aiMOOC

Digitale Zwillinge von Maschinen und Anlagen entwickeln

QR-Code

Einleitung

Du entwickelst einen digitalen Zwilling als überprüfbares Konzept für mehrere Modellmaschinen. Statt nur eine 3D-Ansicht zu zeichnen, verknüpfst du einen definierten Maschinenzustand mit Zeitreihen, Modellannahmen, Versionen und einem synthetischen Bauteilpass. Ziel ist, bei Lastwechseln, Datenlücken und Einheitenfehlern begründet zu entscheiden, ob ein Modell eine bestimmte Frage beantworten darf. Alle Messwerte und Bauteile dieses Kurses sind erfunden. Es erfolgt keine Verbindung zu realen Anlagen und keine Maschinensteuerung oder Sicherheitsfreigabe.

Zielgruppe: Auszubildende im 2. Ausbildungsjahr. Voraussetzung: Z1 oder vergleichbare KI- und Datenkompetenz sowie Sensorik-Grundwissen und Messgrößen/Einheiten. Lernzeit: etwa 5–7 Unterrichtsstunden zuzüglich Projektzeit. Material: Papier, Stift und optional eine lokale Tabellenkalkulation; kein kostenpflichtiges KI-Konto. Ausgangspunkt: vorhandene Grundlage. Deren Inhalt konnte beim Rechercheabruf nicht verifiziert werden; die wichtigsten Begriffe werden deshalb kurz eigenständig aktiviert.

Lernziele: Du unterscheidest Modell, Schatten und Zwilling; erstellst eine Daten- und Modellarchitektur; prüfst Lastwechsel, Einheiten und Lücken; gibst Modellversion und Gültigkeitsbereich ausdrücklich an; begründest Fehlerfälle und überführst deine Ergebnisse in einen semantisch verknüpften Bauteilpass. Die Kriterien sind für jedes Lernprodukt überprüfbar: Gültigkeitsbereich nennen – Modellversion prüfen – fehlende Daten markieren.

Bildhinweis: Die folgenden Wikimedia-Grafiken zeigen Konzept und Datenaustausch. Alt-Beschreibung: Pfeile verbinden ein physisches Objekt und seine digitale Repräsentation; Richtung und Aktualität des Datenflusses unterscheiden die Modelle.

Bild: Martina Signorini, CC BY-SA 4.0; Dateiseite. Offline-Alternative: Skizziere drei Kästen „Objekt“ und „Modell“ und zeichne für Modell manuelle, für Schatten automatische einseitige und für Zwilling eine funktionsbezogene Rückkopplung als Konzept. Rückkopplung bedeutet hier ausdrücklich keine Freigabe zur Steuerung.

Vom digitalen Modell zum anwendungsbezogenen Zwilling

Begriffe kurz aktivieren

Ein digitales Modell ist eine formale Darstellung von Eigenschaften eines Objekts, beispielsweise Geometrie oder Temperaturbeziehungen. Ein digitaler Schatten übernimmt Zustandsdaten typischerweise automatisiert in eine digitale Darstellung. Ein digitaler Zwilling verknüpft ein identifiziertes Gegenstück mit digitalen Modellen, Daten und zweckgebundenen Diensten über einen Lebenszyklus. Die Begriffe werden in der Fachliteratur nicht immer einheitlich abgegrenzt: Entscheidend ist deshalb, welche Datenrichtung und Aktualisierung du im Konzept tatsächlich nachweisen kannst. Eine 3D-Visualisierung allein beweist noch keinen funktionsfähigen Zwilling. Siehe Digitaler Zwilling, Industrie 4.0 und Simulation.

Geführter Vergleich: Eine statische CAD-Datei zeigt die Form eines Motors. Eine fortlaufend aktualisierte Temperaturkurve ergänzt seinen Zustand. Erst die dokumentierte Verknüpfung von Objekt-ID, Sensorkanal, überprüftem Modell, Zeithorizont, Datenqualität und definierter Anwendung macht daraus ein belastbares Zwilling-Konzept. Anspruchsvollere Auslegung: verschiedene Teilmodelle können unterschiedliche Gültigkeitsbereiche und Versionen haben.

