Mit einer rund 7000 Euro teuren Lernfabrik von Fischertechnik lassen sich Industrie 4.0-Anwendungen und Prozessabläufe als modulares Trainings- und Simulationsmodell durchspielen. Sogar eine Cloud-Anbindung ist inkludiert, dazu gibt es ein Dashboard, Steuerung über smarte Geräte und eine Kommunikation via OPC/UA und MQTT.
Fischertechnik steht bei Ihnen, liebe Leser, hoch im Kurs, das wissen wir aus früheren Beiträgen. Mit der Lernfabrik 4.0 hat der früher für Spielzeug bekannte Hersteller eine physische Brownfield- und Greenfield-Simulationsumgebung inklusive eines wissenschaftlich fundierten, vierdimensionalen Reifegradmodells auf den Markt gebracht. Dieses bietet risikofreie Erprobungsräume sowie klare, methodische Stufenmodelle zur schrittweisen technologischen Skalierung an. Gekoppelt mit einer modularen, mehrstufigen Schichten-Systemarchitektur basierend auf der industriellen Verwaltungsschale lässt sich damit demonstrieren, wie Fabrikbetreiber vom einfachen Live-Monitoring bis hin zur autonomen, KI-gestützten Echtzeit-Prozessoptimierung gelangen können.
Das Reifegradmodell für Digitale Zwillinge
Um die funktionalen Ausbaustufen Digitaler Zwillinge – insbesondere für kleine und mittlere Unternehmen (KMU) – systematisch einzuordnen, hat das Fachgebiet Produktionsorganisation und Fabrikplanung (pfp) der Universität Kassel eine umfassende Meta-Analyse durchgeführt. Aus 31 bestehenden Modellen der Fachliteratur wurde ein neues Reifegradmodell extrahiert. Dieses Modell spannt einen dreidimensionalen mathematisch-technischen Bewertungsraum auf, der von einer normativen organisatorischen Dimension umschlossen wird.
Die vier Dimensionen des Modells
- 1. Konvergenz (Technische Synchronität):
Bewertet die physisch-digitale Kopplung. Die Indikatoren umfassen den Verbindungsmodus (unidirektional/bidirektional), die Aktualisierungsfrequenz (statisch bis echtzeitnah), den Detaillierungsgrad (Granularität der Geometrie und Logik) und die Dateninterpretation (Rohdaten bis semantische Kontextualisierung). - 2. Fähigkeit (Funktionale Leistung):
Beschreibt die algorithmische Intelligenz über die Indikatoren Kognitionsstufe (deskriptiv, diagnostisch, prädiktiv, präskriptiv), Autonomiegrad (manuell bis vollautonom), Simulationsfähigkeit und Lernfähigkeit. - 3. Integration (Systemische Einbettung):
Analysiert die informationstechnische Verankerung mittels Integrationsbreite (Maschine, Fabrik, Lieferkette), Integrationstiefe (IT-Systemebenen), Lebenszyklusintegration (Entwicklung bis Recycling) und Vertrauenswürdigkeit (Security, Datenqualität). - 4. Strategie und Organisation (Normativer Rahmen):
Definiert die Rahmenbedingungen im Unternehmen über strategische Verankerung, Personalkompetenz, das Kollaborationsnetzwerk und die Prozess-Governance.
Physische Module der Lernfabrik
Die Lernfabrik 4.0 wurde als physische Erprobungsplattform ausgewählt, weil sie standardisierte Datenschnittstellen nutzt, modular erweiterbar ist und reale Material- und Informationsflüsse in reduzierter, aber skalierbarer Komplexität abbildet. Sie setzt sich aus fünf gekoppelten Kernmodulen zusammen, die eine geschlossene Wertschöpfungskette abbilden:
- Delivery and Pickup Station (DPS):
Warenein- und -ausgangszone für Werkstücke. - Vacuum Gripper Robot (VGR):
Dreiachsiger Roboter mit Vakuum-Sauggreifer zum Materialtransfer. - High-Bay Warehouse (HBW):
Automatisiertes Hochregallager zur Werkstückbevorratung. - Multi-Processing Station with Oven (MPO):
Multiprozessstation inklusive simuliertem Brennofen für Bearbeitungsschritte. - Sorting Line with Color Detection (SLD):
Werkstück-Sortieranlage mit optischer Farberkennung.
Die mehrstufige Schichten-Systemarchitektur
Die softwareseitige Transformation des physikalischen Bausatzes in einen vollwertigen Digitalen Zwilling erfolgt über eine Schichtenlogik:
- Schicht 1: Datenbasis & Informationsmodell:
Sensoren und Aktoren liefern Rohdaten. Diese werden strukturiert erfasst, in einer SQL-Datenbank persistent gespeichert und über die Verwaltungsschale (Asset Administration Shell - AAS) semantisch beschrieben. Die AAS bildet das standardisierte, herstellerneutrale Informationsmodell. - Schicht 2: Methoden und Modelle:
Beinhaltet digitale Verhaltensmodelle. Das Herzstück bildet ein ereignisdiskretes Simulationsmodell in Tecnomatix Plant Simulation (Siemens). Dieses ist über einen Konnektor an die 3D-Simulationsplattform NVIDIA Omniverse angebunden, um echtzeitnahe 3D-Visualisierungen und systemübergreifende Kollaborationen zu ermöglichen. - Schicht 3: Anwendungsmanager:
Orchestriert Datenflüsse, steuert automatisierte Workflows und nutzt domänenspezifische Wissensmodelle, um logische Verknüpfungen zwischen Anlagenzuständen und Prozessketten herzustellen. - Schicht 4: Services:
Die oberste Schicht stellt die eigentlichen Anwender-Dienste wie Echtzeit-Überwachung, Prognose und autonome Optimierung bereit.
