Digital Twins

Doch wie genau funktioniert die Digital Twin Technologie? Den Kern bildet eine umfassende semantische Datenhomogenisierung, die Daten an Kontextinformationen koppelt. Nehmen wir beispielsweise ein Produkt aus der Automobilindustrie: Ein Motor mit Sensortechnik generiert permanent Daten, die dank der Digital Twin Technologie zu allgemein verständlichen Informationen werden. Diese sind nach Aspekten, also Informationsgruppen wie Fehlern oder Zustandsdaten, gruppiert. Auf Nutzergruppen zugeschnittene Software greift auf diese Aspekte zu und stellt Mitarbeitenden genau die Informationen zur Verfügung, die sie brauchen: Techniker:innen benötigen Informationen über aufgetretene Fehler, während Qualitätsingenieur:innen sich eher für die langfristige Leistung des Motors interessieren, um daraus Optimierungspotenzial abzuleiten. Stammdaten sowie historische Informationen aus der Entwicklung und Produktion der jeweiligen Komponente ergänzen die betriebsbezogenen Aspekte aus dem täglichen Einsatz. Die semantische Beschreibung und Kontextualisierung selbst muss in einem maschinenlesbaren Format erfolgen – im Falle der Digital Twins ist das Semantic Aspect Meta Model das Mittel der Wahl.

Alle diese kontextualisierten Datenpakete befinden sich in der Asset Administration Shell (kurz: AAS, deutsch: Verwaltungsschale). Sie schafft herstellerübergreifende Interoperabilität und ermöglicht es berechtigten Nutzer:innen, freigeschaltete Informationen mittels API abzurufen. So können zum Beispiel Qualitätsingenieur:innen bei wiederauftretenden Problemen nachvollziehen, wann und wo eine spezielle Komponente montiert wurde – und dabei jedes einzelne Bauteil rückverfolgen.

Digitale Zwillinge stellen also nicht nur eine enorme Informationsmenge über das einzelne Produkt zur Verfügung, sondern öffnen gleichzeitig das Tor zu einem ganzen Ökosystem aus Verbindungen. Je weiter man sich bei der Recherche allerdings vom Zielprodukt entfernt, desto größer wird die zu sichtende Datenmenge – beispielsweise bei der Suche nach im gleichen Zeitraum hergestellten Produkten mit einer spezifischen Konfiguration. Konventionelle Datenbanksysteme kommen bei solch komplexen Anfragen an ihre Grenzen; eine einzige fehlende Querverbindung lässt eine wichtige Recherche ins Leere laufen.

Knowledge Graphen adressieren diese Herausforderung, indem sie Beziehungen zwischen einzelnen Objekten herstellen und somit jedes Datenpaket als Knotenpunkt (sog. Node) eines Netzwerks definieren. Die Kanten stellen die Relationen zwischen den Knoten dar. Das Datenschema hinter dem Graphen wird als Ontologie bezeichnet. Sie legt die Regeln fest, nach denen die Daten in Beziehung zueinander gebracht werden, zum Beispiel dass eine Linie ein Teil eines Produktionsstandorts oder ein Reifen ein Teil eines Fahrzeugs ist. Mit diesen einfachen Regeln lassen sich gigantische Netzwerke erstellen, bei denen Datenbankabfragen wie ein roter Faden entlang der Verbindungen verlaufen. Je mehr Daten und Relationen aus dem gesamten Lebenszyklus eines Produkts sich in diesem Netzwerk tummeln, desto dichter wird es. So lassen sich selbst komplexe Fragestellungen jederzeit und von überall her klären, etwa ob eine bestimmte Komponente eines Produkts bei gleicher Beanspruchung ein ähnliches Abnutzungsverhalten zeigt, oder ob bei einer Fehlfunktion auch andere Produkte der gleichen Charge betroffen sind.

Das volle Potential semantischer Datenhomogenisierung kann sich nur durch unternehmensübergreifende Zusammenarbeit entfalten: Ein Open Source Ansatz öffnet die Technologie für alle und schafft damit Raum für Synergien und neue, datengetriebene Geschäftsmodelle. Kleine und mittelständische Unternehmen können so auf Augenhöhe mit internationalen Konzernen agieren. Gemeinsam können auch die wichtigen Zukunftsthemen wie Ressourcenschonung und Klimaschutz entlang des gesamten Lebenszyklus adressiert werden.

Bosch engagiert sich daher in den vier führenden Initiativen zum Thema Datenhomogenisierung bzw. Semantic Stack: