Was ist ein Digital Twin?

Drei Dinge, die Sie wissen sollten

Ein Digital Twin (digitaler Zwilling) stellt in einem Modell eine tatsächliche physikalische Anlage im Betrieb dar. Der Digital Twin spiegelt den aktuellen Zustand der Anlage wider und enthält relevante historische Daten über sie. Mithilfe eines Digital Twins kann der aktuelle Zustand der Anlage bewertet werden und vor allem, das zukünftige Verhalten vorhergesagt, die Steuerung verfeinert oder der Betrieb optimiert werden.

Ein Digital Twin kann ein Modell einer Komponente, eines Systems von Komponenten oder eines Systems von Systemen sein – wie beispielsweise von Pumpen, Motoren, Kraftwerken, Fertigungslinien oder einer Fahrzeugflotte. Digital Twins sind Modelle, die physikalische oder statistische Ansätze umfassen können. Um die aktuelle Umgebung, das Alter und die Konfiguration der Anlage widerzuspiegeln werden typischerweise aktuelle Anlagendaten direkt an Algorithmen gestreamt.

Warum Digital Twins wichtig sind

Funktionsweise von Digital Twin

Digital Twin mit MATLAB und Simulink

Warum Digital Twins wichtig sind

Das Erstellen und Verwenden von Digital Twins erhöht die Intelligenz operativer Systeme. Eine aktuelle Darstellung realer Betriebsanlagen ermöglicht es Ihnen, die Anlagen und das Gesamtsystem zu steuern oder zu optimieren. Die Darstellung umfasst nicht nur den aktuellen Zustand, sondern oft auch die Betriebshistorie der Anlage. Mithilfe von Digital Twin können Sie optimieren, die Effizienz erhöhen, automatisieren und die zukünftige Leistung bewerten. Sie können die Modelle auch für weitere Zwecke verwenden, z. B. zur virtuellen Inbetriebnahme oder bei der Gestaltung von Designs der nächsten Generation.

Digital Twins werden in mehreren Bereichen häufig eingesetzt:

Prozessoptimierung: Unter Verwendung von Variablen wie Wetter, Flottengröße, Energiekosten oder Leistungsfaktoren werden mit Modellen Hunderte oder Tausende von Was-wäre-wenn-Simulationen durchgeführt, um die Einsatzbereitschaft zu beurteilen oder notwendige Anpassungen an aktuellen Systemsollwerten zu ermitteln. Auf diese Weise kann der Systembetrieb fortlaufend optimiert oder kontrolliert werden, um Risiken zu minimieren, Kosten zu senken oder beliebige Systemeffizienzen zu optimieren.

Digitale Zwillinge für vorausschauende Instandhaltung

Monte-Carlo-Simulationen zur Bewertung möglichen Verhaltens.

Predictive Maintenance: In Industry-4.0-Anwendungen kann anhand von Modellen die verbleibende Nutzungsdauer bestimmt werden, um den günstigsten Zeitpunkt für die Wartung oder den Austausch von Geräten zu identifizieren.

Predictive-Maintenance-Alarmsystem von Baker Hughes, basierend auf MATLAB.

Anomalieerkennung: Das Modell läuft parallel zu den realen Anlagen und weist sofort auf Betriebsverhalten hin, das vom erwarteten (simulierten) Verhalten abweicht. So kann beispielsweise ein Mineralölkonzern Sensordatenströme von Offshore-Ölplattformen übertragen, die kontinuierlich betrieben werden. Der Digital Twin sucht nach Anomalien im Betriebsverhalten, damit ersnthafte Schäden vermieden werden können.

Prototyp für den Einsatz des Industrial IoT auf einer Ölplattform mit Simulink Real-Time. Bild mit freundlicher Genehmigung von National Oilwell Varco

Prototyp für Industrial IoT in Betrieb auf einer Ölplattform unter Verwendung von Simulink Real-Time. Bild mit freundlicher Genehmigung von National Oilwell Varco.

Fehlerisolierung: Anomalien können eine Reihe von Simulationen auslösen, um den Fehler zu isolieren und die Ursache zu identifizieren, sodass Ingenieure oder das System geeignete Maßnahmen ergreifen können.

Fehlerisolierung in einem Kraftstoffregelungssystem.

Funktionsweise von Digital Twin

Die IoT-Anwendung ist die Grundlage für das, was Sie als Teil eines digitalen Zwillings modellieren müssen. Ein Modell des Digital Twins enthält die erforderlichen Komponenten, Verhaltensweisen und Dynamiken des IoT-Systems.

