Schneller, einfacher Digitaler Zwilling

Industrie 4.0 hat mit der Verschmelzung von physischen Systemen und digitalen Lösungen wie Künstliche Intelligenz (KI), Internet of Things (IoT) und Cloud-Computing einen tiefgreifenden Wandel in der Fertigung ausgelöst [1]. Im Zentrum dieser Entwicklung steht der Digitale Zwilling (DZ) [2] – eine virtuelle Abbildung physischer Objekte und Prozesse, welche Echtzeitüberwachung, Simulation und Optimierung ermöglichen. Trotz ihrer Vorteile stehen DZ in verschiedenen Sektoren vor erheblichen Herausforderungen bei der Einführung. Hohe Implementierungskosten sowie technische und organisatorische Probleme hindern die Industrie häufig daran, den vollen Nutzen aus diesen Lösungen zu schöpfen [3].

Ziel dieser Studie ist es, die Lücke zwischen neuen Technologien und deren praktischer Anwendung zu schließen. Sie verfolgt den Ansatz, ein kostengünstiges und leicht umsetzbares DZ-Modell mit TRL von 5 zu entwickeln, allein mithilfe frei verfügbarer Open-Source-Plattformen und gängiger kommerzieller Software.

Digitale Zwillinge verbessern die Echtzeit-Überwachung, die vorausschauende Wartung und die Automatisierung. Trotz des weitverbreiteten Einsatzes in der Fertigung, der Automobilindustrie und im Gesundheitswesen wird die Technologie in der Landwirtschaft nur begrenzt genutzt [4]. Generelle Hindernisse für die Einführung in Deutschland sind strenge Datenschutzgesetze (77 %), ein Mangel an Fachkräften (64 %) und finanzielle Zwänge [5]. In der Landwirtschaft kommen Unsicherheiten bezüglich der Rentabilität, hoher Anschaffungskosten und begrenztem technischen Support hinzu [6].

Trotz dieser Herausforderungen können DZ die Digitalisierung der Landwirtschaft verändern, indem sie virtuelle Darstellungen von Anlagen und Prozessen in Echtzeit liefern und so die Landwirtschaft nachhaltig unterstützen. Angesichts des hohen Anteils der Landwirtschaft an Treibhausgasemissionen und Energieverbrauch [7] können DZ dabei helfen, CO₂-Emissionen, Biodiversität und Bodenqualität systematisch zu erfassen und so die nachhaltige Entwicklung fördern [8].  

Diese Studie untersucht das Design eines einfach zu implementierenden und erschwinglichen DZ in der Landwirtschaft unter Verwendung von Arduino-basierten IoT-Sensoren und Microsoft-Tools wie Power BI. Ziel ist die Entwicklung eines funktionalen Digitalen Zwillings, validiert mit TRL 5, innerhalb eines kurzen Zeitrahmens von zwei Wochen. Die folgenden Forschungsfragen leiteten diese Studie:

• FF1: Ist es möglich, einen TLR 5 validierten DZ mit Open-Source- und Office-Tools zu erstellen?
• FF2: Wie erleichtern erschwingliche DZ Entscheidungen in Echtzeit in der Landwirtschaft sowie prädiktive Analysen?
• FF3: Wie trägt dieses Modell zu den nachhaltigen und menschenzentrierten Zielen von Industrie 5.0 bei?

Hintergrund: Warum ein Digitaler Zwilling?

Ein Digitaler Zwilling (DZ) stellt ein dynamisches digitales Abbild eines physischen Objekts oder Prozesses dar und ermöglicht einen bidirektionalen Datenaustausch in Echtzeit zur Überwachung, Steuerung und Optimierung. Er kombiniert reale Umgebung, virtuelle Darstellung und Datenrückkopplung, um das Verhalten physischer Systeme unter variierenden Bedingungen realistisch zu simulieren [9]. Ursprünglich für die Luft- und Raumfahrt entwickelt, ist der DZ heute ein zentrales Element der Industrie 4.0 – inklusive Simulation, Echtzeitanalyse und automatisierter Entscheidungsfindung [10]. DZ ermöglichen die Erstellung von Prototypen, die Durchführung virtueller Tests und die Bewertung neuer Funktionen oder Betriebsstrategien ohne physische Veränderungen [9].

