Die Entwicklung moderner Landmaschinen (AgTech-Engineering) leidet unter der extremen Unvorhersehbarkeit von Wetter, Boden und Pflanzenwachstum auf dem Feld. Da rein physische Tests an ihre Grenzen stoßen, setzt das Systems Engineering zunehmend auf digitale Repräsentationen. Dieser Beitrag klärt die fundamentalen Unterschiede zwischen Digital Model, Digital Shadow und Digital Twin und zeigt, wie sie als virtuelle Testumgebungen die Entwicklung adaptiver und zunehmend autonomer Agrarsysteme unterstützen.
Co-Author Alex Foessel
Mit ca. 25 Jahren Erfahrung in autonomen Systemen für Landwirtschaft und Bau leitete Axel Foessel Projekte wie die ersten autonomen Traktoren in Brasiliens Zuckerrohrindustrie.
Er ist Mitgründer von Balanced Engineering und berät OEMs und Agrartechnikunternehmen zu Automatisierung, Systemarchitektur und Produktsicherheit. Vor Balanced Engineering arbeitete er 18 Jahre bei John Deere in globalen Führungspositionen in Innovation, Autonomie und Kundensupport. Er hat einen Ph.D. in Robotik von Carnegie Mellon University (CMU) und ist Rancher in Patagonien sowie lizenzierter Pilot.
Landwirtschaftliche Systeme arbeiten in hochvariablen Umgebungen: Unvorhersehbare Wetterbedingungen, wechselnde Bodenbeschaffenheit, unterschiedliches Pflanzenwachstum und menschliche Eingriffe verändern kontinuierlich die Rahmenbedingungen. Klassische Test- und Validierungsansätze reichen deshalb häufig nicht mehr aus, um moderne landwirtschaftliche Systeme zuverlässig zu entwickeln und zu betreiben. Vor diesem Hintergrund haben sich Digitale Zwillinge (Digital Twins) zu einem zentralen Begriff der digitalen Transformation im Agrarsektor (AgTech) entwickelt. Dennoch werden sie häufig auf vereinfachte Vorstellungen wie „ein Modell“ oder „eine Simulation“ reduziert. Um zu verstehen, warum Digitale Zwillinge relevant sind, lohnt sich ein Blick auf ein übergeordnetes Konzept: Die digitalen Repräsentationen physischer Systeme.
Für ein effektives Software- und Systems-Engineering ist eine präzise technische Differenzierung erforderlich. Digitale Repräsentationen physischer Systeme existieren in drei verschiedenen Ausprägungen und Integrationsgraden: Digital Model, Digital Shadow und Digital Twin. Diese Begriffe werden oft synonym verwendet. Sie unterscheiden sich nicht durch die Komplexität ihrer grafischen Darstellung, jedoch fundamental hinsichtlich Richtung und Automatisierungsgrad des Datenflusses zwischen der physischen und der digitalen Welt:
Digital Model, Digital Shadow und Digital Twin im Vergleich
Von der Repräsentation zur Interaktion
Der Unterschied zwischen Digital Models, Digital Shadows und Digital Twins liegt nicht primär in der Visualisierung oder Komplexität, sondern darin, wie Daten zwischen der realen und der virtuellen Welt fließen.
Anstatt diese Konzepte als konkurrierende Ansätze zu betrachten, sollten sie als komplementäre Formen digitaler Repräsentationen verstanden werden, die in unterschiedlichen Phasen der Systementwicklung und des Betriebs jeweils einen spezifischen Mehrwert bieten [1]:
- Ein Digital Model ist eine statische Repräsentation eines Systems. Der Datenaustausch erfolgt manuell, und Änderungen am physischen System werden nicht automatisch übernommen. Digital Models unterstützen insbesondere frühe Entwicklungsphasen, Architekturuntersuchungen und die Validierung von Konzepten. Sie sind leichtgewichtig, flexibel und besonders geeignet, solange sich Systemdefinitionen noch verändern.