Systemgrenze, Fragen und Nutzen

Beginne mit der Leitfrage: „Wie verändert sich die berechnete Temperatur einer synthetischen Modellmaschine beim Wechsel der relativen Last?“ Ein brauchbarer Zwilling braucht nicht alle Eigenschaften abzubilden. Lege fest, was dazugehört (Modellmotor, Last in Prozent, Temperatur in Grad Celsius, Zeitstempel), was nicht dazugehört (Verschleißdiagnose, Personensicherheit, reale Grenzwerte) und welche Unsicherheiten bleiben (Messrauschen, Abtastabstand, unbekannte Umgebungsbedingungen). Eine belastbare Prognose behauptet nicht mehr, als Daten und Validierung tragen.

Bild: Wilmjakob, CC BY-SA 4.0, Dateiseite. Alt-Text: Gegenüberstellung eines physischen Systems mit Informationsfluss zu einem digitalen Gegenstück. Offline: Notiere die drei Elemente physische Einheit, virtuelles Modell und dokumentierte Datenverbindung.

Sensordaten, Zeitreihen und Datenqualität

Ein Datenpunkt ist mehr als eine Zahl

Ein Sensordatensatz benötigt Objekt-ID, Messgröße, Zahl, Einheit, Messzeitpunkt, Messquelle und Qualitätskennzeichen. Für Vergleiche müssen Zeitbasis und Referenzbedingungen eindeutig sein. Ein Wert „37“ ohne Einheit darf weder als Temperatur noch als sichere Aussage gelten. NULL / fehlt ist etwas anderes als der gemessene Wert Null. Messfehler, Verzögerung und fehlende Aufzeichnung sind unterschiedliche Ursachen; falsche Werte dürfen nicht heimlich korrigiert werden. Sensor, Zeitreihe, Datenqualität.

Synthetischer Übungsdatensatz: Alle Zahlen frei erfunden, nicht für reale Maschinen geeignet. Zeitpunkte sind relative Minuten eines ausschließlich simulierten Tests. Die Normaleinheit der Temperatur ist °C; die Last ist Prozent der hier frei gewählten Modelllast. Modell M-A, M-B und M-C sind unabhängige virtuelle Testobjekte.

Minute	Maschine	Last in %	Temperaturfeld	Status
0	M-A	40	36 °C	vorhanden
5	M-A	80	51 °C	Lastwechsel
10	M-A	80	fehlend	Datenlücke
15	M-A	60	44 °C	vorhanden
0	M-B	40	310 K	Einheit abweichend
5	M-B	80	49 °C	vorhanden
10	M-B	80	50 °C	vorhanden
0	M-C	40	36 °C	vorhanden
5	M-C	80	52 °C	vorhanden
10	M-C	fehlend	53 °C	Last fehlt

Einheitenprüfung: 310 K entspricht 36,85 °C, denn für Celsius gilt hier Temperatur in °C = Temperatur in K − 273,15. Markiere den Originaleintrag weiterhin als K; stelle eine normalisierte, getrennte Spalte mit 36,85 °C her, einschließlich Konvertierungsvermerk. Ergänzende Falle: 0,006 m/s entsprechen 6 mm/s; ohne dokumentierten Messkanal, Bezugsgröße und Sensoreignung ist dies keine zulässige Verschleißbewertung.

Fehlende Werte: Für M-A bei Minute 10 steht „fehlend“, nicht 0 °C und auch nicht der ungeprüfte Wert 51 °C. Eine eventuelle Interpolation ist eine abgeleitete Schätzung mit eigenem Kennzeichen und darf den Rohwert nicht ersetzen. Für M-C fehlt bei Minute 10 die Last – deshalb kannst du den dortigen Temperaturwert nicht gegen eine lastabhängige Prognose prüfen.

