TWIN4TRUCKS - Di­gitaler Zwill­ing und Künst­liche In­tel­li­genz in der vernet­zten Fab­rik für die in­teg­rierte Nutzfahrzeug­produk­tion, Lo­gistik und Qual­itäts­sicher­ung

Ausgangssituation und Herausforderungen
Die Montageprozesse von Nutzfahrzeugen bei der Daimler Truck AG (DTAG) stehen vor enormen Herausforderungen. Im größten Truck-Montagewerk der Welt werden täglich bis zu 470 verschiedene Trucks produziert, wobei jedes Fahrzeug aus bis zu 2.500 Einzelteilen besteht und bis zu einer Million mögliche Teilevarianten aufweist. Der hohe Grad an Individualisierung wird sich durch den Trend zur Elektromobilität und zu Brennstoffzellenantrieben erheblich erhöhen, was wesentliche Auswirkungen auf die Produktionsprozesse und die Logistik haben wird.

Lösungsansätze
Um diesen Herausforderungen zu begegnen, wurden folgende Lösungsansätze im Projekt verfolgt:  

  • Es wird ein wiederverwendbarer Gaia-X-Datenraum-Connector auf Basis der Eclipse Dataspace Components (EDC) entwickelt. Damit soll ein souveräner und sicherer Datenaustausch mit den Akteuren des Automobilmarktes (z.B. Catena-X) sowie mit zukünftigen Initiativen wie Manufacturing-X ermöglicht werden.
  • Die Modellierung von digitalen Zwillingen für Montageanlagen von Trucks, einschließlich Werkzeugen und Teilen, unterstützt die Digitalisierung der Shopfloor-Prozesse (Datenintegration und -austausch, Visualisierung, Simulation und Optimierung).
  • Eine wiederverwendbare ML/AI-Pipeline und Toolchain wird für Echtzeit-Kamera- und bildbasierte Qualitätsprüfungen implementiert. Ein Anwendungsbeispiel ist die Prüfung der Rahmenverschraubung an der Montagelinie unter Verwendung von Edge-Cloud-basierten Diensten.
  • Zur Werkzeug- und Teilelokalisierung werden Werker-Assistenzsysteme für den Shopfloor eingeführt, die auf 5G und Ultra-Wideband (UWB) Technologien basieren.
  • Durch eine 5G- und Ultra-Wideband (UWB) basierte Lokalisierung von Assets, z.B. Teilen, Trägern und unbemannten Flurförderzeuge (UGV), werden zudem Logistikprozesse optimiert und ermöglichen eine Echtzeitsicht auf die realen Lagerprozesse.
  • Es wird ein Architektur-Blueprint erstellt, der den „Digitalen Faden“ modelliert und die Verbindung zwischen Lieferanten und Logistik- sowie Produktionsdiensten, einschließlich der Integration von Gaia-X-Konzepten, herstellt. Dabei werden sowohl Edge- als auch Cloud-Computing-Dienste genutzt. 

Ergebnisse 

Gaia-X Datenraum:

  • Wiederverwendbarer Connector, der Echtzeitdaten von Assets (Digitaler Zwilling als Verwaltungsschale / Asset Administration Shell) bereitstellt, die von einem AAS-Server abgerufen werden.
  • Wiederverwendbarer Connector zur Integration externer Dienstleister in Produktionsprozesse zur Qualitätsanalyse, beispielsweise Daten zu Kennlinien von Schraubgeräten oder Rahmenverschraubungen.

Smart Services (AI/ML):

  • Eine wiederverwendbare ML/AI-Pipeline und Toolchain für die Qualitätssicherung an der Montagelinie ermöglicht Echtzeit-Bild- und kamerabasierte Inspektionen, mit denen sich der Installations- und Verschraubungsstatus des Fahrzeugrahmens und der Anbauteile überprüfen lässt.
  • Die entwickelten ML/AI-Komponenten können für Echtzeit-Kamera- und bildbasierte Inspektionen sowie für kostengünstige KI-Lösungen (Low-cost AI auf Basis eines Raspberry Pi) bei anderen Kunden wiederverwendet werden.
  • Evaluierungsergebnisse der untersuchten und implementierten ML/AI-Methoden und -Modelle für das Training.

Architecture Design:

  • Ein wiederverwendbarer Architektur-Blueprint für eine moderne, anpassbare Architektur, die digitale Zwillinge und Datenräume unterstützt und branchenübergreifend für andere Szenarien adaptiert werden kann. 
Zuwendungsgeber:Bundesministerium für Wirtschaft und Energie
Laufzeit: 01.09.2022 bis 31.12.2025
Ansprechperson:Oliver Busch, Eviden Germany GmbH, oliver.busch@atos.net
Verbundpartner:- Daimler Truck AG
- Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
- Infosys Automotive and Mobility GmbH & Co. KG
- PFALZKOM GmbH
- Technologie-Initiative SmartFactory KL e.V.
Webseite:https://twin4trucks.de