Abstract:
Das rasante Voranschreiten der Digitalisierung und die daher zunehmende Integration von Künstlicher Intelligenz (artificial intelligence, AI) in industrielle Prozesse markieren den Übergang von Industrie 4.0 zu Industrie 5.0. Während Industrie 4.0 den Schwerpunkt auf Automatisierung, Datenaustausch und intelligente Systeme legt, erweitert Industrie 5.0 diese Vision, indem sie sich stärker auf die Zusammenarbeit zwischen Mensch und Maschine sowie Nachhaltigkeit, Widerstandsfähigkeit und Anpassungsfähigkeit konzentriert. Bei dieser Transformation spielt die Technologie des Digitalen Zwillings (Digital Twin, DT) eine wichtige Rolle und ermöglicht eine dynamische Kopplung zwischen physischen Systemen und ihren virtuellen Repräsentationen. ... mehrMithilfe Echtzeit-Datenaustausch ermöglichen DTs die kontinuierliche Überwachung, vorausschauende Analyse und Optimierung von industriellen Prozessen.
Obwohl DTs in Branchen wie der Fertigungsindustrie, der Automobilindustrie und dem Gesundheitswesen bereits weit verbreitet sind, existiert im Bereich der mechanischen Verfahrenstechnik noch eine signifikante Forschungslücke. Diese Lücke ist nicht auf mangelndes Potenzial zurückzuführen, sondern vielmehr auf die einzigartigen Herausforderungen, die solche Systeme mit sich bringen. Verfahrenstechnische Prozesse sind von Natur aus multiphysikalisch sowie multiskalisch und beinhalten oft nichtlineare Interaktionen, hohe Rechenanforderungen und einen Mangel an standardisierten digitalen Darstellungen. Im Gegensatz zu Fertigungsstraßen, die in der Regel repetitiv und stark strukturiert sind, umfasst die mechanische Verfahrenstechnik dynamische und nichtlineare Verhaltensweisen - von Mehrphasenströmungen bis hin zu variablen Randbedingungen - was die Modellierung und Vorhersage in Echtzeit erheblich komplexer macht. Hinzu kommt, dass viele industrielle Prozesse immer noch auf älterer Technologie beruhen, deren digitale Konnektivität begrenzt ist und die Integration moderner DT-Architekturen weiter erschwert.
In dieser Arbeit wird diese Lücke adressiert und stellt ein modulares DT-Framework vor, das speziell für die Verfahrenstechnik entwickelt wurde. Ziel ist es, eine flexible, erweiterbare Plattform bereitzustellen, die sowohl eine realitätsnahe physikalische Modellierung als auch die Integration moderner datengesteuerter Methoden ermöglicht.
In dieser Arbeit wird der DT als eine Kombination von verschiedenen, lose gekoppelten Modulen verstanden, die flexibel kombiniert und an eine Vielzahl von Anwendungsszenarien angepasst werden können. Zu den primären Modulen, die in dieser Arbeit entwickelt wurden, gehört eine Visualisierungskomponente, ein CFD-basiertes Simulationsmodell für zwei- und dreidimensionale Strömungen sowie ein datengetriebenes Modell auf der Basis eines neuronalen Netzwerks (neural network, NN). Diese Module bilden die Grundlage für vier beispielhafte Anwendungen, die jeweils auf den spezifischen Modulen beruhen und die praktische Durchführbarkeit des Frameworks demonstrieren.
Die erste Anwendung ist ein Visualisierungstool namens OpenLBar, welches CFD-Strömungsdaten mit Hilfe von Augmented Reality über physikalische Umgebungen legen kann. Dies verbessert das räumliche Verständnis und die Interaktion mit komplexen Strömungsphänomenen. Als Teil dieser Entwicklung wurde die modulare Open-Source-Bibliothek OpenVisFlow erstellt, welche eine erweiterbare Integration von Visualisierungen und Geometrie-Overlays auf verschiedenen Plattformen ermöglicht. Studien zur Benutzerfreundlichkeit haben die Zugänglichkeit und Effektivität des Tools sowohl in der Forschung als auch in der Industrie bestätigt und sein Potenzial als menschenzentrierte Schnittstelle für DTs unterstrichen.
Die zweite Anwendung - das Virtual CFD Lab - erweitert das Visualisierungsmodul, indem es mit einem auf der Lattice-Boltzmann-Methode (LBM) basierenden CFD-Modell gekoppelt wird. Dieses Tool ermöglicht Echtzeitsimulationen direkt auf mobilen Geräten durch Scannen und Interpretieren von handgezeichneten 2D-Geometrien. Das System erkennt die Domäne automatisch, initiiert eine Just-in-Time-Simulation und präsentiert die Ergebnisse. Ein Benchmarking mit Standardtestfällen bestätigte sowohl die Genauigkeit der Simulationen als auch die praktische Nutzbarkeit der mobilen Plattform. Diese Anwendung veranschaulicht, wie interaktive und portable DTs den Zugang zu High-Fidelity-Simulationen demokratisieren können.
