„Hybrid Twin“ – vom virtuellen zum digitalen Zwilling

GP 05/2018

Industrie 4.0, Big Data, Virtueller Zwilling, Predictive Maintenance und andere Begriffe prägen heute die technische Entwicklung in der Industrie. Dabei sind Zeit, Kosten und Qualität drei entscheidende Faktoren für den Unternehmenserfolg. Nach Ansicht der ESI Group, einem weltweit agierenden Software-Entwickler in der industriellen Automation, werden sich diese Faktoren nur über eine erfolgreiche Nutzung der digitalen Technik erreichen lassen. Die Simulation sei hier zwar nur ein Baustein, aber ein ganz entscheidender. Die ESI-Software „Hybrid Twin“ gehe heute schon einen Schritt weiter: vom virtuellen zum digitalen Zwilling. Den Unterschied machen zwei Schlagwörter deutlich:Echtzeit und selbstlernende Strukturen.  Simulationen sind seit Jahren ein wesentliches Tool für die effiziente Produktentwicklung. Die Einsatzgebiete und die angewandten Simulationsmethoden sind hierbei außerordentlich vielfältig und erfordern unterschiedlichste Modellierungstechniken und Softwarewerkzeuge. Die aktuelle Herausforderung besteht nach Angaben von ESI darin, eine systematische Verknüpfung einzelner Softwarelösungen über Fachdisziplinen hinweg zu leistungsfähigen Simulationsmodellen komplexer Systeme zu entwickeln. Solche komplexen Systemsimulationen, so genannte virtuelle Zwillinge, kombinieren Ansätze mit unterschiedlichem Detailierungsgrad, z.B. 1D-Systemsimulation mit detaillierten voll 3D-Modellen. Derartige Modelle lassen sich in der Regel nicht mit einem monolythischen Ansatz innerhalb eines Softwarewerkzeugs aufbauen. Daher sind Schnittstellen, eine effiziente Kopplungsarchitektur und eine möglichst einheitliche Modellierung wesentliche Erfolgsfaktoren.

Von der Simulationzum „Hybrid Twin“

Um den entscheidenden Schritt von der Produktentwicklung zum virtuellen Einsatz unter Realbedingungen zu machen, müssen die aufwendigen virtuellen Zwillinge mit so genannten Model-Order-Reduction-Technologien ohne Genauigkeitsverluste in den Echtzeitbereich überführt werden. Aus dem „virtuellen Zwilling“wird dabei ein „digitaler Zwilling“,der nun in Echtzeit auf Eingangsgrößen die wesentlichen Systemantworten komplexer Systeme berechnen kann.

Der Wandel zur Industrie 4.0 führt in letzter Konsequenz zu einer Symbiose aus dem realen Einsatz einer Maschine in Form von Sensordaten und der digitalen Welt der Produktentwicklung hin zu einem so genannten „Hybrid Twin“. Die Kombination des gesamten Wissens aus der Produktentwicklung mit allen Informationen aus dem realen Betrieb eröffnen bisher ungeahnte Möglichkeiten im Bereich Predictive Maintenance, so ESI.
 

Datenbasierte Modelle in Echtzeitmodelle integrieren

Auf der Betriebsebene kommen zum effektiven Management der anfallenden Datenmenge leistungsfähige Datenanalyse-Werkzeuge zum Einsatz, aus denen sich wiederum datenbasierte Modelle ableiten lassen.

Diese datenbasierten Modelle sind in der Lage, bestehende Zusammenhänge zwischen Sensordaten ohne jegliche physikalische Modellierung wiederzugeben. In letzter Konsequenz lassen sich diese datenbasierten Modelle in bestehende Echtzeitmodelle integrieren. Somit entstehen selbstlernende Strukturen, deren Prognose güte weit über den Kenntnisstand zum Zeitpunkt der Produktentwicklung hinausgehen.

Fazit: Aus Sicht von ESI stehen der Gießereibranche mit dieser Entwicklung revolutionäre Möglichkeiten für die Maschinen und die Prozesse zur Verfügung,die weit über die sensorgestützte Überwachung hinausgeht.

„Komplexe Systemsimulationen in Echtzeit berechnen’“

Interview mit Alain de Rouvray, CEO der ESI Group

Die ESI-Software „Hybrid Twin“ soll neue Möglichkeiten in Simulationsprozessen eröffnen. Welchem Konzept folgt „Hybrid Twin“ und wie sehen Sie, Herr de Rouvray, dieses Tool im Vergleich zum „Virtual Prototype“? 

