Wie softwarebasierte Modelle Transparenz erhöhen: Virtuelle Sensoren für Digitale Zwillinge

Digitale Zwillinge gelten als Schlüsseltechnologie für digitale Produktion und Dienstleistungen, sind jedoch stark von umfangreicher Sensorik abhängig. Damit sie erschwinglich und wartbar bleiben, werden physische Messsysteme durch virtuelle Sensoren ergänzt oder teilweise ersetzt. Dies wirft grundlegende Fragen nach der Verlässlichkeit, Integration und systematischen Bewertung dieser softwarebasierten Modelle auf.

Was ist ein Digitaler Zwilling?

Ein Digitaler Zwilling ist die digitale Repräsentation eines physischen Systems. Dies können Komponenten, Anlagen oder ganze Prozesse der realen Welt sein. Das Ziel eines Digitalen Zwillings besteht darin, sein reales Gegenstück möglichst genau nachzubilden, um dessen Verhalten zu simulieren und Aussagen über den Zustand zu machen, in dem sich das System befindet.

Der grosse Unterschied zu klassischen Computersimulationen ist, dass der Digitale Zwilling in kontinuierlichem Kontakt mit der physischen Welt steht und so sein Modell des Objekts oder des Prozesses stetig anpasst. Dadurch entsteht eine datengetriebene Entscheidungsgrundlage. Mit dieser können Routineaufgaben wie z.B. Wartungsarbeiten besser vorausgesagt werden. Aber auch Effizienzsteigerungen,  Energieoptimierungen für Prozesse oder generell Regelanpassungen können simuliert, getestet und implementiert werden [1].

Der grundlegende Aufbau eines digitalen Zwillings ist in Abbildung 1 dargestellt. Physische Komponenten liefern kontinuierlich Sensordaten an das digitale Modell. Dieses nutzt die Daten, um den aktuellen Zustand des Systems zu simulieren und daraus Optimierungen oder Prognosen abzuleiten.

Mit der zunehmenden Digitalisierung industrieller und alltäglicher Prozesse wächst die Bedeutung solcher digitalen Abbilder. Sie schaffen Transparenz in komplexen Systemen und unterstützen eine präzisere Steuerung von Systemen wie z.B. Produktions- und Energiesystemen.

Abb. 1: Aufbau und Anwendung eines Digitalen Zwillings

Warum sind Sensoren so entscheidend?

Damit ein Digitaler Zwilling zuverlässig funktioniert, benötigt er kontinuierlich aktuelle und qualitativ hochwertige Daten. Sensoren bilden hier die Schnittstelle zwischen physikalischen oder chemischen Grössen des Systems und einem digitalen Modell, indem sie diese Zustandsgrössen elektronisch erfassbar machen. Mit zunehmender Systemkomplexität steigt auch der Bedarf an Messpunkten. Moderne Produktions- Logistik- und Abfallbehandlungsanlagen oder Energieinfrastrukturen verfügen über umfangreiche Sensorik, um Betriebszustände, Umgebungsbedingungen und Leistungsparameter kontinuierlich zu überwachen.

Diese Entwicklung bringt Herausforderungen mit sich. Physische Sensoren verursachen Anschaffungs- und Installationskosten, müssen gewartet und regelmässig kalibriert werden und unterliegen einem Ausfallrisiko. Zudem lassen sich viele relevante Zustandsgrössen nicht direkt messen. Grössen wie Materialermüdung, die verbleibende Lebensdauer von Komponenten oder interne thermische Zustände können häufig nur indirekt aus anderen Messgrössen abgeleitet werden.

Daraus ergibt sich ein Spannungsfeld zwischen der notwendigen Beobachtbarkeit eines Systems und dem wirtschaftlichen Aufwand zusätzlicher Sensorik. Es stellt sich also die Frage, wie solche Daten gewonnen werden können, ohne dass die Kosten für Installation und Wartung unverhältnismässig ansteigen.

Die Lösung aus dem Softwareengineering

Vor diesem Hintergrund gewinnen virtuelle Sensoren an Bedeutung. Ein virtueller Sensor, auch «Soft Sensor» (von Software-Sensor) genannt, ist ein softwarebasiertes Modell, das aus vorhandenen Sensordaten zusätzliche Zustandsgrössen berechnet. Er kombiniert reale Messwerte mit algorithmischen Modellen. Diese Modelle können aus fundamentalen, physikalischen Gesetzen, statistischen Verfahren oder Methoden des maschinellen Lernens geschaffen werden [2], [3].

Anstatt beispielsweise einen zusätzlichen Sensor zur Bestimmung des Verschleisszustands eines Autoreifens einzubauen, kann ein virtueller Sensor diesen Zustand aus bestehenden Messgrössen wie Fahrgeschwindigkeit, Gebrauchsdauer und Reifendruck unter Verwendung eines physikalischen Modells ableiten. Dadurch wird der Informationsgehalt eines Systems erhöht, ohne neue Hardware zu installieren.