Modellierungsmethoden lassen sich im Allgemeinen in zwei Arten gliedern – „First Principles“ (basierend auf bekannten Gesetzmäßigkeiten) oder physikalische Methoden (z.B. mechanische Modellierung) und datengesteuerte Methoden (z.B. Deep Learning). Ein Digital Twin kann auch eine Kombination aus verschiedenen modellierten Verhaltensweisen und Modellierungsmethoden sein und wird in der Regel im Laufe der Zeit weiterentwickelt, wenn mehr Einsatzmöglichkeiten identifiziert werden.

Wie viel wissen Sie bereits über Model-Based Design?

Quiz beginnen

Modellierungsmethoden für digitale Zwillinge: grundlegende Physik und datengesteuerte Methoden.

Modellierungsmethoden für Digital Twin - First Principles und datengesteuert.

Die Modelle müssen auf dem neuesten Stand gehalten und auf die in Betrieb befindliche Anlage abgestimmt werden. Dies beinhaltet typischerweise ein direktes Streaming von Daten aus den Anlagen in die Algorithmen, die den Digital Twin abstimmen. Auf diese Weise können Sie Aspekte wie Anlagenumgebung, Alter und Konfiguration berücksichtigen.

Sobald der Digital Twin verfügbar und aktualisiert ist, können Sie ihn für eine Vielzahl von Möglichkeiten nutzen, um zukünftiges Verhalten vorherzusagen, die Steuerung zu verfeinern oder den Betrieb der Anlage zu optimieren. Einige Beispiele sind die Simulation von Sensoren, die nicht auf der realen Anlage vorhanden sind, die Simulation von Zukunftsszenarien zur Information über den laufenden und zukünftigen Betrieb oder die Verwendung des Digital Twins zur Identifizierung des aktuellen Betriebszustands durch Senden der aktuellen realen Eingänge.

Digital Twin mit MATLAB und Simulink

Anhand von Daten aus Ihrer vernetzten Anlage können Sie mit MATLAB ein Modell erstellen. Sie können auch Simulink verwenden, um ein physikalisches Modell mithilfe von Mehr-Domänen-Modellierungstools zu erstellen. Sowohl datengesteuerte als auch physikalische Modelle können mithilfe von Daten aus der Betriebsanlage optimiert werden, um als Digital Twin zu fungieren. Sie können diese Digital Twins für Prognosen, Was-wäre-wenn-Simulationen, Anomalieerkennung, Fehlerisolierung und mehr einsetzen.

Machine Learning, Deep Learning, neuronale Netze und Systemidentifikation sind in MATLAB verfügbare datengesteuerte Methoden. In der Regel wird ein Satz von Daten zum Trainieren oder Extrahieren eines Modells verwendet und eine separater Satz von Validierungsdaten, um Modelle zu qualifizieren oder zu testen. Mit MATLAB-Apps können Sie diese Modellierungsmethoden ausprobieren, um die genaueste Methode für Ihre Anwendung zu finden.

Interaktive Classification Learner-App für Training, Validierung und Optimierung von Klassifikationsmodellen.

Bei der physikalischen Modellierung mit Simulink wird das System anhand von bekannten Gesetzmäßigkeiten entworfen („First Principles“-Modellierung). Die Modelle können mechanische, hydraulische und elektrische Komponenten enthalten und können auch aus der vorgelagerten, modellbasierten Entwurfsarbeit mit Simulink stammen.

Simulink-Modell eines Stromnetzes als digitaler Zwilling

Digital Twin eines Stromnetzes als Simulink-Modell. Zur Parameterschätzung werden Messdaten aus dem Stromnetz empfangen und Tausende von Simulationsszenarien durchgeführt, um zu ermitteln, ob die Energiereserve ausreicht und ob Netzregler angepasst werden müssen.

Durch Optimierungsmethoden können Sie Digital Twins abstimmen und mit Standardprotokollen wie MQTT für eingehende Datenströme auf dem neuesten Stand halten.

Sie können Ihren Digital Twin überall dort implementieren, wo es für Ihre Anwendung sinnvoll ist – an Edge-Computing-Knoten, in der operativen Technologieinfrastruktur oder in IT-Systemen. Integrieren Sie ihn in kommerzielle Systeme wie Azure IoT Hub oder AWS IoT oder implementieren Sie eine benutzerdefinierte Integration nach Bedarf über APIs und andere gängige Integrationsmethoden wie Shared Libraries und RESTFul-Aufrufe.