Digitaler Zwilling: Unified Namespace (UNS) als Fundament

Kaum ein Begriff der Industrie 4.0 wird so oft verwendet und so unscharf definiert wie der digitale Zwilling. Für die einen ist er eine schicke 3D-Visualisierung im Leitstand, für die anderen eine physikbasierte Simulation, die eine komplette Anlage in Echtzeit nachbildet. Beide meinen etwas Richtiges – und übersehen den Kern: Ein digitaler Zwilling ist zuerst eine Frage der Daten, nicht der Grafik. Als Baustein der Industrial-AI-Bewegung verbindet er ein virtuelles Modell mit kontinuierlichen Echtzeitdaten aus der Produktion und macht daraus ein lebendiges, synchrones Abbild der realen Welt. Dieser Artikel erklärt, was ein digitaler Zwilling (englisch: digital twin) ist, welche Ausprägungen es gibt und wie Sie ihn Schritt für Schritt im Unified Namespace (UNS) aufbauen.

Was ist ein digitaler Zwilling?

Ein digitaler Zwilling ist ein virtuelles Abbild eines physischen Objekts, Prozesses oder Systems, das über einen kontinuierlichen Datenstrom mit seinem realen Gegenstück synchron gehalten wird. Anders als eine statische Konstruktionszeichnung oder ein einmaliges Simulationsmodell verändert sich der Zwilling laufend – er spiegelt den aktuellen Zustand der Maschine wider und wächst mit ihr über den gesamten Lebenszyklus.

Das Konzept geht auf Michael Grieves (2002) und dessen spätere Formalisierung im NASA-Umfeld zurück. Es unterscheidet drei Stufen, die in der Praxis oft durcheinandergeraten und sich vor allem in der Richtung des Datenflusses unterscheiden (siehe Grafik oben):

• Digitales Modell: Eine rein virtuelle Repräsentation ohne automatische Datenverbindung – etwa ein CAD- oder Simulationsmodell. Änderungen an der realen Anlage müssen manuell nachgepflegt werden.
• Digitaler Schatten: Ein Einweg-Datenfluss von der physischen Welt ins Modell. Das Modell folgt dem realen Zustand automatisch, wirkt aber nicht zurück.
• Digitaler Zwilling: Ein bidirektionaler Datenfluss. Das Modell folgt nicht nur der Realität, sondern kann über Erkenntnisse, Vorhersagen oder Steuerbefehle auf sie zurückwirken.

Diese Abgrenzung ist mehr als akademisch: Sie legt fest, welchen Aufwand ein Vorhaben tatsächlich erfordert. Viele Projekte, die als „digitaler Zwilling“ gestartet werden, sind zunächst ein digitaler Schatten – und das ist völlig legitim, solange die Erwartungen dazu passen.

Vom Bauteil bis zum Werk: die Ebenen des Zwillings

Ein digitaler Zwilling ist nicht an eine einzelne Granularität gebunden. Er kann auf unterschiedlichen Ebenen entstehen, die aufeinander aufbauen:

• Komponente: Ein einzelnes Bauteil wie ein Lager, ein Motor oder ein Ventil.
• Maschine: Eine vollständige Anlage, etwa eine Presse oder ein Roboter, mit allen Sensoren und Steuerungen.
• Produktionslinie: Mehrere Maschinen im Zusammenspiel, inklusive Material- und Taktfluss.
• Werk oder System: Das Zusammenspiel ganzer Linien, Logistik und Energieflüsse als Systemzwilling.

Je höher die Ebene, desto größer der Nutzen – aber auch der Datenbedarf. Genau deshalb entscheidet die Datenarchitektur darüber, ob ein Zwilling auf Maschinenebene stehen bleibt oder bis zum gesamten Werk skaliert.

Wofür wird ein digitaler Zwilling eingesetzt?

Der Wert eines digitalen Zwillings entsteht aus der Kombination von aktuellem Zustand, historischem Verlauf und Modellwissen. Auf dieser Grundlage haben sich in der Fertigung mehrere Anwendungsfelder etabliert:

• Monitoring und Zustandsüberwachung: Der Zwilling bündelt verteilte Signale zu einem konsistenten Live-Bild einer Anlage – auch für Zustände, die kein einzelner Sensor direkt misst.
• Simulation und „Was-wäre-wenn“-Analysen: Parameter, Rezepte oder Lastszenarien lassen sich am Modell durchspielen, bevor sie in die reale Produktion eingreifen.
• Virtuelle Inbetriebnahme (Virtual Commissioning): Steuerungslogik wird gegen den Zwilling getestet, lange bevor die physische Anlage steht – das verkürzt die Inbetriebnahme und senkt das Risiko.
• Optimierung: Der Zwilling identifiziert Engpässe, Energieverbräuche oder Qualitätstreiber und liefert die Grundlage für gezielte Verbesserungen.

