten Topics (z. B. ft/<station>/<state>) übertragen und in einer SQL-Datenbank persistiert werden. Die Aktualisierungsfrequenz ist dabei echtzeitnah (I 1.2, S 4).
Die Verwaltungsschale beschreibt z. B. grundlegende Anlagen- und Produktinformationen, jedoch ohne semantische Interpretationslogik (I 1.4, S 2). Das Simulationsmodell wird lediglich synchron gehalten, ohne Prognose und ohne Eingriff in den realen Prozess (I 2.3, S 1). In der fischertechnik® Lernfabrik 4.0 beziehen sich die betrachteten Ereignisse dabei auf reale Prozessketten über DPS, VGR, HBW, MPO und SLD. Der Digitale Zwilling besitzt weder kognitive Fähigkeiten (I 2.1, S 1) noch Autonomie (I 2.2, S 1), bildet jedoch die notwendige Grundlage für alle folgenden Ausbaustufen. Die Integration umfasst die relevanten Systemmodule in Produktion und Logistik (I 3.1, S 2).
Der erste Anwendungsfall mit den Dimensionsstufen (2-1-1-2) adressiert zentrale Herausforderungen, die auch reale Fabriken beim initialen Aufbau Digitaler Zwillinge limitieren (vgl. auch [12]). In industriellen Umgebungen scheitern viele Implementierungsprojekte an fehlender Datenqualität, nicht dokumentierten Schnittstellen, mangelnder Semantik und heterogenen Datenformaten von Sensorik und Steuerungstechnik. Scheinbar einfache Voraussetzungen (z. B. stabiler Datenfluss, harmonisierte Topics, eindeutige Identifikation von Ressourcen, eindeutige Zeitstempel und konsistente Persistenz) sind in der Praxis häufig der größte Kosten- und Aufwandsfaktor. Zudem erfordert die Einführung eines standardisierten Informationsmodells wie der Verwaltungsschale signifikanten Kompetenzaufbau. Grenzen ergeben sich insbesondere dort, wo bestehende Anlagen keine Retrofit-Möglichkeiten bieten oder proprietäre Protokolle die Interoperabilität erschweren.
Gleichzeitig ergeben sich aber auch große Chancen; denn durch Transparenz, Datenvalidierung und nachvollziehbare Echtzeitvisualisierung lassen sich Prozessfehler früher erkennen, Entscheidungen faktenbasiert treffen und Vertrauen in datenbasierte Methoden etablieren. Der erste Anwendungsfall stellt damit die technische und organisatorische Voraussetzung dar, um höhere Reifegrade wie Prognose und KI-basierte Optimierung überhaupt robust und risikoarm adressierbar zu machen.
![Bild 4: Reifegradeinordnung ausgewählter Anwendungsfälle (zum Reifegradmodell vgl. [9]).](https://industry-science.com/wp-content/uploads/2026/04/Gliem_I4S-26-2_Bild-4-1024x674.webp)
2. Anwendungsfall: Prognose
Der zweite Anwendungsfall (Bild 4: Use Case 2 – Prognose) umfasst prädiktive Fähigkeiten. Die Prognosefunktionen werden auf Basis der real gemessenen Prozessdaten aller fischertechnik®-Module ausgeführt. Die Kommunikation zwischen realem System und Simulationsmodell erfolgt bidirektional (I 1.1, S 3) bei kontinuierlicher Aktualisierung (I 1.2, S 3). Daten werden kontextsensitiv interpretiert, da das ontologiebasierte Wissensmodell (zu Ontologien vgl. [13]) Anlagenentitäten mit Prozessketten verknüpft (I 1.4, S 3). Die Simulation führt prädiktive Berechnungen durch und stellt diese zur Entscheidungsunterstützung im Auftragsmanager bereit (I 2.3, S 2). Der Digitale Zwilling erhält damit prädiktive Kognitionsfähigkeit (I 2.1, S 3), besitzt jedoch weiterhin einen assistierenden Charakter und noch keine operative Autonomie (I 2.2, S 2). Die Integration erfolgt auf Systemebene (I 3.1, S 2).
Aus Perspektive realer Fabrikumgebungen adressiert dieser Anwendungsfall zentrale Herausforderungen der vorausschauenden Produktionssteuerung mit den Dimensionsstufen (3-2-2-3). Prognosen zu Ankunftszeiten, Engpasswahrscheinlichkeiten und zu erwartenden Durchsatzzahlen erzeugen belastbare Entscheidungsräume, in denen Scheduling-Varianten und alternative Reihenfolgen simulativ bewertet werden können, bevor operative Eingriffe erfolgen. Dies entspricht dem Aufbau eines Produktions- oder Logistikleitstands, in dem Entscheidungen datenbasiert vorbereitet, aber weiterhin assistiert finalisiert werden.