Anschauliche Medien und Wahrnehmungsgrenzen

Animation: Camemake, CC BY 4.0, Dateiseite. Alt-Text: Wiederholter Arbeitszyklus einer Montagevorrichtung; illustriert Abläufe, liefert aber keine Messdaten. Offline: Zeichne die Zustände Start – Bearbeiten – Stopp. Die Animation zeigt keine der hier verwendeten synthetischen Maschinen.

Audio: Maximilian Schönherr, CC BY-SA 4.0, Dateiseite. Hörbeispiel für wechselnde Drehzahlen eines Elektromotors, kein Referenzsignal des Modellfalls. Alternative ohne Ton: Beschreibe die Abfolge Einschalten, niedrige Drehzahl, hohe Drehzahl, Ausschalten. Audiosignale ersetzen keine kalibrierten Messreihen.

Ein einfaches Modell bauen und simulieren

Geführtes Simulationsmodell

Wir verwenden für eine rein didaktische, lineare Näherung die Gleichung: erwartete Temperatur in °C = 22 + 0,35 × Last in Prozent. Die Zahl 22 ist ein frei gewählter Basiswert, 0,35 ist der angenommene Temperaturanstieg in °C je Prozentpunkt Last. Dies ist kein physikalisch validiertes thermisches Modell: Wärmeübertragungsverzögerung, Materialparameter und Außentemperatur fehlen. Gültigkeitsbereich: Modellmaschinen M-A bis M-C, Last 40–80 %, quasistationäre Vergleichsaufgabe, Temperatur normalisiert auf °C, hypothetische Umgebung 22 °C, Version v1.0. Außerhalb dieses Bereichs keine gesicherte Vorhersage.

Geführte Rechnung: Bei 40 % Last liefert v1.0 den Erwartungswert 36 °C. Bei 80 % liefert es 50 °C. Der Anstieg beträgt 14 °C. M-A zeigt bei Minute 5 tatsächlich 51 °C; die Abweichung zum Modell beträgt +1 °C. Das ist eine Beobachtung, keine Störungsklassifikation. Bei Minute 10 ist der Messwert nicht vorhanden: Abweichung unbekannt. M-B bei Minute 0 benötigt zuerst die dokumentierte K-zu-°C-Normalisierung; 36,85 °C weicht dann um +0,85 °C von 36 °C ab. Rechne diese Schritte offline nach.

Versionierung und Prüfprotokoll

Version v1.0 definiert obige Formel. Eine fiktive v1.1 könnte einen Zeitverzug berücksichtigen, benötigt dafür aber Parameter, neue Testfälle und eigene Freigabe zur rein simulierten Anwendung. Die Modellnummer gehört in jede Ergebniszeile, nicht nur auf die Titelseite. Wer v1.0-Messauswertung und v1.1-Prognose ohne Kennzeichnung mischt, erzeugt eine unklare Aussage. Beispiel: Eine Tabelle nennt v1.1, die angegebene Formel stammt aber aus v1.0. Entscheidung: Ergebnis zurückstellen, Herkunft der Formel und Version abgleichen, dann neu rechnen. Niemals eine Versionsnummer stillschweigend angleichen.

Prüfblatt (manuell): Objekt-ID, Zeitpunkt, Rohwert, Roh-Einheit, normalisierter Wert, Umrechnung, fehlend/geschätzt/gemessen, Modell-ID, Versionsnummer, Gültigkeitsbereich, Modellwert, Abweichung, begründete Entscheidung, Bearbeitungsdatum. Markiere unbekannte Felder sichtbar mit „unbekannt“ statt sie zu erfinden.

Modellvergleich statt Übervertrauen

Eine niedrige durchschnittliche Abweichung kann Datenlücken verdecken. Ein Wert außerhalb der angenommenen Lastgrenzen ist nicht automatisch falsch; er liegt lediglich außerhalb des geprüften Bereichs. Simuliere für M-C einen nicht beobachteten Lastfall 95 %: Die Formel berechnet rechnerisch 55,25 °C, doch du kennzeichnest das als Extrapolation ohne Gültigkeitsnachweis. Vergleiche Modelle fair nur auf denselben gekennzeichneten und verwendbaren Beobachtungen. Sicherheit und reale Wartungsentscheidung bleiben bei zuständigen Fachpersonen; dieses Schulmodell erteilt keinerlei Freigabe.