Die dritte Anwendung demonstriert die Entwicklung eines groß angelegten, physikgesteuerten DT für städtische Umgebungen. Durch die kontinuierliche Einbeziehung von Daten meteorologischer Stationen, einschließlich Windgeschwindigkeit, -richtung und Schadstoffgehalt, ist der DT in der Lage, die städtische Luftströmung und Schadstoffverteilung in Echtzeit zu simulieren. Ein dynamisch anpassbares CFD-Modell verarbeitet
eingehende Messdaten und ermöglicht Langzeitsimulationen zur Ermittlung von Schadstoff-Hotspots und Gebieten mit hohen Windgeschwindigkeiten im gesamten Stadtgebiet. Das Modell umfasst eine automatisierte Schnittstelle für die Geometrieerzeugung, die OpenStreetMap (OSM)-Daten nutzt und einen einfachen Einsatz in verschiedenen Stadtgebieten gewährleistet. Diese Eigenschaft hat einen erheblichen Nutzen für die Stadtplanung und die Umweltüberwachung.
Die vierte Anwendung konzentriert sich auf eine Kammerfilterpresse, eine Kerntechnologie für Fest-Flüssig-Trennverfahren. Hier wird ein DT entwickelt, welcher auf einem NN basiert. Dieses nutzt Sensordaten, die über eine Internet of Things (IoT)-Anlage gesammelt werden. Parameter wie Druck, Durchflussmenge und die benutzerdefinierten Konfigurationen werden kontinuierlich an eine Cloud-Datenbank übertragen, mit dessen Daten das Modell kontinuierlich trainiert wird. Der NN-basierte DT ist in der Lage, die Prozesszeit und die Effizienz der verwendeten Komponenten (z. B. Filtermedium) vorherzusagen, da dieser auf historischen Nutzungs- und Echtzeitdaten basiert. Diese Vorhersagen werden über eine App-Schnittstelle zugänglich gemacht. Die Anwendung mit ihrem integrierten ML-basierten Modul zeigt, dass das Framework in der Lage ist, intelligente Prozessvorhersagen treffen zu können und das potential mit Prozessoptimierung zu unterstützen.
Jedes Modul und jede Anwendung wurde mit gezielten Validierungsmethoden bewertet: Die CFD-Simulationen wurden mit analytischen Lösungen und vorhandenen Solver-Daten verglichen, um numerische Genauigkeit zu gewährleisten, während die neuronalen Netzwerkmodelle anhand von Testdatensätzen validiert wurden, um die Zuverlässigkeit von Vorhersagen zu bewerten. Es wurden Studien zur Benutzerfreundlichkeit durchgeführt, um die Klarheit, die Reaktionsfähigkeit und den pädagogischen Wert der Visualisierungstools zu bewerten. Diese Bewertungen wiesen ein hohes Maß an praktischer Nutzbarkeit auf.
Ein wesentlicher Vorteil, des in dieser Arbeit entwickelten Frameworks, liegt in seiner Interoperabilität. Durch die konsequente modulare Architektur und die Verwendung von standardisiertern Schnittstellen, können die einzelnen Module einfach in bestehende Prozessleitsysteme integriert werden. Gleichzeitig ermöglicht diese Architektur eine hohe Skalierbarkeit, so dass das Framework auf spezifische Prozesse zugeschnitten und auf verschiedene industrielle Kontexte übertragen werden kann. Erwähnenswert ist auch die zukünftige Möglichkeit, datengesteuerte und physikalische Modelle zu kombinieren, um eine adaptivere digitale Darstellung realer Prozesse zu erhalten.
Die Ergebnisse dieser Arbeit zeigen, dass ein modularer, adaptiver Ansatz für DTs eine leistungsfähige, flexible und übertragbare Lösung für die mechanische Verfahrenstechnik darstellt. Die entwickelten Konzepte, Modelle und Anwendungen leisten einen wesentlichen Beitrag zur Weiterentwicklung der DT-Technologie im Kontext industrieller Prozesse. Das vorgestellte Framework bietet nicht nur eine solide Grundlage für zukünftige Forschung, sondern ermöglicht auch die direkte Anwendung in der industriellen Praxis zur Steigerung von Effizienz und Nachhaltigkeit. Langfristig eröffnen DTs neue Perspektiven für die intelligente, ressourceneffiziente und ökonomisch sinnvolle Gestaltung industrieller Systeme.
Abstract (englisch):
The rapid advancement of digitalization and the increasing integration of Artificial Intelligence (AI) into industrial processes mark the transition from Industry 4.0 to Industry 5.0. While Industry 4.0 emphasizes automation, data exchange, and smart systems, Industry 5.0 expands this vision by focusing more on human-machine collaboration, sustainability, resilience, and adaptability. In this transformation, the role of the technology Digital Twin (DT) plays an important role and enables a dynamic coupling between physical systems and their virtual representations. With the help of real-time data exchange, DTs facilitate continuous monitoring, predictive analysis, and optimization of industrial processes.
