Unternehmen müssen heutzutage ihre Engineering-Prozesse so anpassen, dass sie die zunehmende Komplexität moderner Maschinen und Anlagen sowie die steigenden Anforderungen erfüllen können. Die klassische Vorgehensweise, bei denen Mechanik, Elektrik und Automatisierung getrennt voneinander arbeiten, führten in der Vergangenheit immer wieder zu Medienbrüchen, redundanter Datenhaltung und unzureichenden Informationsständen. Daher hat sich in den letzten Jahren die virtuelle Inbetriebnahme zunehmend etabliert, um Risiken zu reduzieren, Fehler frühzeitig zu erkennen und Entwicklungszeiten zu verkürzen. Das Potenzial darin ist deutlich höher, wenn ein durchgängiges Datenmodell vom ersten CAD-Entwurf bis hin zum digitalen Zwilling vorhanden ist.
Vom CAD-Modell zur simulationsfähigen Struktur
Das CAD-Modell stellt die Basis der digitalen Maschinenbeschreibung dar. Darin sind geometrische Informationen, Baugruppenstrukturen sowie grundlegende physikalische Eigenschaften enthalten. Für die virtuelle Inbetriebnahme ist diese Informationsbasis jedoch nicht ausreichend. Dafür muss das vorhandene Modell gezielt durch funktionale und logische Zusammenhänge ergänzt werden. Erst so entsteht ein Modell, das für die Simulation und die Abbildung des Maschinenverhaltens relevant ist. Dazu gehören kinematische Beziehungen, Bewegungsachsen, Freiheitsgrade sowie die Integration von Sensorik und Aktorik.
CAD-Daten in die Modelle bringen
Im industriellen Umfeld zeigt sich aber, dass CAD-Daten einerseits zu detailliert und gleichzeitig nicht ausreichend strukturiert für eine Simulation sind. Daher macht eine direkte Übernahme in vorhandene Simulationsumgebungen meist wenig Sinn. Es sollten Geometrien vereinfacht, Kollisionsmodelle erzeugt und Bewegungsdefinitionen ergänzt werden. Dieser Schritt ist entscheidend für die spätere Performance und Aussagekraft der Simulation. Simulationsplattformen wie iPhysics von Machineering setzen hier an, indem sie CAD-nahe Strukturen in echtzeitfähige Modelle überführen. Änderungen im CAD ziehen erfahrungsgemäß Nacharbeiten in der Simulation nach sich, was nicht nur Zeit kostet, sondern auch Fehlerpotenziale erhöht. Ein durchgängiges Datenmodell kann dafür sorgen, dass eine strukturierte Übermittlung der Daten innerhalb des Systems erfolgt, ohne dass Informationen verloren gehen oder mehrfach überarbeitet werden müssen. Die Digitalisierungs- und Automatisierungslösungen von Retarus ermöglichen effiziente Abläufe ohne manuellen Aufwand oder Kompromisse bei der Datensouveränität ‣ weiterlesen
Business Process Solutions
Retarus beschleunigt Datenaustausch in der Produktion
Durchgängige Datenmodelle als Integrationsbasis
In einem durchgängigen Datenmodell wird die Maschine nicht nur geometrisch, sondern über alle Disziplinen hinweg beschrieben. Neben der Mechanik werden auch elektrische und steuerungstechnische Informationen abgebildet. Zudem lassen sich Komponenten identifizieren, ihre Beziehungen zueinander definieren und Signale können systemübergreifend zugeordnet werden. Die technische Umsetzung erfolgt dabei häufig durch standardisierte Datenstrukturen, eindeutige Objektmodelle und Integrationsplattformen. Entscheidend ist die Qualität der vorhandenen Datenstruktur. Wenn ein Bauteil über alle Systeme hinweg eindeutig nachvollziehbar ist, können Änderungen effizient nachverfolgt und umgesetzt werden.
Das Rad nicht neu erfinden
Bewährte Maschinenmodule können dabei in neuen Projekten erneut verwendet werden. Viele Informationen können übernommen werden, ohne dass diese bei jedem Projekt neu aufgebaut werden müssen. Gerade bei der virtuellen Inbetriebnahme zeigt dieses Konzept Wirkung, da die Steuerungssoftware direkt gegen ein Simulationsmodell getestet wird, das auf den selben Daten basiert wie das restliche Engineering. Signale, Zustände und Bewegungen sind miteinander verknüpft, wodurch ein realitätsnahes Anlagenverhalten abgebildet werden kann.
Umsetzung und digitale Zwillinge
Der digitale Zwilling ist damit die logische Weiterentwicklung eines durchgängigen Datenmodells, da er die reale Maschine nicht nur geometrisch, sondern auch funktional und dynamisch abbildet. In der virtuellen Inbetriebnahme werden anhand des virtuellen Pendants Steuerungsprogramme getestet, Abläufe optimiert und kritische Szenarien nachgestellt. Ein typisches Beispiel aus der Praxis ist eine Anlage mit mehreren Achsen, Greifsystemen und Fördertechnik. In der klassischen Vorgehensweise werden CAD-Daten exportiert, in der Simulation neu aufgebaut und anschließend mit Steuerungssignalen verknüpft. Jede Änderung in der Mechanik führt dabei zu manuellen Anpassungen in der Simulation und Steuerung. Mit einem durchgängigen Datenmodell hingegen bleibt die Struktur unangetastet. Die vorhandene Kinematik, Signale und Komponenten können weiterverwendet werden.
Spezialsysteme verfügbar
Spezialisierte Simulationsanwendungen wie iPhysics kommen dabei zum Einsatz, da diese eine physikalisch konsistente Abbildung der Anlage in Echtzeit ermöglichen. Dabei können mechanische Modelle, Bewegungslogik und Steuerungssignale auf Basis eines gemeinsamen Datenmodells zusammengeführt werden. Entscheidend ist dabei die Fähigkeit, vorhandene Engineering-Daten ohne Medienbrüche nutzbar zu machen und in ein echtzeitfähiges Simulationsmodell zu überführen. Die Steuerung wird dabei früh am virtuellen Modell angebunden und gegen den digitalen Zwilling getestet. Dadurch lassen sich Fehler bereits vor der physischen Inbetriebnahme erkennen und vermeiden. Dies kann zu einer deutlich verkürzten Inbetriebnahmezeit sowie zu einer höheren Anlagenverfügbarkeit führen.
Strukturierte Implementierung notwendig
Die Einführung durchgängiger Datenmodelle erfordert jedoch mehr als nur den Einsatz geeigneter Software. Wichtig sind Modellierungsrichtlinien, Datenstandards und Zusammenarbeit zwischen Disziplinen. Integrierte Prozesse stellen sicher, dass Daten konsistent erzeugt, gepflegt und genutzt werden. Der Weg vom CAD zum digitalen Zwilling ist ein strategischer Transformationsprozess. Unternehmen, die diesen Ansatz konsequent verfolgen, schaffen die Grundlage für eine effiziente virtuelle Inbetriebnahme und eine durchgängig digitale Wertschöpfungskette. Langfristig winken dafür kürzere Entwicklungszeiten, höhere Qualität und einer gesteigerte Flexibilität im Engineering und Betrieb ihrer Anlagen.