Animation: Lambtron, CC BY-SA 4.0, Dateiseite. Alt-Text: Virtuell animierte Koordinatenmessmaschine führt Messbewegungen aus. Vergleich: Ein animierter Ablauf ist noch keine überprüfte Simulation realer Sensordaten. Offline: Zeichne drei Messpositionen und notiere, welche Messwerte zur Prüfung zusätzlich nötig wären.

Architektur, Schnittstellen und semantischer Produktfaden

Vom Sensor zur Bedeutung

Eine lesbare Architektur für unseren Fall lautet virtuelle Messquelle → Rohdatentabelle → Qualitätsprüfung und Einheitenkonvertierung → versioniertes Modell → Ergebnis → Bauteilpass. In realen Industriearchitekturen kann OPC UA eine sichere, interoperable Kommunikation und ein semantisches Informationsmodell ermöglichen. OPC UA allein garantiert jedoch weder korrekte Einheiten noch vollständige, validierte Modelle. Für die Übung genügt eine lokale Tabelle: Es werden keinerlei Server, SPS, Maschinen oder Dienste angesteuert.

Die Asset Administration Shell (AAS; deutsch Verwaltungsschale) ist ein Konzept für strukturierte digitale Informationen zu einem Asset, gegliedert in Teilmodelle. IDTA beschreibt unter anderem Teilmodelle für Zeitreihen, Simulation, digitalen Typenschilddatensatz und Produktpass. Semantisch bedeutet: Werte sind mit eindeutigen Begriffen, Einheiten, IDs und Beziehungen versehen, sodass Anwendungen ihre Bedeutung nachvollziehen können. Ein bloßer Link zu einer 3D-Datei leistet dies nicht.

Architekturdiagramm (englisch): Jamaica Lancee, CC BY 4.0, Dateiseite. Alt-Text: Komponenten für Dateneingang, Wissen, Analyse sowie menschliche und technische Schnittstellen. Offline: Notiere fünf Kästen und zeichne Pfeile nur für den simulierten Informationsfluss.

Synthetischer Bauteilpass als Lernprodukt

Erstelle einen synthetischen Bauteilpass für den virtuellen Motor „M-A / MOTOR-001“. Er dokumentiert nicht nur die äußere Form, sondern Identität, Datenherkunft, Modelle, Geltung und Änderungsverlauf.

Feld	Beispielwert, ausschließlich synthetisch	Begründung
Asset-ID	urn:schule:demo:MA:MOTOR-001	eindeutiger Verweis im Lernmodell
Bauteiltyp	virtueller Elektromotor	Klassifikation
Modell-ID und Version	TEMP-LIN / v1.0	Wiederholbarkeit der Rechnung
Gültigkeit	M-A–M-C; Last 40–80 %; quasi-stationär; 22 °C Umgebung	Grenzen der Aussage
Eingänge	Last [%], Temperatur [°C], Minute	Semantik und Einheit
Messstatus Minute 10	Temperatur fehlend	keine erfundene Nullmessung
Datenquelle	SIM-DATEN-01 / synthetisch	Rückverfolgbarkeit
Bauteilbezug	MOTOR-001 → gehört zu M-A	strukturierter Produktfaden
Revision	Pass v0.1 / Entwurf	Änderungsstand
Nutzung	Unterrichtssimulation; keine Sicherheits- oder Wartungsfreigabe	Anwendungsgrenze

Prüfung der drei Kernkriterien am Pass: (A) Fehlt „Last 40–80 %“, kann der Gültigkeitsbereich nicht nachvollzogen werden → nicht ausreichend. (B) Formel v1.0, Ergebnisetikett v1.1 → Versionskonflikt, nicht freigeben. (C) Der Wert bei Minute 10 wird 0 °C statt „fehlend“ → Fehlerfall, Rohdatum korrigieren und Rechnung zurücknehmen. Beschreibe für jeden Fall deine eigene Entscheidung in einem Satz mit Begründung.