Abbildung 2 illustriert dieses Prinzip. Während physische Sensoren direkt messbare Grössen liefern, können virtuelle Sensoren zusätzliche Zustandsgrössen aus diesen Messwerten berechnen. Dadurch erweitert sich die Informationsbasis des Systems, ohne dass zusätzliche Hardware installiert werden muss.

Abb. 2: Erweiterung von physischen Messgrössen mit virtuellen Sensoren

Gerade in industriellen Anlagen und Energiesystemen kann dieser Ansatz erhebliche Vorteile bringen. In einer grossen Photovoltaikanlage etwa wäre es technisch und wirtschaftlich kaum möglich, jedes einzelne Solarmodul mit zusätzlicher Sensorik auszustatten. Virtuelle Sensoren ermöglichen es dennoch, den Zustand einzelner Komponenten genauer zu beurteilen. Durch die Kombination von Einstrahlungsdaten, Umgebungstemperatur und elektrischer Leistung kann berechnet werden, welcher Energieertrag unter idealen Bedingungen zu erwarten wäre. Weicht die tatsächliche Leistung davon ab, kann dies auf Verschmutzung oder einen Defekt hinweisen. Anlagenbetreibende erhalten dadurch frühzeitig Hinweise auf Probleme und können Wartungsarbeiten gezielter planen. Tabelle 1 zeigt die zentralen Unterschiede zwischen beiden Ansätzen. Im Folgenden werden wir ein konkretes Beispiel für virtuelle Sensoren vorstellen.

Tabelle 1 Vergleich physischer vs. virtueller Sensor

Beispiel aus der Energieindustrie

Ein konkretes Anwendungsfeld für virtuelle Sensoren findet sich in der Überwachung von Photovoltaik-Kraftwerken. In ihrem Bericht [4] beschreiben Redondo et al., wie ein virtueller Sensor eingesetzt wird, um den Verschmutzungsgrad von Photovoltaikmodulen zu bestimmen und daraus optimale Reinigungszeitpunkte abzuleiten.

Die Verschmutzung von Solarmodulen durch Staub, Sand oder andere Partikel wird als Soiling bezeichnet. Diese Ablagerungen reduzieren die auf die Solarzellen treffende Strahlung und damit die erzeugte elektrische Leistung. Studien zeigen, dass dadurch durchschnittliche Energieverluste von etwa 3–4 % auftreten können.

Die Autoren berechnen, dass eine Reinigung einer Referenzanlage mit einer Leistung von 100 MW zwischen 45’000 und 90’000 Euro kostet und dabei 250–600 m³ Wasser sowie 1500–2000 Liter Diesel verbraucht. Dies zeigt klar auf, dass der Verschmutzungsgrad der Module so exakt wie möglich gemessen werden soll, damit die Anlage effizient bleibt, aber keine unnötigen, kostspieligen Reinigungen durchgeführt werden.

In grossen Photovoltaikparks werden teilweise physische Verschmutzungssensoren eingesetzt. Abbildung 3 zeigt einen typischen Verschmutzungssensor für Photovoltaikanlagen. Diese bestehen typischerweise aus zwei Referenzmodulen, von denen eines regelmässig gereinigt wird. Durch den Vergleich der Leistung beider Module lässt sich der sogenannte Soiling Ratio bestimmen, welcher das Verhältnis zwischen der aktuellen Leistung eines verschmutzten Moduls und der erwarteten Leistung eines sauberen Moduls beschreibt.

Abb. 3: Verschmutzungssensor (Quelle: https://www.sevensensor.com/automatic-soiling-sensor)

Solche Sensoren sind jedoch kostenintensiv, benötigen regelmässige Wartung und liefern nur punktuelle Messungen innerhalb einer grossen Anlage. Zudem müssen Referenzmodule manuell gereinigt werden, wodurch zusätzliche Wartungsarbeiten entstehen. Um diese Einschränkungen zu umgehen, entwickelten die Autoren einen virtuellen Sensor, der den Verschmutzungsgrad der Module anhand von Umwelt- und Betriebsdaten modelliert. Das zugrundeliegende Modell beschreibt die zeitliche Zunahme der Verschmutzung als exponentielle Funktion der Zeit seit der letzten Reinigung:

Dabei beschreibt SL den prozentualen Leistungsverlust durch Verschmutzung, t die Zeit seit der letzten Reinigung und k eine Konstante, welche die durchschnittliche Staubablagerungsrate des jeweiligen Ortes beschreibt.

Der virtuelle Sensor nutzt verschiedene Eingangsgrössen, darunter:

• Zeit seit der letzten Reinigung der Anlage
• Niederschlagsdaten zur Modellierung natürlicher Reinigungseffekte
• Staubkonzentrationen in der Luft
• lokale Wetterbedingungen

Mit diesen Daten kann der Sensor den Verschmutzungsgrad kontinuierlich schätzen und zukünftige Entwicklungen prognostizieren.