Das Konzept hat sich zum Digitalen Triplett (D3) [11] weiterentwickelt, das menschliche Expertise und Wissen in die Entscheidungsfindung im DZ einbezieht und mit dem Fokus von Industrie 5.0 auf die Zusammenarbeit Mensch-Maschine und Nachhaltigkeit [12] übereinstimmt.  Industrie 5.0 legt den Schwerpunkt auf eine widerstandsfähige, menschenzentrierte und nachhaltige Fertigung. DZ können die Energieeffizienz und die Umweltverantwortung erheblich verbessern [13]. Der steigende Nahrungsmittelbedarf der Landwirtschaft, der durch eine erwartete   Weltbevölkerung von 9,8 Milliarden Menschen bis 2050 [14] beeinflusst wird, erfordert innovative Lösungen, um dieses Produktivitätsziel zu erreichen. Intelligente Landwirtschaft auf Basis DZ führt zu einer nachhaltigen Nahrungsmittelproduktion und verbesserter Ernährungssicherheit. Der Erfolg hängt jedoch von einer zuverlässigen Technologie und einer reibungslosen Integration in die bestehenden Systeme ab.

DZ in der intelligenten Landwirtschaft ermöglichen eine präzise Überwachung von Umweltvariablen und verbessern die Ressourceneffizienz und die Ernteerträge. Die meisten Anwendungen befinden sich jedoch noch im Prototypenstadium und viele Konzepte bleiben theoretisch [15]. Die Akzeptanz hängt entscheidend von benutzerfreundlichen, zuverlässigen und einfachen Implementierungen ab. Der Übergang von Industrie 4.0 zu 5.0 legt den Schwerpunkt auf menschenzentrierte Technologien. Die Verwendung vertrauter Arbeitsplatzwerkzeuge kann die Akzeptanz im Unternehmen fördern. Mehr als zwei Millionen Unternehmen weltweit nutzen Microsoft 365, 62 % der Unternehmen setzen insgesamt auf Microsoft-Software [16, 17].

Während kommerzielle Tools Benutzerfreundlichkeit und Skalierbarkeit bieten, stellen Open-Source-Technologien eine kostengünstige, flexible Alternative für die Entwicklung von DZ dar. Message Queuing Telemetry Transport (MQTT), ein Nachrichtenprotokoll, überträgt Sensordaten effizient und ist damit ideal für die Umweltüberwachung [18]. Die Open-Source-Hardwareplattform Arduino vereinfacht das IoT-Prototyping für die intelligente Landwirtschaft durch ein benutzerfreundliches Design.

Open-Source-Tools bieten Anpassungsmöglichkeiten und Transparenz, können aber technisch komplex sein und begrenzen Support ermöglichen. Umgekehrt können kommerzielle Plattformen wie Microsoft Azure IoT aufgrund von proprietären Formaten, APIs und erweiterten Lizenzverträgen zu einer Anbieterbindung führen, was die Umstellungskosten erhöht und die betriebliche Anpassungsfähigkeit einschränkt [19]. Selbst gehostete Plattformen bieten mehr Kontrolle über Daten und Systemverhalten und vermeiden Abonnementkosten, erfordern aber technisches Fachwissen und ein kontinuierliches Infrastrukturmanagement [20]. Die Entscheidung zwischen Cloud- und selbst gehosteten Plattformen hängt von den Bedürfnissen jeder einzelnen Organisation, ihrem digitalen Reifegrad und dem Kompromiss zwischen Komfort, Kosten und Kontrolle ab.

Aufbau eines Digitalen Zwillings in zwei Wochen: Methodik und Rahmen

In dieser Studie wird die Design Science Research (DSR) Methode eingesetzt, um ein skalierbares, kostengünstiges DZ-Modell zu entwickeln und zu validieren. DSR erweitert das Wissen durch innovative Lösungen (Artefakte) und iterative Zyklen: Problemerkennung, Lösungsziel, Design und Entwicklung sowie Demonstration [21]. Designwissen stellt die Beziehung zwischen Problem und Lösung durch Artefakte, Prinzipien und Theorien dar.