Dabei ist der digitale Zwilling eng mit anderen Industrial-AI-Anwendungen verzahnt: Er liefert die kontextualisierte Datenbasis, auf der Predictive Maintenance drohende Ausfälle erkennt und Predictive Analytics belastbare Prognosen berechnet. Der Zwilling ist damit weniger ein isoliertes Produkt als ein gemeinsames Fundament.

Unified Namespace (UNS): Daten als Fundament für den Digitalen Zwilling

Ein digitaler Zwilling steht und fällt mit den Daten, die ihn speisen. Er braucht kontinuierliche, saubere und kontextualisierte Betriebsdaten aus vielen Quellen – SPS, SCADA, Historian, zusätzliche Sensorik – und das in konsistentem Format und in Echtzeit. Genau hier liegt in den meisten Fabriken die eigentliche Hürde: Die Daten existieren, sind aber in isolierten Systemen gefangen und uneinheitlich strukturiert. Ein Zwilling, der sich einzeln mit einem Dutzend proprietärer Schnittstellen verbinden muss, wird schnell teuer und brüchig.

Der Unified Namespace (UNS) adressiert dieses Problem. Er bildet eine zentrale, hierarchisch organisierte Datenschicht, in der alle Systeme ihre Daten über einen gemeinsamen Message Broker – etwa NATS oder MQTT – veröffentlichen und konsumieren. Damit stehen die Maschinendaten normalisiert und in Echtzeit als Single Source of Truth (SSOT) bereit. Für den digitalen Zwilling bedeutet das eine radikale Vereinfachung: Statt sich um Protokolldetails zu kümmern, abonniert das Modell einfach die relevanten Topics im UNS.

Ebenso wichtig ist die Historisierung. Ein Zwilling wird nicht nur mit dem aktuellen Zustand gefüttert, sondern auch am Verlauf der Vergangenheit gemessen und kalibriert. Eine Time-Series-Datenbank speichert diese Verläufe langfristig und liefert die Grundlage für Simulation und Modellabgleich. UNS und Historisierung bilden zusammen das Fundament, auf dem jeder digitale Zwilling aufsetzt.

Einen digitalen Zwilling im UNS aufbauen

Der Aufbau gelingt am besten schrittweise – nicht als Großprojekt über die gesamte Fabrik, sondern an einem klar abgegrenzten Asset mit einer konkreten Fragestellung. Die folgenden fünf Schritte bilden einen bewährten Weg vom ersten Datenpunkt bis zum produktiven Zwilling.

1. Zweck und Umfang definieren: Klären Sie zuerst, welche Fragen der Zwilling beantworten soll – Zustandsüberwachung, Simulation, Optimierung? Aus der Antwort ergeben sich Asset, Granularität und die benötigten Datenpunkte. Ein scharf umrissener Zweck verhindert das häufigste Scheitern: den Versuch, alles auf einmal abzubilden.
2. Datenquellen anbinden: Verbinden Sie die relevanten Signale. Viele liefern bestehende Steuerungen bereits über native Protokolle wie OPC UA, Modbus oder Siemens S7. Wo Größen wie Vibration oder Körperschall fehlen, ergänzen zusätzliche Sensoren die Datenbasis.
3. Daten harmonisieren und in den UNS publizieren: Vereinheitlichen Sie Einheiten, Zeitstempel und Namenskonventionen und publizieren Sie die Daten in eine konsistente Topic-Struktur nach ISA-95, zum Beispiel werk01/line01/press01/temperature. Dieses harmonisierte Informationsmodell ist der eigentliche „Bauplan“ des Zwillings – es gibt den Rohdaten die semantische Bedeutung, die ein Modell braucht.
4. Virtuelles Modell erstellen und koppeln: Bauen Sie die virtuelle Repräsentation – vom einfachen Dashboard über ein Datenmodell bis zur physikbasierten Simulation oder 3D-Ansicht. Entscheidend ist die Kopplung: Das Modell abonniert die relevanten UNS-Topics und bleibt so automatisch mit der Realität synchron.
5. Rückkanal schließen und iterieren: Aus einem digitalen Schatten wird erst dann ein digitaler Zwilling, wenn die Erkenntnisse zurückfließen – als Alarm, als optimierter Sollwert oder als Steuerbefehl. Beginnen Sie mit dem einwertigen Datenfluss, schließen Sie den Rückkanal bewusst und weiten Sie den Zwilling erst danach auf weitere Assets aus.

