Bild 01: Der „ArmPi FPV“-Lernroboter (Queller: Centrale Supélec)
Eine vielversprechende Lösung kommt aus der Forschung: An der Centrale Supélec – Université Paris-Saclay verfolgt Prof. Zhiguo Zeng mit seinem Team einen innovativen Ansatz. Sie kombinieren digitale Zwillinge mit Deep Learning, um Ausfälle auf Komponentenebene in Robotersystemen allein anhand von Überwachungsdaten auf Systemebene zu erkennen, ohne an jedem kritischen Bauteil Sensoren installieren zu müssen. Prof. Zeng erkannte, dass digitale Zwillinge eine smarte Antwort auf eines der größten Probleme bei der Umsetzung von Predictive Maintenance liefern: den Mangel an Ausfalldaten. Da in der Praxis nur selten Störungen auftreten, lassen sich mithilfe virtueller Modelle gezielt Ausfallszenarien simulieren und damit die erforderlichen Daten generieren. Auf diese Weise können Wartungsprozesse präziser geplant und potenzielle Probleme frühzeitig erkannt werden.
Virtuell denken, real profitieren
Die Arbeit an Digital-Twin-Projekten eröffnet vielfältige Umsetzungsmöglichkeiten mit unterschiedlichen Integrationsgraden zwischen physischen und virtuellen Systemen. Prof. Z. Zeng und sein Team untersuchten dabei drei Ebenen der digitalen Abbildung. Auf der Basisebene verhält sich das digitale Modell wie eine klassische Simulation: Es läuft offline mit statischen Modellen und tauscht keine Daten mit dem realen System aus. Eine Stufe darüber liegt der digitale Schatten. In diesem Fall übernimmt das virtuelle Modell Daten aus dem physischen System, um dessen Verhalten nachzubilden, ohne jedoch aktiv in die Steuerung einzugreifen. Die höchste Entwicklungsstufe bildet schließlich der digitale Zwilling. Er zeichnet sich durch einen bidirektionalen Informationsaustausch aus: Das Modell aktualisiert sich fortlaufend anhand von Beobachtungen und trifft in Echtzeit Entscheidungen, die direkt in die Steuerung des physischen Systems einfließen.