Digital Twin ist eine virtuelle Darstellung eines physischen Objekts, Systems oder Prozesses unter Verwendung von Simulation und anderen computergestützten digitalen Technologien. Ein digitaler Zwilling kann verwendet werden, um ein System oder einen Prozess unter realen Bedingungen zu analysieren und zu simulieren, um sich an Änderungen anzupassen, die Flexibilität zu erhöhen, den Betrieb zu optimieren, die Qualität zu verbessern, Zeit zu sparen, Kosten zu senken und Mehrwert zu schaffen.
Das Konzept der digitalen Zwillinge gibt es seit Anfang der 2000er Jahre. Es hat in den letzten Jahren mehr Aufmerksamkeit und Dynamik erhalten, um zu gedeihen, zumal es für drei aufeinanderfolgende Jahre 2017, 2018 und 2019 als einer der Gartner’s Top 10 Strategic Technology Trends ausgezeichnet wurde.
Viele Veröffentlichungen, Präsentationen und Demonstrationen zur Erstellung digitaler Zwillinge mithilfe numerischer Simulationen mit Finite-Elemente-Modellierung wurden durchgeführt, die meisten konzentrierten sich jedoch auf das Produkt- oder Systemdesign. Es ist weitaus schwieriger, bei noch viel zu erledigender Arbeit digitale Zwillinge für dynamische Fertigungsprozesse wie Schweißen und Fügen zu erstellen. Dies ist jedoch für die vollständige Digitalisierung der Industrie unabdingbar.
Für die Fertigungsindustrie sind die Digital Twins nicht nur zum Entwerfen gedacht und sollten es auch nicht sein.
Beim Schweißen müssen die digitalen Zwillinge für den gesamten Lebenszyklus des Schweißens erstellt werden, vom Entwerfen, Optimieren, Planen, Produzieren und Bewerten der Schweißnähte. Dies setzt voraus, dass die Simulationen mit virtuellen Modellen sehr genau sind und mit den Funktionen übereinstimmen, die zuverlässige Vorhersagen und Optimierungen ermöglichen.
SORPAS® ist jetzt bereit, die Herausforderung anzunehmen und die ersten Welding Digital Twins für den gesamten Lebenszyklus von Widerstandspunktschweißprozessen herzustellen.
Wie die Abbildung zeigt, entstehen fünf digitale Zwillinge mit unterschiedlichen Funktionen über den gesamten Lebenszyklus des Widerstandsschweißens:
- Entwerfen
- Optimieren
- Planung
- Produzieren
- Bewerten
SORPAS® wird verwendet, um jeden digitalen Zwilling mit numerischen Modellen und realistischen Daten zu erstellen, um den tatsächlichen Schweißprozess einschließlich der Komponenten, Schweißgeräte und Arbeitsabläufe darzustellen.
Es ist auch wichtig, dass die digitalen Zwillinge mit dynamischen Wechselwirkungen zu den physikalischen Schweißprozessen arbeiten, insbesondere wenn sie in der Nähe der Schweißproduktionslinien arbeiten.
Um die Interaktionen zwischen den digitalen Zwillingen und den physikalischen Schweißprozessen zu verbessern, werden auch maschinelles Lernen und künstliche Intelligenz (KI) einbezogen.
Der Digital Twin for Designing basiert auf geometrischen Modellen und Materialdaten von Elektroden, Blechen und Schweißgeräten. Das Modell und die Daten der Elektroden und Bleche müssen realistisch sein, um die tatsächlichen Elektroden und Bleche genau darzustellen, während das Modell und die Daten des Schweißgeräts allgemeine, aber typische Daten sein können. In der Konstruktionsphase ist keine Interaktion zwischen der Schweißmaschinendynamik und den Schweißkonstruktionen erforderlich. Der Hauptzweck des Digital Twin for Designing besteht darin, aus allen möglichen geometrischen Gestaltungsoptionen und der verfügbaren Materialauswahl das beste Schweißnahtdesign zu bestimmen.
Der Digital Twin for Optimizing basiert auf dem Digital Twin for Design mit weiteren detaillierten Daten und Spezifikationen des Schweißgeräts und der Steuerung. In den physikalischen Schweißprozess können Sensoren einbezogen werden, um den digitalen Zwilling zu verifizieren, indem die Genauigkeit numerischer Simulationen durch Vergleiche mit den tatsächlichen Messungen in den physikalischen Schweißtests verbessert wird. Der Zweck des Digital Twin für die Optimierung besteht darin, das Schweißprozessfenster zu erhalten und die Optimierung und Überwachung des physischen Schweißprozesses zu unterstützen.
Der Digital Twin for Planning basiert auf den Digital Twins for Designing and Optimizing mit dem Ziel, die detaillierten spezifischen Schweißprozessparameter mit den angegebenen Schweißzeichen, Schweißgeräten und Schweißsequenzen zu bestimmen. Die dynamischen Wechselwirkungen zwischen den Digital Twins und den physikalischen Schweißprozessen können hergestellt werden. Maschinelles Lernen und künstliche Intelligenz (KI) können in die digitalen Zwillinge integriert werden, um die Fähigkeit zur autonomen Entscheidungsfindung zu verbessern.
Der Digital Twin for Producing basiert auf den Digital Twins zum Entwerfen, Optimieren und Planen mit dem Ziel, während der Schweißproduktion zu reagieren, wenn die Schweißbedingungen außerhalb des Bereichs liegen oder Probleme mit der Schweißqualität oder der Produktionsstabilität verursachen. Die digitalen Zwillinge müssen alle möglichen Ursachen für die Schweißprobleme vorhersehen und vorhersagen, während das maschinelle Lernen und die KI die Probleme automatisch identifizieren und Entscheidungen treffen, um Reaktionen zu ergreifen, um die Probleme zu lösen, Fehler zu korrigieren oder Fehler anzuzeigen.
Der Digital Twin for Evaluating ist mit Verbindungen zu allen digitalen Zwillingen zum Entwerfen, Optimieren, Planen und Produzieren aufgebaut, um die Schweißqualität und die Leistung der Schweißnähte zu bewerten. Die Schweißqualität wird bewertet, indem die Schweißgutgrößen und die Materialeigenschaften vorhergesagt werden. Die Leistung der Schweißnähte wird durch Vorhersagen der Schweißfestigkeiten bewertet.
Alle Welding Digital Twins sind über den gesamten Lebenszyklus des Schweißens durch Wechselwirkungen miteinander verbunden. Dadurch ist es möglich, die Schweißqualitäten bereits in der Konstruktionsphase und in allen folgenden Phasen zu bewerten. Die Wechselwirkungen zwischen den digitalen Zwillingen und den physikalischen Schweißprozessen mit Hilfe von maschinellem Lernen und künstlicher Intelligenz (KI) können die Stabilität der Schweißproduktion und die endgültige Schweißqualität weiter verbessern.