Diskussion der drei evaluierten Anwendungsfälle
Die Forscher der Universität Kassel haben drei inkrementelle Anwendungsszenarien aufgesetzt, um die Praxistauglichkeit der Systemarchitektur und des Reifegradmodells zu validieren.
1. Anwendungsfall: Echtzeit-Monitoring (Reifegrad: 2-1-1)
Dieser Einstiegs-Use-Case dient der echtzeitnahen Erfassung und Visualisierung von Materialfluss, Maschinenbelegung und Durchlaufzeiten. Die Kommunikation erfolgt unidirektional vom physischen System zum digitalen Schatten via MQTT-Protokoll, wobei standardisierte Topics in eine SQL-Datenbank geschrieben werden. Die Datenaktualisierung erfolgt hochfrequent und echtzeitnah.
In diesem Szenario verfügt der Zwilling weder über kognitive Fähigkeiten noch über Autonomie. In realen Fabrikumgebungen adressiert dieser scheinbar einfache Schritt die größten Hürden von KMU: die Bereinigung mangelnder Datenqualität, die Auflösung proprietärer Schnittstellen und den Aufbau einer konsistenten Datenpersistenz. Der Nutzen liegt in der schnellen Erkennung von Prozessfehlern und der Etablierung von Vertrauen in digitale Dashboards.
2. Anwendungsfall: Prädiktive Prognose (Reifegrad: 3-2-2)
Der zweite Anwendungsfall erweitert das System um prädiktive Kognitionsfähigkeiten, um Engpässe und Durchsätze zu simulieren. Die Kommunikation ist voll-bidirektional ausgelegt; die Kopplung erfolgt kontextsensitiv über ein ontologiebasiertes Wissensmodell, das physische Anlagenkomponenten logisch mit den dynamischen Prozessketten verknüpft.
Das integrierte Plant-Simulation-Modell berechnet auf Basis von Live-Betriebsdaten zukünftige Systemzustände, z. B. präzise Ankunftszeiten von Chargen. Diese Ergebnisse fließen direkt als Entscheidungsunterstützung in den Auftragsmanager ein. Im industriellen Transfer entspricht dies einem modernen digitalen Produktionsleitstand. Der Mensch trifft die finalen Scheduling-Entscheidungen weiterhin manuell, agiert jedoch auf Basis validierter, simulierter Zukunftsszenarien. Die wissenschaftliche Herausforderung liegt hier bei der permanenten Synchronisation und automatischen Kalibrierung zwischen Simulationsmodell und Realität.
3. Anwendungsfall: KI-basierte Optimierung (Reifegrad: 4-3-3)
Die höchste Ausbaustufe realisiert einen präskriptiven, lernenden Digitalen Zwilling, der über integrierte KI-Agenten optimierte Steuerungsvorschläge generiert und diese autonom an die Fabrik zurückspielt. Die technologische Basis bildet das Reinforcement Learning in einer mit NVIDIA Omniverse gekoppelten Simulationsumgebung.
Zur mathematischen Formulierung des KI-Trainings wird der Zustandsraum (State Space) der Lernfabrik, u. a. aktuelle Pufferstände des Hochregallagers, Ofentemperaturen und Maschinenstati, definiert. Der KI-Agent wählt innerhalb des Handlungsraums (Action Space) operative Steuerbefehle, z. B. dynamische Routenänderungen oder Auftrags-Priorisierungen. Die Belohnungsfunktion ist als mathematische Zielfunktion formuliert, die auf die Maximierung des Durchsatzes bei gleichzeitiger Optimierung der Energieeffizienz abzielt.
Die Strategien werden gefahrlos in der Simulation trainiert, bevor sie auf die realen SPS-Steuerungen der Lernfabrik übertragen werden. Im industriellen Einsatz bietet diese Stufe immense Effizienzgewinne, fordert Unternehmen jedoch im Bereich der IT-Security, der algorithmischen Erklärbarkeit und der ethischen Governance maximal heraus.
Der wissenschaftliche und wirtschaftliche Mehrwert
Die Erforschung digitaler Zwillinge mittels der Lernfabrik 4.0 minimiert das finanzielle Risiko beim Industrial IoT-Rollout. Sie erlaubt es IT-Architekten, komplexe Datenmodelle, cyber-physische Schnittstellen und KI-Verfahren schrittweise zu entwickeln, zu testen und zu validieren, bevor sie auf reale Großanlagen übertragen werden.
Wirtschaftlich lässt sich der ROI für den Mittelstand präzise beziffern: Während eine Greenfield-Implementierung Millioneninvestitionen bindet, kostet das datentechnische Retrofitting einer analogen Bestandsmaschine via Sensor-Gateways und virtuellem Abbild nur einen Bruchteil. Verhindert der so kalibrierte digitale Zwilling durch eine prädiktive Anomalie-Erkennung auch nur einen einzigen mehrtägigen Systemstillstand im Jahr, ist die Gewinnschwelle der Digitalisierungsmaßnahme bereits erreicht. Die Lernfabrik schließt somit die Lücke zwischen theoretischer Spitzenforschung und der pragmatischen Anwendung im industriellen Mittelstand.
Vorherige Artikel zum Schwerpunkt „Digitaler Zwilling“