... mehr
Although DTs are already widely used in industries such as manufacturing, automotive, and healthcare, a significant research gap remains in the field of mechanical process engineering. This gap is not due to a lack of potential, but rather the unique challenges posed by such systems. Mechanical process engineering processes are inherently multi-physical and multi-scale, often involving nonlinear interactions, high computational demands, and a lack of standardized digital representations. Unlike manufacturing lines, which are typically repetitive and highly structured, mechanical process engineering encompasses dynamic and nonlinear behaviors—ranging from multiphase flows to variable boundary conditions—making real-time modeling and prediction significantly more complex. In addition, many industrial processes are still relying on legacy equipment, which is limited in digital connectivity and further complicates the integration of modern DT architectures.
By recognizing this gap, this work introduces a modular DT framework designed specifically for process engineering with the goal of providing a flexible, extensible platform that enables both high-fidelity physical modeling and the integration of modern data-driven methods.
In this work, the DT is understood as a combination of various loosely coupled modules that can be flexibly combined and adapted to a wide range of application scenarios. The primary modules developed in this work include a visualization component, a CFD-based simulation model for two- and three-dimensional flow, and a neural network (NN)-based data-driven model. These modules are the foundation for four exemplary applications, each relying on specific modules and demonstrating the practical feasibility of the framework.
The first application is a visualization tool named OpenLBar, which overlays CFD flow data on physical environments using Augmented Reality. This enhances spatial comprehension and interaction with complex fluid phenomena. As part of this development, the modular open-source library OpenVisFlow was created, allowing for extensible integration of visualizations and geometry overlays into various platforms. Usability studies validated the tool's accessibility and effectiveness in both research and industrial settings, emphasizing its potential as a human-centric interface for DTs.
The second application—the Virtual CFD Lab—extends the visualization module by coupling it with a lattice Boltzmann method (LBM)-based CFD model. This tool enables real-time simulations directly on mobile devices by scanning and interpreting hand-drawn 2D geometries. The system automatically recognizes the domain, initiates a just-in-time simulation, and presents the results. Benchmarking against standard test cases confirmed both the accuracy of the simulations and the practical usability of the mobile platform. This application illustrates how interactive and portable DTs can democratize access to high-fidelity simulations.
The third application demonstrates the development of a large-scale, physics-driven DT for urban environments. By continuously incorporating data from meteorological stations, including wind speed, direction, and pollutant levels, the DT is able to simulate urban airflow and pollution distribution in real-time. A dynamically adjustable CFD model is able to process the incoming data and enables long-term simulations to identify pollution hotspots and high wind-speed areas across the urban area. The model includes an automated interface for geometry generation, which utilizes OpenStreetMap (OSM) data and ensures easy deployment across different urban areas. This capability has significant use for urban planning and environmental monitoring.
The fourth application focuses on a chamber filter press, a core technology in solid-liquid separation processes. Here, a neural network-based DT is developed using sensor data collected via an internet of things (IoT) setup. Parameters such as pressure, flow rate, and user-defined configurations are continuously transmitted to a cloud database, which retrains the model with each new data entry. The NN-based DT is able to predict process time and efficiency of the used equipment (e.g., filter medium) due to it being based on historical usage and real-time inputs. These insights are made accessible through an app interface which integrates predictive analytics. The application, with its integrated ML-based module, demonstrates that the framework is able to support intelligent process prediction and optimization.
Each module and application was evaluated using targeted validation methods: the CFD simulations were benchmarked against analytical solutions and existing solver data to ensure numerical accuracy, while the neural network models were validated on test datasets to assess predictive reliability. Usability studies were conducted to assess the clarity, responsiveness, and educational value of the visualization tools. These assessments revealed not only strong alignment with physical reality but also a high degree of practical usability.
A key advantage of the framework developed in this work lies in its interoperability. Thanks to a consistently modular architecture and the use of standardized interfaces, the individual modules can be easily integrated into existing process control systems. At the same time, this architecture enables high scalability, allowing the framework to be tailored for specific processes and transferred to various industrial contexts. Noteworthy is the future possibility to combine data-driven and physics-based models to get a more adaptive digital representation of real-world processes.
The results of this work demonstrate that a modular, adaptive approach to DTs offers a powerful, flexible, and transferable solution for mechanical process engineering. The developed concepts, models, and applications make a substantial contribution to the advancement of DT technology in the context of industrial processes. The presented framework not only provides a solid foundation for future research but also enables direct application in industrial practice to enhance efficiency and sustainability. In the long term, DTs open up new perspectives for the intelligent, resource-efficient, and economically viable design of industrial systems.
