LearnTwins - Lernende Digitale Zwillinge zur Validierung und Verifizierung von abhängigen Cyber-Physikalischen Systemen

Digitale Zwillinge sind sehr hilfreich um Anfragen über das vergangene oder zukünftige Verhalten eines komplexen cyber-physikalischen Systems (von Systemen) zu beantworten. Das gilt im Besonderen wenn das System entweder noch nicht vollständig implementiert ist oder ortsfern eingesetzt wird. Die Erstellung einer physisch-lokalen Kopie ist meistens nicht möglich oder wirtschaftlich. Digitale Zwillinge sind relativ günstig zu erzeugen, wenn man sie direkt von Artefakten, welche während der Entwicklung erstellt worden sind, ableiten und simulieren kann. Diese optimalen Voraussetzungen sind jedoch häufig in der Praxis (noch) nicht gegeben. Eine automatisierte Erstellung - etwa durch Lernmethoden - würde hier Abhilfe schaffen. Zudem müssen für eine erfolgreiche Nutzung die eingesetzten Modelle und die davon abgeleiteten Einsichten die Eigenschaft des realen Systems ausreichend wiedergeben. Ist dies nicht der Fall, sind sie sogar kontraproduktiv, da sie zu falschen Schlüssen führen. Man muss digitalen Zwillingen also Vertrauen können. Sie müssen daher korrekt und zuverlässig sein und gleichzeitig kosteneffizient in ihrer Erstellung und Wartung. Der Einsatz einer neuen Technologie ist häufig von Zweifeln über ihre Zuverlässigkeit und Sorgen um mögliche Nebeneffekte begleitet. Erstellt man digitale Zwillinge automatisch, z.B. durch Lernmethoden, ist der dahinterstehende Prozess für den Anwender nicht einfach nachzuvollziehen. Für eine Akzeptanz der Technologie durch den geplanten Anwenderkreis müssen Mittel zur Verfügung stehen, um die Zuverlässigkeit, Nachvollziehbarkeit und Einschränkungen der digitalen Zwillinge korrekt einzuschätzen und Vertrauen zu etablieren. LearnTwins widmet sich diesen genannten Herausforderungen mit dem Einsatz einer kombinierten lern-basierten Testmethode. Dieser liegt die Erkenntnis zugrunde, dass sich die Eigenschaften komplexer Systeme oft nicht in einem einzelnen Modell(typ) kompakt erfassen lassen. Daher sollen im Projekt verschiedene Lernmethoden zur Erstellung des digitalen Zwillings (Automatenlernen, klassisches Machine Learning und Deep Learning) miteinander kombiniert werden. Neben bereits vorhandenen Datenquellen, sollen Lerndaten zudem über die Ausführung von Testfällen am realen System gewonnen werden, wobei die Testfälle automatisiert aus dem (angelernten) digitalen Zwilling erstellt werden. Die technische Arbeit wird eingebettet in einen Foresight-Prozess. Dazu ist die Einbindung von Stakeholdern geplant, die aktiv gewünschte Zukünfte und Strategien im Hinblick auf die entwickelte Technik erarbeiten. Die Projektresultate werden die raschere und wirtschaftlichere Erstellung von hochqualitativen und zuverlässigen digitalen Zwillingen ermöglichen und die notwendige digitale Transformation von Produktartefakten beschleunigen. Die Ergebnisse zur Verstehbarkeit automatisch gelernter Modelle sollen zu höherer Akzeptanz und zielgerichteterem Einsatz lernbasierter Methoden beitragen. Die entwickelten Methoden werden in drei realistischen Anwendungsfällen aus verschiedenen Domänen erprobt und evaluiert.