Der Produktfaden verbindet Lebenszyklusinformationen

Ein semantischer Produktfaden verbindet Anforderungen, Bauteile, Datenquellen, Modellversionen, Prüfungen und spätere Änderungen mit überprüfbaren Referenzen. Beispiel: MOTOR-001 → gemessen durch SIM-TEMP-01 → Zeitreihe SIM-DATEN-01 → bewertet mit TEMP-LIN v1.0 → Ergebnis E-05 → dokumentiert in Pass v0.1. Bei einer simulierten Bauteiländerung wird eine neue Passrevision erstellt, alte Versionsbezüge bleiben nachvollziehbar. Eine 3D-Ansicht kann Teil dieses Fadens sein, ersetzt die Beziehungen aber nicht. Fortgeschrittene überlegen, wie AAS-Teilmodelle und OPC-UA-Informationsmodelle dieselbe Identität und Bedeutung austauschen könnten, ohne einen konkreten Standard-Erfüllungsgrad zu behaupten.

Selbstständiger Transfer und begründete Qualitätssicherung

Dein Arbeitsauftrag

Wähle M-A, M-B oder M-C und erstelle als eigenständiges Ergebnis eine Seite „Zwilling-Konzept“ sowie den zugehörigen Pass. Halte fest: Zweck, Asset-ID, Grenzen, Sensorgrößen und Einheiten, einfache Simulationsregel, Versionsstand, Datenqualitätskennzeichen, Beispielrechnung, Liste fehlender Werte, Beziehungskette und eine Entscheidung zu einem selbst gewählten Fehlerfall. Analysiere die beiden alternativen Modellmaschinen als Gegenprobe. Du darfst Tabellen von Hand ausfüllen; ein kostenpflichtiger Cloud-Dienst ist nicht nötig.

Mindestprüfung: Weise mit einem konkreten Datensatz nach, dass dein Gültigkeitsbereich ausdrücklich genannt wird; erkläre einen absichtlichen Modellversionskonflikt; markiere mindestens eine echte Datenlücke als fehlend und kennzeichne mögliche Schätzwerte gesondert. Anspruchsvolle Vertiefung: Entwickle eine Prüftabelle aus Bedingungen („Einheit kompatibel?“, „Wert vorhanden?“, „Last im Bereich?“, „Version konsistent?“) und stelle mögliche falsche Alarme bei ungeprüfter Datenqualität dar.

Reflexion und Grenzen

Ein Modell kann helfen, Fragen sichtbar zu machen, ersetzt aber nicht fachliche Prüfung. Gerade im Schulprojekt ist ein offengelegter fehlender Wert ein besseres Ergebnis als ein scheinbar vollständiges, aber erfundenes Datenblatt. Für reale Anlagen wären zusätzlich Sensorvalidierung, mechanische und thermische Grundlagen, Verantwortlichkeiten, IT-Sicherheit, formelle Prüfprozesse und betriebsspezifische Regeln erforderlich. Dieses unabhängige Bildungsangebot ist weder ein offizieller Liebherr-Kurs noch eine IHK-Zertifizierung.

Video (deutsch): „Was ist der Digitale Zwilling?“, Fraunhofer IEM, veröffentlicht 22.06.2022, Videoseite. Die Auffindbarkeit der Metadaten wurde geprüft; künftige Abspielbarkeit ist nicht garantiert. Das Videomaterial ist keine hier eingeräumte OER-Lizenz. Offline-Alternative: Nutze die Begriffsdefinitionen und die Falltabelle in diesem Kurs und zeichne den Modell-Daten-Kreislauf selbst.

Interaktive Aufgaben

Quiz: Prüfe dein Verständnis

1. Was macht ein bloßes 3D-Modell noch nicht zu einem belastbaren Zwilling? (Es fehlen nachweisbare Zustandsdaten und Anwendungsbezug) (!Eine 3D-Datei ist grundsätzlich verboten) (!Jedes Modell muss eine reale Maschine steuern) (!Ein Zwilling darf keine Geometrie enthalten)