In den letzten vierzig Jahren haben sich die traditionellen Product-Lifecycle-Management-Lösungen (PLM, deutsch: Produkt-Lebenszyklus-Management) auf die des High Performance Computing (HPC) verlassen, um Produkte „richtig“ zu entwickeln– zunächst durch genaue Berechnungen, dann durch Simulation und schließlich durch „Virtual Prototyping“. Dabei ging man jedoch immer von dem Neuzustand des Produkts aus, ohne besonders auf die individuellen Einsatzbedingungen und dem Verschleiß zu achten.

Dank der Vernetzung mit dem Internet of Things (IoT) und Big Data kann die ESI-Software „Hybrid Twin“ das jeweilige Produkt unter individuellen Einsatzbedingungen und unter Berücksichtigung des Alterungsprozesses in seiner speziellen Umgebung darstellen. Dies erlaubt Rückschlüsse für eine optimale Nutzung des Produkts über den gesamten Lebenszyklus.

Mit „Hybrid Twin“ sind Unternehmen zudem in der Lage, die Wartung ihrer Anlagen virtuell darzustellen und durch die Vernetzung mit dem Internet of Things (IoT), Big Data und entsprechenden Interpretationen zu optimieren. Solche Lösungen unterstützen die Unternehmen bei den zentralen Herausforderungen der Industrie 4.0 und ermöglichen die Entwicklung neuer Materialien und Fertigungsprozesse.

Warum sollten Unternehmen aus Ihrer Sicht von „Virtual Prototype“zu „Hybrid Twin“ wechseln?

ESIs „Virtual Prototype“ geht von der virtuellen Simulation eines neuen Produkts aus. Es ermöglicht Unternehmen, die Anzahl der realen Prototypen und Tests während der Entwicklungsphase eines Produkts auf ein Minimum zu reduzieren.

„Hybrid Twin“ baut auf „Virtual Prototype“ auf, indem drei Ebenen hinzugefügt wurden: erstens der Aufbau des Modells selbst, zweitens die Darstellung der Funktionen und schließlich die Interaktionen des Produkts mit der jeweiligen Umgebung. Beispiele für Anwendungen von „Hybrid-Twin“ sind:

• Auto: Berücksichtigung der Straße, Schlaglöcher und Wasserpfützen, Fußgänger und Windböen,

• Herzprothese: Berücksichtigung des Blutflusses, des Muskel  und Nervensystems,

• Fabrikmontage linie: Berücksichtigung von Vibrationen und Stößen.

Welche Rollen spielen dabei Big Data und Internet of Things?

Mit „Hybrid Twin“ wird das Produkt in seiner Umgebung realitätsnah integriert und kann auch mit ihr interagieren. Dabei wirds eine tatsächliche Leistung individuell und nicht nur statistisch in seinem allmählich alternden Zustand dargestellt.

Das Internet of Things und das Machine Learning ermöglichen zusammen eine Echtzeitaktualisierung mit den vorhandenen Daten, sei es solchen, die aus vorherigen Prozessen gespeichert wurden oder solchen, die in Echtzeit gemessen werden.

Dies ermöglicht zum Beispiel Unternehmen, Prozesse für assistiertes oder autonomes Fahren (ADAS) zu entwickeln. Es ermöglicht sogar eine vorausschauende Wartung und optimiert Reparaturen aufgrund von Verschleiß oder Unfällen, um Massenrückrufe fehlerhafter Produkte oder kostspielige Unterbrechungen von Produktionslinien zu vermeiden.

Wo wird „Hybrid Twin“ zum Beispiel" derzeit angewendet?

Zum Beispiel arbeiten wir gerade an einem Projekt „Wind Twin“(WT) im Bereich der erneuerbaren Energien. Ziel ist es, die Leistung von Offshore-Windparks zu verbessern. Wenn das Windrad in Echtzeit seinen Status an die Wartungsstation übermittelt, muss das WT-Modell die Betriebsparameter in Abhängigkeit von der Produktion einstellen können.

Die gesammelten Informationen (Big Data) werden auch dazu beitragen, das Design und die Herstellung zukünftiger Windräder durch den Einsatz innovativer Materialien oder Fertigungsverfahren zu verbessern.

Dieser Ansatz sollte schrittweise von allen Industriesektoren und vorrangig von den innovativsten Branchen wie Automobil, Luftfahrt, Elektronik und Energie übernommen werden. ESI engagiert sich aktiv in dieser Überhangsphase, die die zentralen Herausforderungen von „Industrie 4.0“ und „Smart Factories“umfasst.