Das Technology Readiness Levels (TRL) Rahmenwerk bewertet die Technologiereife von der Grundlagenforschung (TRL 1) bis zum vollständigen Einsatz (TRL 9) [22]. Die DZ-Entwicklung dieser Studie fällt unter TRL 5, d. h. Validierung in einer realen Umgebung, Integration von IoT-Sensoren für Echtzeitüberwachung und Datenvisualisierung, mit einem zukünftigen Anwendungsbereich in der Landwirtschaft.

Fallstudie

Die Fallstudie spiegelt ein reales Problem wieder, mit dem Unternehmen bei der Einführung neuer Technologien konfrontiert sind, nämlich die Entscheidung zwischen benutzerfreundlichen kommerziellen Plattformen und anpassungsfähigen Open-Source-Tools. In dieser Studie werden sowohl Open-Source- als auch kommerzielle Tools eingesetzt, um flexible und benutzerfreundliche Ergebnisse zu erzielen.

Diese Studie verwendet als Testumgebung reale Bedingungen in der Landwirtschaft, mit variabler Bodenfeuchtigkeit, kontrollierten Temperaturen und Energieüberwachung. Ziel war es, die Machbarkeit eines Open-Source-DZ für die Optimierung landwirtschaftlicher Prozesse bei gleichzeitiger Sicherstellung von Nachhaltigkeit und Energieeffizienz zu bewerten, indem ein System zur Bewertung der Effizienz der Bewässerung und des Stromverbrauchs integriert wurde.

In der Studie werden fünf wichtige Umwelt- und Betriebssensoren verwendet:

1. ein Temperatursensor zur Überwachung und Bewertung der Auswirkungen des Klimas auf die Pflanzen
2. ein Bodenfeuchtesensor zur Messung der Bodenfeuchtigkeit, um eine präzise Bewässerung zu ermöglichen
3. ein Lichtintensitätssensor zur Messung der Sonneneinstrahlung zur Analyse des Pflanzenwachstums
4. ein Luftdrucksensor zur Beobachtung von Wettermustern und Mikroklimabedingungen
5. ein Stromsensor zur Überwachung des Stromverbrauchs, um die Energieeffizienz zu verbessern.

Die Sensoren sind mit Arduino MKR WiFi 1010 Mikrocontrollern verbunden und übertragen Daten über MQTT im JSON-Format an Azure IoT Hub. Azure Stream Analytics verarbeitet die Daten, die über Power-BI-Dashboards visualisiert werden. Power Automate ermöglicht Warnungen und Benachrichtigungen in Microsoft Teams und sorgt für die Erkennung von Anomalien und automatisierte Arbeitsabläufe. Ferner muss der DZ vier Schlüsselkriterien erfüllen: Echtzeit-Visualisierung, Vorhersage, Simulation von Was-wäre-wenn-Szenarien und Benachrichtigungen sowie bidirektionale Kommunikation.

Durchführung und Ergebnisse

Ziel der Studie war es, innerhalb von zwei Wochen einen TRL 5 DZ unter Verwendung von Open-Source- und kommerziellen Werkzeugen zu entwickeln, wobei Nachhaltigkeit, Benutzerfreundlichkeit und menschenzentriertes Design im Vordergrund standen.

Experimenteller Aufbau

Das Experiment wurde in einer simulierten landwirtschaftlichen Umgebung in einem Labor durchgeführt. Zwei Teilnehmer mit unterschiedlichem Hintergrund – eine Entwicklerin und ein Maschinenbauingenieur – wurden für die Entwicklung berücksichtigt. Das Experiment bestand aus zwei Phasen.

Die erste Phase konzentrierte sich hauptsächlich auf die Einrichtung der Hardware und die Datenerfassung. In der ersten Woche wurden Arduino MKR WiFi 1010 Mikrocontroller und Umgebungssensoren eingerichtet. Um eine Vorhersage zu erstellen, wurden sieben Tage lang alle fünf Minuten Daten gesammelt, um einen historischen Datensatz zu erstellen. Power BI erhielt CSV-Dateidaten, um Prognosemodelle zu erstellen und Trends zu analysieren. Es wurden Schwellenwerte für Temperatur, Luftfeuchtigkeit, Bodenfeuchte und Energieverbrauch festgelegt. Die Umweltbedingungen für die nächsten sieben Tage wurden mithilfe eines ETS-Zeitreihenmodells (Exponentielle Glättung) von Power BI prognostiziert.

