Interoperable Daten als Schlüssel für die Zukunft der Fertigung
simus systems begleitet Unternehmen auf dem Weg zu interoperablen Daten, um diese für den digitalen Zwilling optimal zu nutzen
Ein digitaler Zwilling ist ein virtuelles Abbild eines physischen Objekts oder Systems. Im Maschinenbau wird dieser digitale Klon aus verschiedenen Datenquellen gespeist, darunter 3D-Daten und Echtzeitinformationen, die über Sensoren und andere Geräte vom physischen Gegenstück erfasst werden. Ingenieure können damit das physische Objekt in einer digitalen Umgebung simulieren, analysieren und überwachen, um Optimierungen vorzunehmen. Da diese Simulationen kostengünstig und risikofrei sind, ist der digitale Zwilling zu einem unverzichtbaren Werkzeug in der modernen Fertigungsindustrie geworden.
Das Potential ist gigantisch: Die Unternehmensberatung KPMG geht von einer jährlichen Wachstumsrate von rund 60% aus. Von 2023 bis 2028 soll sich das globale Marktvolumen mehr als verzehnfachen.
Hier werden Konstruktionen und Funktionalitäten zukünftiger Produkte vor der physischen Umsetzung simuliert und getestet, um Kosten und Risiken zu minimieren. Eine Kombination aus 3D-CAD-Daten sowie Daten aus den Produktionssystemen sind dafür notwendig.
Dies ermöglicht die virtuelle Simulation und Optimierung von Produktionsprozessen zur Verbesserung der Effizienz und Qualität, Minimierung von Risiken und Simulation von Produktanpassungen.
Messungen und Analysen während des Gebrauchs oder der laufenden Produktion dienen zum Beispiel dazu, die Auslastung einer Maschine zu verbessern.
Der externe Datenaustausch, etwa mit Zulieferern oder Kunden, eröffnet zahlreiche zusätzliche Potenziale. Beispielsweise können Informationen aus der Lieferkette in den Produktionsprozess integriert werden, um den Product Carbon Footprint auszuweisen. Digitale Daten können auch als Mehrwert an den Kunden weitergegeben werden. Ein Getriebehersteller könnte etwa seine Produkte mit einem digitalen Schatten versehen, der den Kunden ermöglicht, Toleranzen individuell anzupassen.
Diese stammen aus CAD-Systemen und enthalten detaillierte Informationen über das Design und die Struktur von Bauteilen, Baugruppen und Systemen. Diese Daten sind entscheidend für die genaue Modellierung der Objekte.
Diese Daten beinhalten Informationen über die Produktionsprozesse, wie z.B. Fertigungsparameter, Zykluszeiten und Qualitätskontrollen. Sie helfen dabei, die Effizienz und Qualität der Produktionsabläufe zu überwachen und zu verbessern.
Betriebs- und Sensordaten In Echtzeit von Sensoren erfasst, liefern diese Daten wertvolle Einblicke in den aktuellen Zustand und die Leistung der Maschinen. Beispiele sind Temperatur, Druck, Vibrationen und andere Betriebsparameter.
Wartungs- und InstandhaltungsdatenDiese historischen und aktuellen Daten umfassen Informationen über durchgeführte Wartungen, Reparaturen und Ausfälle. Sie sind wichtig für die Planung präventiver Wartungsmaßnahmen und zur Vorhersage potenzieller Probleme.
Die Integration vieler heterogener Datenquellen, die nicht miteinander kommunizieren („Datensilos“), stellt eine erhebliche Herausforderung dar. Unterschiedliche Datenformate, inkonsistente Datensätze und die schiere Menge an Informationen erschweren die einheitliche Aufbereitung. Das Ziel ist es, interoperable Daten aufzubauen, also Daten, die in der Lage sind, für unterschiedliche Systeme in hoher Qualität verfügbar und verarbeitbar zu sein und damit deren Zusammenspiel zu ermöglichen.
Damit dieses Zusammenspiel gelingt, müssen schon die CAD-Modelle interoperabel aufgebaut sein. Ein aktueller, geordneter und einheitlich aufgebauter Datenbestand ohne Dubletten ist Voraussetzung. Außerdem sind standardisierte Formate notwendig, wie die Asset Administration Shell – kurz AAS oder deutsch digitale Verwaltungsschale.
