Die digitale Produktentwicklung steht im Fokus der Forschungen von Prof. Dr. Arun Nagarajah an der Universität Duisburg-Essen.
Produktentwicklung

Der Zwilling untersucht das Warum

Fehler finden ist eine Sache. Ihr Auftreten aber auch gleich zu begründen eine ganz andere. In diesem Sinne eröffnen digitale Zwillinge eine neue Dimension bei der Optimierung von Produkten. Ein Feld, in dem Prof. Dr. Arun Nagarajah an der Universität Duisburg-Essen forscht.
Autor: Heinz-Jürgen Köhler
Fotos: Universität Duisburg-Essen
„Ölverlust!“, meldet das Auto. Daraufhin berechnet die Intelligenz im Fahrzeug, wie lange es noch fahren kann, sie schaut in den digitalen Kalender des Fahrers und verabredet einen passenden Termin in der bevorzugten Werkstatt. „Dieses Auto ist ein smartes Produkt“, verrät Arun Nagarajah, Professor für Produktentstehungsprozesse und Datenmanagement an der Universität Duisburg-Essen. Mögliche Risiken in solch komplexen Systemen zu erkennen und frühzeitig geeignete Maßnahmen einzuleiten, charakterisiert eine wichtige Aufgabe in der heutigen Produktentwicklung. Ein vielversprechender Ansatz hierfür ist der digitaler Zwilling.
Der digitale Zwilling im Sinne der Produktentwicklung, wie sie Nagarajah versteht, leistet eine entscheidende weitere Arbeit: „Mit ihm lässt sich das Warum in einer virtuellen Umgebung zielgerichtet untersuchen – warum verliert das Auto Öl?“ Und die Erkenntnis, die dieser Untersuchung folgt, fließt dann in die Entwicklung eines verbesserten Autos ein. Materialprobleme bei der Ölwanne? Fehlerhafte Dichtungen? Die Fehlerdiagnose wird in die Entwicklung zurückgespielt (Feedback to Design) und das Problem tritt bei der nächsten Fahrzeuggeneration nicht mehr auf. Ein durchgängiges und funktionierendes „Lesson-Learned-System“ nennt Nagarajah diesen Einsatz eines digitalen Zwillings.
Gasturbinen oder Kühltürme von Kraftwerken: Viele Investitionsgüter sind umfassend mit Sensorik ausgestattet. Diese wird für ein Monitoring des entsprechenden Produktionsprozesses und verschiedene Prognosen genutzt – beispielsweise über die Lebensdauer der gesamten Anlage, einzelner Komponenten oder über Wartungs- bzw. Reparaturintervalle im Sinne einer Predictive Maintenance.

Vernetzte Investitionsgüter

„Die Prognose sagt mir dann etwa, dass ein bestimmtes Lager in meiner Gasturbine wieder ausfallen wird“, erklärt Nagarajah. Aber ohne das Warum zu untersuchen, tausche man immer wieder nur das Lager aus. Erst eine ganzheitliche Analyse ergibt, dass mögliche Materialschwächen bis dahin unberücksichtigt geblieben sind. Diese Analysen lassen sich zielführend und kostengünstiger in einem digitalen Zwilling realisieren. „Wenn ich dann Lager mit anderen Materialeigenschaften verwenden will, kann ich die Materialparameter vorher in meinen Zwilling eingeben und den Anlagenbetrieb damit durchspielen.“
Die Konzentration auf Investitionsgüter hat ökonomische Gründe. „Das kann ich auch mit einer Waschmaschine durchführen, aber betriebswirtschaftlich macht das natürlich wenig Sinn.“ Zahlreiche Großunternehmen wie thyssenkrupp und Siemens hätten solche Technologien schon eingesetzt, berichtet Nagarajah, der vor seiner Professur fünf Jahre lang in der freien Wirtschaft beim Automobilzulieferer Hella, unter anderem im Product Lifecycle Management, gearbeitet hat.

Mixed Reality in der Produktentwicklung

Für Siemens Power and Gas hat Nagarajah gerade an der Universität Duisburg-Essen gemeinsam mit 16 Masterstudenten ein Projekt zur digitalen Produktentwicklung umgesetzt. „Es ging darum, von der zeichnungsbasierten zur modellbasierten Entwicklung zu kommen“, erzählt der Professor. Das gewünschte Bauteil war ein Ventil für eine Gasturbine. „Heute werden Bauteile üblicherweise in 3-D am Bildschirm modelliert und dann wird aus dem 3-D-Modell eine Zeichnung abgeleitet.“ Gleich mit dem Modell weiterzuarbeiten bringt viele Vorteile für nachgelagerte Prozesse. Nagarajah und seine Studenten erreichen das für die Verbesserung der Qualitätskontrolle, indem sie dem Nutzer alle erforderlichen Prüfmaße in einer Mixed-Reality-Anwendung mit einer HoloLens zur Verfügung stellen.
Diese Anwendung bietet eine Fülle weiterer Möglichkeiten, den Entwicklungsprozess zu digitalisieren und damit weiter zu optimieren. „Wir bilden darin alle Produktinformationen  ab, die mit der Entwicklung zusammenhängen.“ Von Geometriedaten bis zu den Prüfmaßen ist in dem Modell alles Wissenswerte maschineninterpretierbar hinterlegt. Mitarbeiter aus der Qualitätskontrolle können die Prüfmaße direkt an dem realen Bauteil abrufen und über ein Ampelsystem in der HoloLens die Richtigkeit des Fertigungsergebnisses bestätigen. „Wir können die Daten sogar kontextsensitiv darstellen“, betont Nagarajah. Das heißt, es ist ein Rollen- und Rechtekonzept hinterlegt und jeder am Produktentstehungsprozess Beteiligte bekommt nur diejenigen Daten zu Gesicht, die er auch sehen soll.
„Solch ein Entwicklungsprojekt bringt einen Nutzen für alle Beteiligten“, verspricht der Professor. Siemens zeigte sich begeistert und setzt das Projekt zurzeit in die Realität um. Er, als Professor, konnte seine Studenten in der Zusammenarbeit mit Kunden schulen. Die Studierenden schließlich wurden mit einer realistischen Aufgabe aus dem Produktionsalltag konfrontiert. Außerdem – so möchte man ergänzen – ist auf diese Weise eine ziemlich smarte Idee in der Produktentwicklung entstanden.

Weitere Informationen