Der Nutzen ergibt sich insbesondere aus einer besseren Entscheidungsfähigkeit des Menschen, reduzierten Durchlaufzeiten und der besseren Nutzbarkeit von Simulationsergebnissen für die operative Planung. Gleichzeitig entstehen methodische Grenzen bei der Synchronisation von Simulations- und Realweltverhalten, der kontinuierlichen Modellkalibrierung, der Interoperabilität zwischen Verwaltungsschale, MQTT und Simulationsumgebung sowie in Bezug auf belastbare Validierungsschemata für Prognosen. Die Einführung erfordert daher auch ein aktives Veränderungsmanagement. Dieser Anwendungsfall stellt die Brücke zwischen reinem Monitoring und autonomen Entscheidungsmechanismen dar.
3. Anwendungsfall: KI-basierte Optimierung
Im dritten Anwendungsfall (Bild 4: Use Case 3 – KI-basierte Optimierung) werden KI-Agenten mittels Reinforcement Learning [14] in der Simulationsumgebung trainiert (bisher noch nicht technisch umgesetzt). Die Trainingsumgebung basiert auf den realen Prozessketten der fischertechnik®-Module und ist über den Connector zusätzlich an NVIDIA Omniverse angebunden. Die Kommunikation erfolgt kontextabhängig und bidirektional (I 1.1, S 4) bei echtzeitnaher Datenaktualisierung (I 1.2, S 4). Digitale Informationen werden kognitiv interpretiert (I 1.4, S 4) und der Digitale Zwilling besitzt präskriptive Kognitionsfähigkeit (I 2.1, S 4). Die Simulation wird zur Entscheidungsfindung genutzt und dient als Trainingsgrundlage (I 2.3, S 4). Die Integration umfasst mehrere Domänen innerhalb einer Fabrik (I 3.1, S 3). Damit entstehen lernende, präskriptive Digitale Zwillinge, die optimierte Handlungsvorschläge generieren.
Für die technische Umsetzung werden Simulation und KI-Agenten integriert, um lernbasierte Steuerungsstrategien zu entwickeln. Zunächst erfolgt die Modellierung des Zustandsraums (state space) der Lernfabrik, der u. a. Pufferstände, Maschinenverfügbarkeiten und Prozesszustände umfasst. Auf dieser Basis wählt der Agent passende Handlungsoptionen (action space), z. B. die Priorisierung von Aufträgen oder die Auswahl von Routenoptionen. Die Belohnungsfunktion (reward function) wird als gewichtete Zielfunktion aus Durchsatzmaximierung und Energieeffizienz formuliert. Die erlernten Strategien werden zunächst in der Simulation trainiert und anschließend zur Validierung und späteren Anwendung auf das reale System übertragen.
In der realen Anwendung entspricht diese Ausbaustufe mit den Dimensionsstufen (4-3-3-4) hochdigitalisierten Produktionssystemen mit integrierten Modellen, standardisierten Schnittstellenarchitekturen und etablierten Datenqualitätsprozessen. Durch die Kopplung mit NVIDIA Omniverse entsteht zudem perspektivisch die Möglichkeit, mehrere Digitale Zwillinge unterschiedlicher Assets in einer gemeinsamen Umgebung koordiniert zu vernetzen und somit Strategien systemübergreifend zu bewerten.
Der Nutzen dieser Stufe liegt primär in datengetriebener Prozessinnovation, kontinuierlicher Verbesserung und Effizienzsteigerung im laufenden Betrieb. Gleichzeitig steigen technische Komplexität und Anforderungen an Datenmanagement, Validierung, IT-Sicherheit, Governance und Ethik erheblich. Akzeptanz wird zum kritischen Erfolgsfaktor, da KI-Entscheidungen nachvollziehbar und kontrollierbar bleiben müssen, bevor Vertrauen in autonome Steuerungsentscheidungen entsteht. Damit markiert der dritte Anwendungsfall den Übergang vom datenbasierten Entscheiden zum datenbasierten Handeln und leitet die transformative Phase für Digitale Zwillinge ein.