In Phase zwei wurden Sensordaten in Echtzeit von einem Arduino über MQTT an Azure IoT Hub gesendet. Eingehende Daten wurden von Azure Stream Analytics verarbeitet und dann zur Visualisierung an Power BI gesendet. Was-wäre-wenn-Simulationen wurden verwendet, um die vorausschauende Analyse des Systems bei plötzlichen Umweltveränderungen zu testen.

Wenn die Sensormesswerte vordefinierte Schwellenwerte überstiegen, sendeten Power Automate-Workflows eine Benachrichtigung an Microsoft Teams. Wurde eine Anomalie festgestellt, sendete Power Automate einen Befehl an Azure IoT Hub und löste einen Summer oder eine LED aus, um die bidirektionale Kommunikation zu signalisieren. Ab dem achten Tag wurden innerhalb des Modells Echtzeitwerte ermittelt, die einen Vergleich der vorhergesagten Werte mit den tatsächlichen Werten der folgenden Tage ermöglichten.

Echtzeit-Analysen und Automatisierung mit Power BI

Das DZ-Dashboard zeigt Echtzeitdaten, Prognosen, Was-wäre-wenn-Simulationen und Warnmeldungen an. Die prädiktive Analytik verbessert die Entscheidungsfindung, wobei ein Konfidenzintervall von 95 % für zuverlässige Vorhersagen sorgt. Es wurden folgende Schwellenwerte für Anomalien festgelegt:

• Temperatur: unter 5 °C oder über 28 °C.
• Luftfeuchtigkeit: unter 10 % oder über 80 %.
• Stromverbrauch: über 3,73 kWh.
• Bodenfeuchtigkeit: unter 190 Sensorwerte (Wasserbedarf) oder über 260 Sensorwerte (Wasserüberschuss).

Automatische Warnungen und bidirektionale Kommunikation werden durch Power Automate aktiviert, das Benachrichtigungen sendet und physische Reaktionen wie das Aktivieren von Summern oder Lichtern auslöst. Das Dashboard in Bild 2 zeigt das Echtzeit-Feuchtigkeitsmodell und die Vorhersage im oberen Bereich an. In der unteren linken Ecke befindet sich neben dem Benachrichtigungsfeld ein Was-wäre-wenn-Simulator. Der Auslöser unten rechts wird gedrückt, um Benachrichtigungen in Microsoft Teams über Power Automate zu aktivieren.

Power Automate ermöglicht Echtzeitwarnungen und eine bidirektionale Kommunikation zwischen digitalen und physischen Systemen. Automatische Warnmeldungen in Microsoft Teams benachrichtigen über kritische Veränderungen, wie etwa Temperaturanomalien. Die Temperatursensoren des Systems aktivieren einen Summer und eine Warnleuchte, um zu signalisieren, dass eine Kühlung erforderlich ist. Power Automate nutzte HTTP-Anfragen zur Kommunikation mit Azure IoT Hub, welcher mit einem Arduino kommuniziert.

Validierung von Echtzeitüberwachung und Automatisierung

Kontrollierte Tests bestätigten die Systemfunktionalität. Temperatursensoren erkannten Veränderungen und lösten Warnungen aus. Zur Validierung des Bodenfeuchtesensors wurde dem Boden Wasser zugeführt. Das System maß genau und zeigte den höheren Feuchtigkeitsgehalt an. Power Automate sendete erfolgreich Benachrichtigungen mit einer durchschnittlichen Reaktionszeit von zwei Sekunden. Benachrichtigungen wurden auch aktiviert, als eine Datenänderung im Dashboard simuliert wurde.

Wichtigste Ergebnisse

Das Experiment hat erfolgreich gezeigt, dass ein Digitaler Zwilling mit TRL 5 innerhalb von zwei Wochen mit Open-Source-Technologien und kommerziellen Tools entwickelt werden kann und Echtzeitüberwachung, prädiktive Analysen, Anomalieerkennung und Warnfunktionen bietet. Ein menschenzentriertes Design stellte die Benutzerfreundlichkeit für Laien sicher.