Die im Juli 2023 von der Industrial Digital Twin Association e.V. (IDTA) veröffentlichte Version 3.0 der AAS beschreibt, wie Unternehmen praxisreife Verwaltungsschalen erstellen und strukturieren können. Eine Verwaltungsschale bietet eine konsequent standardisierte Strukturierung von Modellkomponenten und Schnittstellen. Damit stehen die Daten eines digitalen Zwillings auf interoperable Weise über den gesamten Lebenszyklus und entlang der Wertschöpfungskette standardisiert zur Verfügung. Jedes Asset kann darüber identifiziert und angesprochen werden, um Informationen in einer einheitlichen Sprache abzugeben.
Die Datenaufbereitung für digitale Zwillinge beginnt mit der Datenbereinigung und -validierung. Dieser Prozess stellt sicher, dass die erfassten Daten frei von Fehlern, Duplikaten und Unstimmigkeiten sind. Dies beinhaltet das Entfernen von irrelevanten Daten, das Korrigieren von Fehlern und das Füllen fehlender Werte. Die Validierung stellt sicher, dass die Daten den erwarteten Qualitätsstandards entsprechen und für weitere Analysen geeignet sind.
In vier Schritten werden Materialstammdaten über Best-Practice-Systeme mit simus classmate bereinigt und validiert:
1. Analyse
Für die Analyse werden alle verfügbaren Quellen genutzt: PDM- und ERP-Systeme, Datenbanken, Excel, etc.
2. Konsolidierung und Verdichtung
Durch ausgereifte Algorithmen werden gleiche und ähnliche Elemente automatisch erkannt und zusammengefasst.
3. Bereinigung und Anreicherung
Dubletten werden eliminiert, Datensätze mit internen und externen Informationen systematisch angereichert.
4. Strukturierung (Klassifikation)
Die Daten werden systematisch geordnet und in eine hierarchische Struktur gebracht.
Auch mit sehr großen Datenmengen wird simus classmate spielend fertig.
Nach der Bereinigung müssen die Daten modelliert und strukturiert werden, um sie für die Nutzung durch digitale Zwillinge vorzubereiten. Dies umfasst die Organisation der Daten in einer logischen und zugänglichen Weise, oft durch die Erstellung von Datenmodellen, die die Beziehungen zwischen verschiedenen Datensätzen darstellen. Die Strukturierung der Daten erleichtert den Zugriff und die Analyse und stellt sicher, dass die Daten in einer konsistenten und verständlichen Form vorliegen. Dies ist besonders wichtig für komplexe Maschinenbauprojekte, bei denen Daten aus verschiedenen Quellen zusammengeführt werden müssen.
Unsere Software classmate CAD analysiert 3D-Modelle ohne zusätzlichen Aufwand für den Konstrukteur und ordnet sie automatisch in ein individuell definiertes Klassensystem ein. Alle relevanten Informationen werden vollautomatisch ausgelesen und gespeichert: Geometrieinformationen ebenso wie Dateiinformationen. Ihre Daten stehen in kürzester Zeit klassifiziert, mit Sachmerkmalen versehen und geometrisch indexiert zur Verfügung. Auch die sichere Synchronisation mit ERP-Systemen, zum Beispiel SAP, ist selbstverständlich in der Klassifizierungssoftware integriert.
Die Sicherstellung der Datenqualität und -konsistenz ist ein fortlaufender Prozess, der über die gesamte Lebensdauer eines digitalen Zwillings hinweg beibehalten werden muss. Dies umfasst regelmäßige Überprüfungen und Aktualisierungen der Daten sowie das Implementieren von validen Datenmanagement-Workflows.
Master Data Governance sorgt in Unternehmen für klare Regeln bei der Verarbeitung und Organisation von Stammdaten.
Mit der Master Data Governance Lösung von simus systems schafft ein Unternehmen umfassende Prozess- und Organisationsstrukturen für das Datenmanagement sowie klare Verantwortlichkeiten. In Fertigungsunternehmen werden hierbei zum Beispiel Abläufe zur Materialstamm-Anlage modelliert sowie individuelle Freigabe- und Genehmigungsprozesse.
simus classmate bietet hier erprobte, definierte Workflows, das heißt, einen software-gestützten unternehmensweiten Prozess zur Anlage und langfristigen Pflege von neuen Material- und anderen Stammdaten.
Flexibel, leistungsstark und systematisch bereiten wir Daten optimal für die Nutzung in anspruchsvollen digitalen Prozessen auf. Lassen Sie sich überraschen, welches Potenzial in Ihren Daten steckt! Wir beraten Sie gerne, wie Sie Datenprozesse innovativ und nachhaltig gestalten.