Mehrwert von Lernfabriken
Die fischertechnik® Lernfabrik 4.0 bietet in dem oben beschriebenen Kontext einen klaren Mehrwert, weil Produktions- und Logistiksysteme unter realitätsnahen Bedingungen nachgebildet und aktuelle Entwicklungen zu Digitalen Zwillingen in einer kontrollierten Umgebung getestet werden können. Datenmodelle, Schnittstellen, digitale Modelle und Methoden lassen sich schrittweise aufbauen, prüfen und verbessern, um die Erkenntnisse auf industrielle Systeme zu übertragen. Die kontrollierbare Komplexität der Lernfabrik ermöglicht es, Zusammenhänge besser zu verstehen und Wirkprinzipien systematisch zu validieren. Lernfabriken unterstützen damit den Transfer von Forschungsergebnissen in die industrielle Praxis.
In zukünftigen Arbeiten ist zu untersuchen, wie Digitale Zwillinge über einzelne Anlagen und Systeme hinaus auch in vernetzten Produktions- und Lieferketten genutzt werden können. Zudem ist zu erforschen, wie KI-basierte Entscheidungsstrategien im laufenden Betrieb zuverlässig und transparent validiert werden können. Darüber hinaus sollte betrachtet werden, wie der Nutzen unterschiedlicher Ausbaustufen von Digitalen Zwillingen wirtschaftlich bewertet und in Investitionsentscheidungen einbezogen werden kann.
Literatur
[1] IALF: International Association of Learning Factories. URL: https://www.ialf-online.net/, Abrufdatum 21.11.2025.[2] Abele, E.; Metternich, J.; Tisch, M.; Chryssolouris, G.; Sihn, W. et al.: Learning Factories for Research, Education, and Training. In: Procedia CIRP 32(2015), S. 1-6. DOI: https://doi.org/10.1016/j.procir.2015.02.187.
[3] ISO/IEC 30173:2023-11: Digital twin – Concepts and terminology.
[4] Newrzella, S. R.; Franklin, D. W.; Haider, S.: 5-Dimension Cross-Industry Digital Twin Applications Model and Analysis of Digital Twin Classification Terms and Models. In: IEEE Access 9(2021), S. 131306-131321. DOI: https://doi.org/10.1109/ACCESS.2021.3115055.
[5] ISO/IEC 30186:2025-07: Digital twin – Maturity model and guidance for a maturity assessment.
[6] Akkasoglu, G.: Methodik zur Konzeption und Applikation anwendungsspezifischer Reifegradmodelle unter Berücksichtigung der Informationsunsicherheit. Dissertation 2014, Friedrich-Alexander-Universität Erlangen-Nürnberg.
[7] Stark, R; Damerau, T.: Digital Twin. In: CIRP Encyclopedia of Production Engineering (2019), S. 1-8. DOI: https://doi.org/10.1007/978-3-642-35950-7_16870-1.
[8] Uhlenkamp, J.-F.; Hauge, J.B.; Broda, E.; Lutjen, M.; Freitag, M. et al.: Digital Twins: A Maturity Model for Their Classification and Evaluation. In: IEEE Access 10(2022). DOI: https://doi.org/10.1109/ACCESS.2022.3186353.
[9] Gliem, D.; Wenzel, S. (2025): Forschungsdatenpublikation. Digitale Zwillinge in Produktion und Logistik – Modellfabriken und Reifegradmodelle. Kassel, 2025. DOI: https://doi.org/10.48662/daks-488.2.
[10] fischertechnik: GitHub fischertechnik GmbH. URL: https://github.com/fischertechnik, Abrufdatum 21.11.2025.
[11] IEC 63278-1:2023-12: Asset Administration Shell for industrial applications – Part 1: Asset Administration Shell structure.
[12] Gliem, D.; Wittine, N.; Wenzel, S.: Digitale Zwillinge für Produktions- und Logistiksysteme. Herausforderungen und Handlungsfelder bei der Implementierung und Nutzung. In: Industry 4.0 Science 41(2025)3, S. 44-49. DOI: https://doi.org/10.30844/I4SD.25.3.42.
[13] Hesse, W.: Ontologie(n). In: Informatik Spektrum 25(2002), S. 477-480. DOI: https://doi.org/10.1007/s002870200265.
[14] Sutton, R. S.; Barto, A. G.: Reinforcement Learning: An Introduction. 2. Aufl. (2018), Cambridge, MA.
Ihre Downloads
Lösungen: Logistik Produktionsplanung Produktionssteuerung
Das könnte Sie auch interessieren