Es wurden jedoch einige Einschränkungen festgestellt. Für den Zugriff auf eine voll funktionsfähige Version von Azure IoT Hub und Stream Cloud Analytics ist ein Abonnement erforderlich. Power Automate-Workflows, die Funktionen wie eine HTTP-Verbindung erfordern, setzen auch Microsoft 365 Pro oder Premium voraus. Trotz der Einschränkungen sind Cloud-basierte IoT-Plattformen nach wie vor vorteilhaft, vor allem aufgrund ihrer Benutzerfreundlichkeit, der einfachen Integration, Skalierbarkeit und großer Bekanntheit.

Zukünftige Forschung könnte eine hybride DZ-Architektur in Betracht ziehen, die die Stärken von selbst gehosteten und cloudbasierten IoT-Plattformen kombiniert. Dies würde es Unternehmen ermöglichen, das Eigentum an den Daten und die Flexibilität durch eine lokale Infrastruktur beizubehalten und gleichzeitig die Skalierbarkeit und KI-Fähigkeit kommerzieller Cloud-Dienste bei Bedarf zu nutzen. Die Untersuchung von Methoden für eine sichere, modulare Integration zwischen Plattformen wie Eclipse Ditto, Node-RED und Azure IoT könnte Interoperabilitätsherausforderungen angehen und die Bindung an einen einzelnen Anbieter verringern.

Bewertung der Genauigkeit, der Erkenntnisse und der Herausforderungen des Modells

Die Genauigkeit des Prognosemodells wurde anhand einer relativen Fehleranalyse bewertet:

Der durchschnittliche relative Fehler betrug 7,76 %, was auf eine mäßige Genauigkeit hindeutet. Das Modell folgte den Trends der realen Daten, wies aber Abweichungen auf, welche die Bewässerungseffizienz beeinträchtigten. Die Vorhersagelinie folgt eng den tatsächlichen Daten, was auf ein einigermaßen genaues Modell hindeutet, aber eine Verbesserung der Genauigkeit könnte den Wasserverbrauch verringern. Ob das erreichte Genauigkeitsniveau akzeptabel ist, hängt von der jeweiligen Anwendung und den Industriestandards ab. Bild 3 zeigt eine sechstägige Zeitreihe, die die Echtzeit- und die prognostizierte Bodenfeuchte darstellt.

Tests der Reaktionszeit für Benachrichtigungen bestätigten einen Durchschnitt von zwei Sekunden, was die Effektivität des Systems bei Echtzeitwarnungen beweist. Die Integration verschiedener Plattformen, insbesondere des Azure-Tools, stellte einige Herausforderungen dar. Verbesserungen sind in den Bereichen KI-gesteuerte Automatisierung, Edge Computing und Sicherheit erforderlich. Der entwickelte DZ ist zwar noch nicht im industriellen Maßstab umsetzbar, weist aber inzwischen eine solide Grundlage für den weiteren Einsatz auf.

Vom Konzept zur Realität

Im Rahmen der Forschungsarbeit wurde der Nachweis erbracht, dass ein validierter DZ der Stufe TRL 5 innerhalb eines kurzen Zeitraums mit Open-Source- und Office-Tools erstellt werden kann (FF1). Durch die Kombination von Echtzeit-Überwachung, prädiktiver Analyse und Automatisierung zeigte der DZ seine Fähigkeit, erschwingliche Echtzeit-Überwachung und prädiktive Analyse in der Landwirtschaft zu unterstützen (FF2). Darüber hinaus unterstützt das Modell die Ziele der Industrie 5.0, indem es die Nachhaltigkeit fördert und die menschenzentrierte Entscheidungsfindung in der intelligenten Landwirtschaft verbessert (FF3).

