Best Practices zu digitalen Zwillingen Implementierung von Digital Twins

Anbieter zum Thema

Windhoff Group

Digitale Zwillinge verfügen über ein hohes Potenzial. Doch trotz der klaren Vorteile bleibt eine Reihe von beachtenswerten Herausforderungen bestehen. Diese Probleme müssen frühzeitig erkannt und bewältigt werden. Welche Lösungen bieten sich an?

Die Entwicklung und Implementierung eines Digital Twin kann recht aufwändig sein. Dabei ist es wichtig, sich daran zu erinnern, dass der digitale Zwilling ein Konzept darstellt und keine Technologie. Daher kommt je nach Projektumfang ein Arsenal an Sensoren, Tools, Plattformen für das Internet der Dinge (IoT) bis hin zu Edge-Computing und künstlicher Intelligenz (KI) zum Einsatz.

Schon hier lauert ein früher Stolperstein: Für die Sensorik der Geräte wird ausreichend Infrastruktur für das Kommunikationsprotokoll, Rechen- bzw. Speicherleistung etc. benötigt. Für viele Anwender stellt dies eine erhebliche Anfangsinvestition dar, die sich nicht unbedingt direkt auszahlt, da sich der Nutzen meist erst aus der Nutzung des digitalen Zwillings ergibt.

Entscheidungsträger stellen sich sogleich diese und sicherlich noch weitere Fragen: Womit fangen wir an? Wie hoch ist der Return on Investment (ROI)? Wie lange wird das dauern?

Wertbasierte Use Cases identifizieren

Ein weiterer Stolperstein ist die Tatsache, dass von den Anwendern häufig wertbasierte Anwendungsfälle nicht genau genug bestimmt werden. Das liegt teilwiese auch daran, dass Anwender oftmals unterschiedliche Auffassungen von einem digitalen Zwilling haben können. Hinzu kommt, dass jede Bereitstellung eines digitalen Zwillings in die bestehenden Arbeitsabläufe und den allgemeinen Geschäftsbetrieb passen muss.

Es gilt also zunächst einmal, einen eindeutigen Use Case zu bestimmen und herauszufinden, welche Art von Fähigkeiten oder Technologiesets fehlen, um einen digitalen Zwilling zu entwickeln und zu implementieren. Dafür müssen für den ersten Schritt keine kompletten Fabriken und alle darin enthaltenen Prozesse betrachtet werden.

Besser wäre es, den Fokus zunächst auf ein bestimmtes Subsystem zu legen, um so einen praktikablen Kompromiss zwischen den Kosten und den Vorteilen zu erhalten. Dies schafft die Möglichkeit, sogenannte „Quick Wins“ zu sichern, die dann je nach Bedarf skaliert werden können. Beispielsweise möchte ein Anwender nur den Zustand eines einzelnen Geräts überwachen, um zu verstehen, warum es zu ungeplanten Ausfallzeiten kam.

Sobald der digitale Zwilling zur Verfügung steht und das Unternehmen sich über das Problem im Klaren ist, könnte es den digitalen Zwilling verwenden, um vorherzusehen, wann das Problem erneut auftreten könnte. Dies ist ein guter Weg, um schnell einen Return on Investment zu erzielen.

Zudem bietet es auch eine gute Möglichkeit, das Verständnis im gesamten Unternehmen darüber zu vereinheitlichen, was ein digitaler Zwilling im Einzelnen darstellt. Neben einer vorausschauenden Wartung wären beispielsweise Anwendungsfelder wie die Optimierung zur Minimierung von Verschwendung und Planung von Prozessen ein erster Einstieg.

Partner für digitale Zwillinge finden

Nicht selten verfügt ein Unternehmen möglicherweise nicht über das erforderliche Wissen in seinem Team oder die richtigen Kontakte zu geeigneten Anbietern. Die Suche nach Partnern kann dabei helfen, die ersten Schritte für eine zielführende Implementierung eines digitalen Zwillings zu gehen.

Lebenszyklus-Management berücksichtigen

Nicht nur die Entwicklung eines digitalen Zwillings ist mit Zeit und Kosten verbunden, sondern es fallen auch laufende Supportkosten an, um sicherzustellen, dass die Modelle genaue Ergebnisse liefern. Es empfiehlt sich daher den gesamten Lebenszyklus im Voraus zu berücksichtigen, vor allem die Funktionen zur Unterstützung von Modellen für maschinelles Lernen (ML) und automatisierter Bereitstellung von Instrumenten. Hierzu bietet sich beispielsweise das MLOps-Toolset an, um schnell und zuverlässig von der Entwicklung zur Bereitstellung eines digitalen Zwillings überzugehen.

Skalierbare Datenplattform entwerfen

Gewachsene digitale Zwillinge generieren mitunter ein Petabyte an Daten oder je nach Größe auch mehr, die gesichert, analysiert und zur Pflege von Modellen für maschinelles Lernen verwendet werden müssen. Daher ist es zu überlegen, ob für den digitalen Zwilling bzw. die IoT-Echtzeitdatenströme eine Datenverwaltungsplattform entwickelt werden sollte.

Viele dieser Plattformen unterstützen Echtzeitanalysen und umfangreiche Modelle für maschinelles Lernen. Digitale Zwillinge, die verwendet werden, um das Verhalten von Tausenden oder mehr Entitäten zu simulieren, wie beispielsweise Fertigungskomponenten, benötigen jedoch ein Datenmodell, das die Abfrage von Entitäten und ihren Beziehungen ermöglicht.

Anwender erstellen oftmals digitale Zwillinge mithilfe von Graph-Datenbanken, um verschiedene Betriebsanalysen zu unterstützen und von einer umsetzbaren und zeitnahen Business Intelligence (BI) zu profitieren. Die Erstellung eines detaillierten digitalen Modells kann entweder einzelne Maschinen einer Fabrik, verschiedene Lagerregale etc. modellieren oder auf hoher Ebene mit großen Bereichen eines Unternehmens wie beispielsweise kompletten Lagerverwaltungen erfolgen.

Aufbau von Cloud- und Emerging-Tech-Kompetenzen

Die Implementierung digitaler Zwillingsplattformen, die Integration von Daten von Tausenden von IoT-Sensoren und die Einrichtung skalierbarer Datenplattformen erfordern von der IT eine Kernkompetenz bei der Bereitstellung von Technologie-Infrastruktur in großem Maßstab. Während IT-Teams Anwendungsfälle erwägen und mit den Funktionen der Plattform für digitale Zwillinge experimentieren, müssen IT-Chefs die Cloud, Infrastruktur, Integration und Geräte berücksichtigen, die zur Unterstützung eines produktionsbereiten digitalen Zwillings erforderlich sind.

Der Erfolg digitaler Zwillinge beginnt im Grunde mit einem starken digitalen Kern, der durch Cloud-native Anwendungen wie beispielsweise KI bzw. ML und Augmented Reality (AR) sowie Virtual Reality (VR) ermöglicht wird und Organisationen dabei unterstützt, Daten und Anwendungen unabhängig von der Infrastruktur zu verarbeiten.

(ID:49441266)