Abbildung 4 zeigt den Vergleich zwischen einem physischen Verschmutzungssensor (blau) und dem entwickelten virtuellen Sensor (magenta). Beide Kurven folgen einem sehr ähnlichen Verlauf, insbesondere während Staubereignissen. Dies verdeutlicht, dass der virtuelle Sensor den Verschmutzungsgrad mit hoher Genauigkeit nachbilden kann.

Abb. 4: Verschmutzung der Photovoltaikanlage gemessen mit einem physischen Verschmutzungssensor (blau) und dem virtuellen Sensor (magenta)

Das Modell wurde anhand von Betriebsdaten aus fünf Photovoltaikparks in Spanien mit einer Gesamtleistung von rund 200 MW validiert. Der mittlere Unterschied zwischen dem virtuellen Sensor und den physischen Verschmutzungssensoren betrug dabei lediglich 0,71 %. Interessanterweise war dieser Fehler kleiner als die Abweichung zwischen zwei physischen Sensoren innerhalb derselben Anlage.

Dies zeigt, dass virtuelle Sensoren in der Lage sind, physische Messsysteme zu ergänzen oder teilweise zu ersetzen und gleichzeitig zusätzliche Prognosemöglichkeiten zu bieten.

Anstehende Herausforderungen: Vertrauen und Qualität

Das Beispiel zeigt, dass virtuelle Sensoren bereits heute präzise Schätzungen liefern können. Gleichzeitig verdeutlicht es eine zentrale Herausforderung: Die Qualität eines virtuellen Sensors hängt von der Güte des zugrunde liegenden Modells ab, während physische Sensoren klar definierte technische Spezifikationen besitzen.

Ein zentrales Problem in industriellen Anwendungen ist dabei der sogenannte Sensor-Drift. Physische Sensoren können über längere Betriebszeiten durch Alterung, Verschmutzung oder thermische Belastung langsam ihre Kalibrierung verlieren. Dadurch entstehen Messfehler, die oft schwer zu erkennen sind.

Virtuelle Sensoren können in solchen Fällen als Referenz dienen. In Gasturbinen oder chemischen Anlagen werden beispielsweise Temperaturen häufig zusätzlich durch modellbasierte virtuelle Sensoren geschätzt. Diese nutzen andere Prozessgrössen wie Druck, Durchfluss oder Drehzahl, um die erwartete Temperatur zu berechnen. Weicht der physische Sensor dauerhaft von diesem Modellwert ab, kann dies auf einen Drift oder eine Fehlfunktion des Sensors hinweisen.

Für industrielle Anwendungen stellt sich daher die Frage, wie sich die Qualität solcher Modelle systematisch bewerten lässt. Typische Kriterien sind beispielsweise die mittlere Modellabweichung gegenüber Referenzmessungen (z. B. Mean Absolute Error), die Robustheit gegenüber Messrauschen oder die Stabilität des Modells unter veränderten Betriebsbedingungen. Auch langfristige Effekte wie Modell-Drift spielen eine wichtige Rolle, da sich reale Anlagen über die Zeit verändern können.

Ein praktisches Ziel unserer aktuellen Forschung ist die Entwicklung von Methoden zur kontinuierlichen Validierung und Rekalibrierung virtueller Sensoren. Dazu gehören Verfahren zur Überwachung von Modellfehlern, adaptive Modelle oder hybride Ansätze, welche physikalische Modelle mit datengetriebenen Methoden kombinieren.

Nur wenn virtuelle Sensoren transparent, nachvollziehbar und zuverlässig funktionieren, können sie in industriellen Anwendungen als vertrauenswürdige Informationsquelle eingesetzt werden. In Kombination mit physischen Sensoren ermöglichen sie eine umfassendere Beobachtung komplexer Systeme und verbessern damit die Grundlage für Analyse, Optimierung und vorausschauende Wartung.

Referenzen

[1]    P. D. S. Grösser, «Definition: Digitaler Zwilling», https://wirtschaftslexikon.gabler.de/definition/digitaler-zwilling-54371. Zugegriffen: 13. März 2026. [Online]. Verfügbar unter: https://wirtschaftslexikon.gabler.de/definition/digitaler-zwilling-54371

[2]     P. Kadlec, B. Gabrys, und S. Strandt, «Data-driven Soft Sensors in the process industry», Comput. Chem. Eng., Bd. 33, Nr. 4, S. 795–814, Apr. 2009, doi: 10.1016/j.compchemeng.2008.12.012.

[3]   Y. Jiang, S. Yin, J. Dong, und O. Kaynak, «A Review on Soft Sensors for Monitoring, Control, and Optimization of Industrial Processes», IEEE Sens. J., Bd. 21, Nr. 11, S. 12868–12881, Juni 2021, doi: 10.1109/JSEN.2020.3033153.

[4]    M. Redondo, C. A. Platero, A. Moset, F. Rodríguez, und V. Donate, «Soiling Modelling in Large Grid-Connected PV Plants for Cleaning Optimization», Energies, Bd. 16, Nr. 2, S. 904, Jan. 2023, doi: 10.3390/en16020904.