Wichtig ist der iterative Charakter: Ein erster Zwilling bildet selten alles ab. Sammeln Sie Betriebserfahrung, verfeinern Sie das Modell und erhöhen Sie Detailtiefe und Ebene erst dann, wenn der Nutzen den Aufwand rechtfertigt.

Herausforderungen und Grenzen

Ein digitaler Zwilling ist kein Selbstläufer. Wie jede datengetriebene Initiative bringt er reale Grenzen mit sich, die man von Anfang an einplanen sollte.

• Datenqualität und Integration: Der aufwendigste Teil ist selten das Modell, sondern der Weg der Daten dorthin. Uneinheitliche Formate, fehlende Zeitstempel und Datensilos sind die häufigste Ursache gescheiterter Projekte.
• Aufwand versus Nutzen: Modelltreue kostet. Eine physikgenaue Simulation ist um Größenordnungen aufwendiger als ein datenbasiertes Dashboard – nicht jeder Anwendungsfall rechtfertigt die höchste Stufe.
• Synchronität und Modell-Drift: Ein Zwilling ist nur so wertvoll wie seine Übereinstimmung mit der Realität. Verändern sich Anlage, Material oder Prozess, muss das Modell nachgeführt werden, sonst driftet es von der Wirklichkeit weg.
• Interoperabilität und Standards: Damit Zwillinge über Anlagen- und Herstellergrenzen hinweg zusammenspielen, braucht es gemeinsame Semantik. Standards wie die Asset Administration Shell (AAS) oder Schnittstellen wie i3x von CESMII zeigen die Richtung – ausgereift und flächendeckend etabliert sind sie aber noch nicht.

Die Konsequenz aus diesen Grenzen: Ein digitaler Zwilling lohnt sich dort am meisten, wo eine klare Fragestellung, ein hoher Nutzen und eine belastbare Datenbasis zusammenkommen. Der gezielte Einstieg an einem solchen Asset ist wirtschaftlich sinnvoller als der Versuch, sofort die gesamte Fabrik zu spiegeln.

i-flow als Datenfundament für den digitalen Zwilling

Da ein digitaler Zwilling zuerst ein Datenproblem ist, liegt der entscheidende Hebel in einer verlässlichen Datenbasis. Die i-flow-Plattform stellt genau dieses Fundament bereit und folgt dabei einem klaren Prinzip: zentrale Konfiguration im i-flow Hub, dezentrale Ausführung über i-flow Edges nah an der Quelle.

Der i-flow Edge verbindet sich direkt mit SPSen, Sensoren und SCADA-Systemen über native Protokolle wie OPC UA, Modbus oder Siemens S7. Er normalisiert die Rohdaten lokal – nah an der Quelle, mit minimaler Latenz – und publiziert sie strukturiert in den UNS. Der i-flow Hub verwaltet Datenmodelle und Verbindungen zentral und rollt Änderungen konsistent auf alle Edges aus. Der i-flow Broker stellt den zentralen Message Broker bereit und sorgt für die zuverlässige Zustellung aller Datenpunkte.

Für den digitalen Zwilling heißt das konkret: Das harmonisierte Informationsmodell steht im UNS bereit, und jedes Zwillings-, Analyse- oder Simulationssystem kann es als Consumer abonnieren – ohne sich um proprietäre Schnittstellen zu kümmern. Das Team kann sich damit auf das Modell konzentrieren, statt auf die Datenbeschaffung.

Fazit

Ein digitaler Zwilling ist ein virtuelles, über Echtzeitdaten synchron gehaltenes Abbild eines physischen Assets – vom Bauteil bis zum ganzen Werk. Sein Wert entsteht nicht aus der Visualisierung, sondern aus der Verbindung von aktuellem Zustand, Historie und Modellwissen. Und diese Verbindung ist zuerst eine Frage der Daten.

Deshalb entscheidet die Reihenfolge über den Erfolg. Wer mit der 3D-Grafik beginnt, baut ein hübsches digitales Modell; wer mit den Daten beginnt, baut ein tragfähiges Fundament, das mit den Anforderungen wächst. Drei zentrale Erkenntnisse:

1. Daten vor Modell: Eine kontinuierliche, harmonisierte und historisierte Datenbasis – idealerweise ein Unified Namespace – ist die Voraussetzung, nicht das Beiwerk.
2. Klein und zweckgebunden starten: Beginnen Sie an einem Asset mit einer klaren Fragestellung, schließen Sie den Rückkanal bewusst und skalieren Sie danach.
3. Fundament statt Insellösung: Derselbe UNS trägt nicht nur den digitalen Zwilling, sondern auch Predictive Maintenance, Analytics und weitere Industrial-AI-Anwendungen.