Simulation

Der rasante Fortschritt immersiver Technologien eröffnet neue Möglichkeiten für die Mensch-Maschine-Interaktion in der Industrie. Dieser Beitrag stellt eine immersive Plattform für menschliche Digitale Zwillinge vor, die physische und kognitive Zustände in einem integrierten Modell vereint. Durch die Kombination multimodaler Sensorik, menschlicher Biomechanik, Künstlicher Intelligenz und Simulation verbessert das System Sicherheit, Ergonomie und Produktivität in der menschenzentrierten Produktion. Der Beitrag argumentiert, warum menschliche Digitale Zwillinge zu einem zentralen Baustein adaptiver Produktionssysteme werden könnten, diskutiert bestehende Grenzen der Modellierung des Menschen und skizziert industrielle Anwendungspotenziale in den Bereichen Sicherheit, Nachhaltigkeit, Ergonomie und Produktivität.

Die Einführung Digitaler Zwillinge (DZ) scheitert oft an hohen Kosten, technischer Komplexität und fehlenden Fachkenntnissen. Diese Studie stellt ein kostengünstiges Modell eines DZ, welches mit Technology Readiness Level (TRL) 5 validiert ist. Es wurde innerhalb von nur zwei Wochen mithilfe von Open-Source-Lösungen und gängigen Unternehmenswerkzeugen entwickelt und integriert sensorbasierte Echtzeitdaten, prädiktive Analysen, Anomalieerkennung und automatisierte Benachrichtigungen, um Effizienz und Nachhaltigkeit in der Landwirtschaft zu steigern. Das System erreicht eine durchschnittliche relative Abweichung von nur 7,76 % und gibt automatisierte Warnungen in Echtzeit aus. Die Ergebnisse zeigen, wie fortschrittliche digitale Werkzeuge durch die Kombination von Open-Source-Technologien und Standardwerkzeugen zugänglich gemacht werden können: skalierbar, menschenzentriert und erschwinglich im Sinne von Industrie 5.0.

Der KI-basierte selbstlernende Digitale Zwilling passt sich automatisch an das reale Systemverhalten an und stellt jederzeit ein optimales Abbild eines Produktionsprozesses dar. Ein ausdrucksstarkes, semantisches Gesamtmodell dient als Basis für neuartige Ansätze der künstlichen Intelligenz (KI). Die mittels Methoden der KI gewonnenen Erkenntnisse werden in das Gesamtmodell integriert und so die Interpretierbarkeit und Erklärbarkeit der KI-Modelle verbessert. Methoden aus dem Bereich der eXplainable AI ermöglichen die automatische Beschreibung von KI-Modellen und deren Erkenntnisse sowie den Aufbau selbsterklärender Modelle.

Der vorliegende Beitrag behandelt das Konzept des Industrial Metaverse und seine potenziellen Auswirkungen auf die produzierende Industrie. Dabei werden zunächst die Möglichkeiten des Industrial Metaverse allgemein erläutert und anschließend mögliche resultierende Funktionalitäten für die Produktionstechnik entlang des Lebenszyklus dargestellt. Für die beiden Themenfelder „Synthetische Datengenerierung“ und „Virtuelle Qualifizierung“ werden die Implikationen des Industrial Metaverse intensiver betrachtet.

Präzise Bedarfsprognosen sind der Schlüssel für eine erfolgreiche Materialdisposition. EntscheidungsträgerInnen stehen jedoch vor dem Dilemma, welches Prognoseverfahren sie verwenden sollen. Zumeist fehlt auch das Methodenwissen, um komplexe mathematische Prognoseverfahren anwenden zu können. Doch auch nach der Wahl des Prognoseverfahrens verbleibt noch die Hürde, die Prognoseverfahren optimal zu parametrisieren. Der vorliegende Beitrag untersucht das Optimierungspotenzial eines selbst entwickelten automatisch optimierenden Prognoseansatzes auf Basis zehn gängiger Prognoseverfahren. In die Praxis umgesetzt wurde die Methode im Forschungsprojekt DISPO 4.0 im digitalen Planungstool Demand Planning Falcon, das zielgenaue Bedarfsprognosen für die Investitionsgüterindustrie erstellt.