Obwohl das Modell einen durchschnittlichen relativen Fehler von 7,76 % aufwies, waren seine Vorhersagen zuverlässig, und die Erkennung von Anomalien wurde innerhalb von zwei Sekunden erreicht. Es bestehen weiterhin Herausforderungen, insbesondere durch Einschränkungen bei Cloud-Diensten und Automatisierungseinschränkungen aufgrund von Abonnementvoraussetzungen. Dennoch bietet dieses DZ-Modell eine vielversprechende, erschwingliche, zugängliche und nachhaltige Lösung für die intelligente Landwirtschaft.

Weitere Studien sollten darauf abzielen, den TRL durch umfangreiche Tests in realen Betriebsumgebungen und unterschiedlichen landwirtschaftlichen Szenarien zu erhöhen. Der Nachweis der Leistungsfähigkeit des DZ auf höheren Bereitschaftsstufen wie zum Beispiel TRL 6 oder 7 ist entscheidend für die Validierung seiner Robustheit, Zuverlässigkeit und Skalierbarkeit im realen Einsatz.

Das könnte Sie auch interessieren

Industrie 4.0 – Fortschritt und Digitalisierung in der Schwebe Status der nachhaltigen Transformation und Digitalisierung in der Produktionstechnik Christian Donhauser , Daniel Riepl

Digitalisierungsprojekte helfen dem Anwender, komplexe Prozesse einfacher und effizienter darzustellen. Allerdings gibt es viele Hemmnisse, welche die Umsetzung deutlich erschweren. Zurückhaltung bei der Umsetzung ist spürbar. Dies trifft unter anderem Arbeitgeber und Arbeitnehmer, die durch das Warten oder Vermeiden ins ökonomische Abseits geraten können. Diese Beobachtungen lassen sich auf eine übergeordnete wissenschaftliche Leitfrage zurückführen: Welche Barrieren und systemischen Herausforderungen erschweren eine nachhaltige Transformation im Rahmen von Industrie 4.0, insbesondere unter Berücksichtigung menschlicher Arbeit in der Produktionstechnik? Welche Fragen stellen sich die betroffenen Akteure? Das wesentliche Ziel dieser langfristig ausgelegten Forschungsarbeit ist es, diese Fragen dezidiert und im Detail zu konkretisieren, um daraus ein konzeptionelles Fundament zu entwickeln, das Forschung, Lehre und technologische Entwicklung integriert und die Potenziale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 56-60

Manuelle Abläufe in der Automobilproduktion optimieren Bausteinbasierter Ansatz zur effizienten Erstellung von Arbeitssystemsimulationen Barbara Brockmann, Tobias Jurk, Beate Stoffels, Jochen Deuse

Im produzierenden Gewerbe gewinnt die Integration digitaler Menschmodelle im Produktentstehungs- und Herstellungsprozess zunehmend an Bedeutung. Besonders in der Montage, die durch einen hohen Anteil manueller Tätigkeiten geprägt ist, ermöglichen Bewegungssimulationen eine realitätsnahe Abbildung menschlicher Arbeit und leisten damit einen wesentlichen Beitrag zur bewegungsökonomischen Bewertung, Prozessabsicherung und Effizienzsteigerung. Der breiten Anwendung in der Produktionsplanung stehen jedoch verschiedene Herausforderungen wie der hohe Initialaufwand zur Erstellung der Humansimulation als auch volatile Planungsbedingungen gegenüber. Dieser Beitrag stellt einen praxisorientierten Lösungsansatz aus der Automobilmontage vor, der eine aufwandsreduzierte Erstellung von Simulationen sowie deren frühzeitige und durchgängige Nutzung im Planungsprozess ermöglicht.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 48-55

KI-gestützte Beölungsstrategien beim Gewindeformen Adaptive Sprühstrahlsteuerung zur Erhöhung von Prozesssicherheit und Werkzeugstandzeit Reinhard Schmied, Marco Susic, Christian Donhauser

