Was ist ein Digital Twin + wann lohnt es sich?

Was Digital Twin ist

Begriff von Michael Grieves (2002), populaer ab 2017. Drei Komponenten: physisches Objekt, virtuelles Abbild, Daten-Verbindung (Live-Sensor-Daten + Simulation).

Reife-Stufen

1. Digital Model: statisches Abbild ohne Live-Daten.

2. Digital Shadow: einseitiger Datenfluss (physisch -> virtuell).

3. Digital Twin: bidirektional, virtuell beeinflusst physisch.

Anwendungs-Beispiele

• Industrie: Anlagen + Predictive-Maintenance.

• Energie: Stromnetz-Simulation.

• Stadt: Smart-City-Planung.

• Logistik: Supply-Chain-Optimierung.

• Gesundheit: Patient-Modelle.

• Produkte: Lebenszyklus-Management.

Voraussetzungen

• IoT-Sensoren am physischen Objekt.

• Daten-Plattform für Speicherung + Verarbeitung.

• Simulations-Software.

• ML-Modelle für Vorhersagen.

• Visualisierungs-Tools.

• Integration mit ERP / MES.

Wann sinnvoll

1. Hoher Wert des Objekts (Anlage, Stadt).

2. Daten-Verfügbarkeit gegeben.

3. Komplexität rechtfertigt Modell.

4. Wiederkehrende Entscheidungen.

5. Skalierungs-Potenzial (mehrere Twins).

Investitionen

• Sensoren + IoT-Infrastruktur: 50k-500k.

• Plattform + Software: 100k-1M jährlich.

• Personal (Daten + Engineering): 5-15 FTE.

• Aufbau-Zeit: 1-3 Jahre.

• ROI: 2-5 Jahre.

Tools

• Siemens MindSphere, Xcelerator.

• GE Predix.

• Microsoft Azure Digital Twins.

• AWS IoT TwinMaker.

• PTC ThingWorx.

Anti-Patterns

• Twin ohne Use-Case.

• Daten-Qualität ignoriert.

• Modell aufgebaut, niemand nutzt.

• Hochpreisige Plattform für einfache Anwendung.

• ROI-Erwartung in 6 Monaten.