Digital Twins für die Fertigung

Autonome Systeme gehören zu den aktuell besonders intensiv erforschten Technologiefeldern [1]. Während der Fokus in der öffentlichen Wahrnehmung häufig auf selbstfahrenden Pkw liegt, findet ein großer Teil der Innovation in der Fertigungsindustrie statt: an Bearbeitungszentren, Robotikzellen, Montagelinien oder fahrerlosen Transportsystemen [2]. Gerade dort sind die Anforderungen an Präzision und Sicherheit besonders hoch.

Vollständige Autonomie in komplexen Produktionsumgebungen bleibt jedoch nach wie vor eine technische Herausforderung. Wechselnde Werkstücke, Werkzeugverschleiß, enge Toleranzen oder unvorhergesehene Störungen im Produktionsablauf erfordern Entscheidungen, die heutige KI-Systeme nicht immer zuverlässig treffen können.

Deshalb beschäftigen wir uns zunehmend mit einem Ansatz: semantische Digital Twins, die menschliche Expertise mit den Vorteilen intelligenter Assistenzsysteme verbinden und gleichzeitig eine wichtige Brücke auf dem Weg hin zu vollständiger Autonomie bauen.

Autonome Fertigungsmaschinen können viele Aufgaben selbstständig übernehmen. Dennoch gibt es Situationen, in denen menschliches Eingreifen notwendig bleibt, etwa bei ungewöhnlichen Abweichungen oder Störfällen in der Anlage.

In solchen Fällen übernimmt der Mensch temporär die Kontrolle (Human-in-the-Loop) – etwa per Teleoperation, bei der Bedienende die Maschine aus der Ferne steuern, oder als überwachender Eingriff, bei dem sie einzelne Schritte freigeben oder korrigieren. Moderne Kommunikationsnetze wie 5G bieten dafür hohe Bandbreiten und geringe Latenzen. Erst dadurch lassen sich Sensordaten, Zustandsinformationen und Steuerbefehle nahezu verzögerungsfrei zwischen Maschine und Leitstand übertragen.

Fundierte Entscheidungen aus der Ferne setzen voraus, dass Bedienende die Lage vor Ort erkennen – dafür sind optische Informationen unverzichtbar. Eine  einfache Kamerabild-Übertragung reicht dabei nicht aus. Moderne Assistenzsysteme erzeugen für Bedienende ein möglichst vollständiges Lagebild. Mithilfe mehrerer hochauflösender Kameras, Tiefensensoren und intelligenten Visualisierungen vermitteln sie räumliche Wahrnehmung und verbessern die Übersicht erheblich. Ergänzende Informationen wie Sicherheitszonen oder erkannte Abweichungen werden direkt in die Bedienoberfläche eingeblendet und unterstützen den Menschen bei Entscheidungen. Dabei macht das Assistenzsystem den Zustand vorhandener Sicherheitssysteme sichtbar und nachvollziehbar, ersetzt sie aber nicht.

So wird der wirtschaftliche Einsatz autonomer Fertigungsprozesse möglich, auch wenn diese noch nicht jede Situation vollständig selbstständig bewältigen können.

Die größten Potenziale liegen in zwei Bereichen.

Fertigungsmaschinen kommen häufig in Umgebungen mit erhöhtem Risiko zum Einsatz:

• Schweiß- und Lackierzellen
• Zerspanung mit hohen Prozesskräften
• Umgang mit gefährlichen Materialien
• Wartung an laufenden Anlagen

Durch intelligente Assistenzsysteme können Menschen außerhalb des Gefahrenbereichs arbeiten, ohne auf Eingriffsmöglichkeiten verzichten zu müssen.

Auch wirtschaftlich entstehen erhebliche Vorteile:

• geringere Stillstandszeiten
• zentrale Überwachung mehrerer Anlagen
• bessere Auslastung von qualifiziertem Personal
• schnellere Unterstützung bei Ausnahmesituationen

Gerade angesichts des Fachkräftemangels eröffnen digitale Assistenzkonzepte neue Möglichkeiten, Spezialist:innen standortunabhängig für mehrere Anlagen oder Werke einzusetzen.

Die wirtschaftlichen Vorteile sind besonders interessant für die Fertigungsindustrie. Das spiegelt sich auch in Investitionen wider. Führende Hersteller und Technologieunternehmen investieren intensiv in digitale Zwillinge 

Beispiele sind:

• Siemens mit Digital-Twin-Plattformen für die diskrete Fertigung [3]
• KUKA und ABB im Bereich autonomer Robotikzellen [4]
• Fanuc mit KI-gestützter Bildverarbeitung und Prozessüberwachung [5]
• Bosch Rexroth für vernetzte, softwaredefinierte Produktionsanlagen [6]
• Trumpf im Bereich intelligenter Blechbearbeitung [7]

In der Fertigung ist der Digital Twin keine neue Idee. Klassische Digital Twins bilden Maschinen als CAD-Modell, Kinematik und Verhaltensmodell ab und dienen etwa der Simulation oder der Offline-Programmierung – unabhängig davon, was in der realen Anlage gerade geschieht. Für eine enge Verzahnung mit den physischen Prozessen braucht es mehr: ein kontinuierlich aktualisiertes Abbild der tatsächlichen Umgebung, das sich mit dem Modell abgleichen lässt. Genau hier setzen semantische Digital Twins an. 