Das Gewindeformen erfordert eine präzise Schmierstoffapplikation, da hohe Flächenpressungen und lokale Temperaturspitzen die Werkzeugbelastung erheblich beeinflussen. Aktuelle Sprüh- und Minimalmengenschmierungssysteme (MMS) weisen trotz etablierter Technik häufig Streuverluste, unzureichende Benetzung und instabile Tropfendynamik auf. Diese wissenschaftliche Betrachtung beinhaltet und untersucht einen integrativen Ansatz zur adaptiven Präzisionsbeölung beim Gewindeformen, der auf Computational Fluid Dynamics (CFD)-basierter Strömungsanalyse, experimenteller Validierung und Künstliche Intelligenz (KI)-gestützten Optimierungsverfahren basiert. Im Fokus stehen Tropfengröße, Strahlgeometrie, Düsenposition und Umgebungsströmung sowie deren Einfluss auf die Benetzungsintensität. Erste simulationsgestützteVoruntersuchungen zeigen das Potenzial einer datenbasierten Optimierung zur Reduktion von Benetzungsdefiziten und zur Auslegung künftiger Regelstrategien für eine ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 76-83

Analyse der Anwendungspotenziale chinesischer Wissensplattformen Bedeutung digitaler Plattformen für Wissenstransfer in Forschung und Bildung Yunhao Su, Martin Braun

Wissen ist eine treibende Kraft der Innovation. Um Wissensbestände zu transferieren, werden vermehrt digitale Wissensplattformen eingesetzt. Die VR China nimmt eine weltweit führende Position im Feld der Digitalisierung ein. Im chinesischen Wissenstransfer- und Innovationssystem kommt digitalen Wissensplattformen eine zentrale Rolle zu. Diese Studie strukturiert theoretische Konzepte des Wissenstransfers und ergänzt diese durch empirische Befunde zur (Weiter-) Entwicklung einschlägiger Wissensplattformen. Untersucht wird der Einfluss spezifischer Gestaltungsmerkmale des Wissenstransfers auf die wahrgenommene Funktionalität und Qualität von digitalen Wissensplattformen. In einer Literaturrecherche werden sieben verdichtete Erfolgskriterien des Wissenstransfers ermittelt. Ferner werden neun führende chinesische Wissensplattformen hinsichtlich ihrer Transferlogik und Funktionsumfänge kategorisiert. Im Rahmen einer Online-Befragung beurteilten Probanden die plattformspezifischen ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 84-93

SmartBending: Inline-Messtechnik zur Prozesskorrektur Inline-Prozessoptimierung zur Fehlerkorrektur beim Schwenkbiegen Christian Donhauser , Reinhard Schmied, Marco Susic

Schwenkbiegen ist ein etabliertes Umformverfahren, bei dem Materialverlust vermieden und Ressourcen effizient genutzt werden. Der Prozess erfordert jedoch aufwändige Optimierungen, die bisher stark vom Fachwissen der Bediener abhängen. Dies führt zu hohem Zeit- und Materialaufwand, da Optimierungsschritte iterativ erfolgen. Angesichts des Fachkräftemangels ist eine technologische Aufrüstung der Anlagen im Sinne von Industrie 4.0 notwendig. Im Rahmen eines Projekts wurden mittels intelligenter Sensorik kritische Einflussfaktoren erfasst, die Korrelationen zwischen Produktfehlern und Anlagenverformungen aufzeigen. Darauf basierend wurde eine Methodik entwickelt, die die Grundlage für eine Inline-Kompensation schafft, bei der die Anlage eigenständig Prozessparameter anpasst, um Produktfehler zu korrigieren und perspektivisch eine fehlerfreie Fertigung ab dem ersten Bauteil zu ermöglichen.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 134-141

Technologie und Architektur Digitaler Zwillinge Eine Synthese aus Konzept und Praxis Arka Mukherjee , Shibaji Chandra

Digitale Zwillinge sind eine Schlüsseltechnologie der vierten industriellen Revolution, die physische Systeme mit ihren digitalen Entsprechungen verbindet, um intelligente, datengesteuerte Umgebungen zu schaffen. Dieser konzeptionell-praxisorientierte Beitrag untersucht, wie die Etablierung eines modernen Architektur-Frameworks für Digitale Zwillinge moderne Tech-Stacks wie IoT, Data Fabric, KI/ML, nahtlose Integration und Sicherheit auf Unternehmensniveau nutzt. Der Beitrag stützt sich auf Literatur führender Akteure in diesem Bereich. Er bietet eine vergleichende Studie verschiedener Anbieter, die den Lösungsstack in der vorgeschlagenen Architektur implementieren.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 3 | Seite 114-122