Ein solches Umgebungsmodell entsteht durch das Zusammenspiel unterschiedlicher Sensoren. 3D-Scanner liefern präzise räumliche Informationen, Kameras ergänzen hochauflösende Bilddaten, während Maschinen- und Achssensoren Position und Bewegung erfassen. Erst durch Sensorfusion und präzise Kalibrierung entsteht eine konsistente Beschreibung der Produktionsumgebung, auf der sowohl autonome Algorithmen als auch menschliche Bedienende arbeiten können.

Die geometrische Grundlage bilden meist mehrstufige Registrierungsverfahren. Merkmalsbasierte Deskriptoren wie Fast Point Feature Histograms (FPFH) [8] liefern zunächst eine grobe Ausrichtung der einzelnen Scans zueinander. Darauf setzt die Feinregistrierung auf, etwa mit Iterative Closest Point (ICP) [9], die die verbleibende Abweichung minimiert. Eine abschließende globale Optimierung, z.B. über einen Pose-Graph, verteilt Restfehler über alle Scans hinweg und hält das Gesamtmodell konsistent. Das Ergebnis ist ein dreidimensionales Modell der Fertigungsumgebung, das kontinuierlich aktualisiert wird.

Parallel entwickelt sich derzeit eine neue Klasse rekonstruktiver Verfahren. Gaussian Splatting erzeugt aus gewöhnlichen Kamerabildern hochauflösende, fotorealistische 3D-Szenen, ohne auf spezialisierte Tiefensensorik angewiesen zu sein.

Durch die Kombination von Gaussian Splatting mit SLAM-Verfahren [10] und großen Foundation Models [11] entstehen semantische digitale Zwillinge. Das System kann die Fertigungsumgebung interpretieren und so aus einem fotorealistischen Rendering ein abfragbares Weltmodell entstehen lassen.

Der digitale Zwilling kann dadurch beantworten, wo sich ein Werkstück oder Werkzeug befindet, welche Bauteile sich in der Bearbeitungszone befinden, ob eine Maschine korrekt bestückt ist oder welche Bereiche einer Anlage aktuell zugänglich sind. Visuelle Rekonstruktion und semantisches Verständnis verschmelzen zu einem gemeinsamen Modell der Realität.

Damit übernimmt der Digital Twin eine neue Rolle. Die Industrie nutzt den klassischen 4.0-Zwilling seit Jahren; gefehlt hat bisher ein kontinuierlich aktualisiertes Ist-Abbild, das sich mit ihm abgleichen lässt. Aufkommende und etablierte Technologien, wie Gaussian Splatting und semantische Rekonstruktion, liefern genau das. Der Soll-Ist-Abgleich zwischen beiden Modellen macht den eigentlichen Mehrwert aus: Der Digital Twin ist nicht mehr nur maschinenlesbar, sondern auch kontinuierlich in der realen, physischen Welt verankert.

Möglich wird all dies durch zwei technische Grundpfeiler: Echtzeitfähigkeit und modulare Architektur. Hochoptimierter Datenpipelines, in denen Vorverarbeitung, Sensorfusion, Mapping und Rendering parallel ablaufen, halten die Verarbeitungszeit im zweistelligen Millisekundenbereich. Inklusive Bildaufnahme, Kompression und Anzeige liegt die Latenz bis zum Bedienplatz in der Größenordnung von 100 Millisekunden. Für überwachende Eingriffe reicht das aus, solange dieses Budget garantiert und nicht nur im Mittel erreicht wird.

Ebenso entscheidend ist eine modulare Softwarearchitektur, in der sich Sensorik, Rekonstruktion, Weltmodell, Visualisierung und Steuerungslogik zunehmend zu unabhängigen, flexibel austauschbaren Komponenten entwickeln. So entstehen flexible Plattformen, die klassische Sensorik ebenso integrieren können wie zukünftige Rekonstruktionsverfahren.

Die größte Veränderung betrifft dabei die Rolle des Digital Twins: In der Fertigung entwickelt er sich zu einer zentralen Softwareplattform, auf der Simulationen mit denselben Datenmodellen arbeiten wie reale Maschinen, digitale Leitstände auf dieselbe Umgebung zugreifen wie autonome Steuerungsfunktionen und neue Assistenzsysteme dieselbe semantische Informationsbasis nutzen. Der Digital Twin verbindet damit Entwicklung, Betrieb und Optimierung innerhalb eines gemeinsamen Systems.

Die Zukunft autonomer Fertigungsmaschinen hängt von der Fähigkeit ab, physische Realität in ein konsistentes, semantisch beschreibbares Umgebungsmodell zu überführen. Menschliche Entscheidungsfähigkeit über intelligente Assistenzsysteme, moderne Kommunikationsnetze für die Echtzeit-Integration und digitale Zwillinge als gemeinsame Informationsbasis greifen dabei ineinander. Verfahren wie Gaussian Splatting erweitern dieses Konzept um fotorealistische Rekonstruktionen, die sich in Kombination mit SLAM und Foundation Models zu intelligenten, abfragbaren Umgebungsmodellen entwickeln – der Digital Twin wird damit von einer Visualisierungstechnologie zu einer der entscheidenden Technologien für die nächste Generation softwaredefinierter Fertigungsmaschinen.