- Ein Digital Shadow erweitert dies um einen automatisierten Datenfluss vom physischen System zur digitalen Repräsentation. Das System kann in Echtzeit überwacht werden, jedoch ohne Rückkopplung in die physische Welt. Digital Shadows ermöglichen kontinuierliches Monitoring und datengetriebene Analysen realer Systeme sowie Transparenz über Systemverhalten, Diagnosemöglichkeiten und Betriebsbewertungen.
- Ein Digital Twin etabliert eine bidirektionale Verbindung, bei der Daten kontinuierlich in beide Richtungen fließen. Dadurch werden nicht nur Beobachtung, sondern auch Vorhersage, Optimierung und Closed-Loop-Control ermöglicht. Digital Twins sind vorwiegend dann relevant, wenn Systeme sich dynamisch an veränderliche Bedingungen anpassen müssen.
Die Wahl zwischen diesen Formen digitaler Repräsentationen ist daher nicht binär, sondern kontextabhängig. Entscheidend sind funktionaler Umfang, Systemkomplexität und digitaler Reifegrad. Unternehmen sollten den jeweils geeigneten Integrationsgrad abhängig von Anforderungen, Reife und verfügbaren Ressourcen wählen können.
Digitale Repräsentationen als verhaltensbasierte und testbare Systeme
Um die Rolle digitaler Repräsentationen im Engineering vollständig zu verstehen, ist es entscheidend, zu erkennen, dass es sich nicht nur um verbundene Darstellungen handelt, sondern um digitale, testbare Systeme mit abbildbarem Verhalten.
Anstatt sich primär auf Geometrie oder statische Strukturen zu konzentrieren, beschreiben digitale Repräsentationen das Verhalten eines Systems über die Zeit hinweg, einschließlich der Interaktionen zwischen Software, Hardware, Kommunikation und Umgebung. Im Kontext landwirtschaftlicher Maschinen bedeutet dies beispielsweise, Steuergeräte, Sensoren, Aktoren und Kommunikationsnetzwerke als interagierende Elemente innerhalb eines dynamischen Gesamtsystems abzubilden.
Fortgeschrittene digitale Repräsentationen können dabei als virtuelle Testumgebungen zur Simulation und Validierung komplexer Systeme dienen. Dies umfasst nicht nur den Nominalbetrieb, sondern auch Zeiteffekte, Schnittstelleninteraktionen und komplexe systemweite Abhängigkeiten.
Kontinuierliche Validierung mit Digital Twins
Die Entwicklung hin zu verhaltensbasierten digitalen Repräsentationen unterstützt einen grundlegenden Wandel im Engineering hin zur kontinuierlichen Validierung (Continuous Validation). Systemverhalten muss dabei nicht nur während der Entwicklung, sondern über den gesamten Betriebslebenszyklus hinweg verstanden und bewertet werden.
Um dieses Maß an Verhaltensrepräsentation zu ermöglichen, müssen unterschiedliche Engineering-Domänen in einer gemeinsamen Ausführungsumgebung integriert werden. Co-Simulation erlaubt etwa die Kopplung und gemeinsame Ausführung unterschiedlicher virtueller Modelle. Dadurch können komplexes Systemverhalten vorhergesagt, systemweite Effekte analysiert und Designalternativen systematisch untersucht werden.
Gleichzeitig entstehen Fähigkeiten, die mit rein physischen Tests nur schwer oder gar nicht realisierbar wären, beispielsweise:
-
Virtuelle Fehlereinkopplung (Fault Injection): Gezieltes Testen von Systemreaktionen bei Sensor-Ausfällen oder Kommunikationsabbrüchen über unterschiedliche Fehlermodi hinweg.
-
Grenzbereich-Analyse: Simulation seltener, kritischer Szenarien (z. B. extremes Hangrisiko bei Mähdreschern oder mechanische Blockaden im Erntegutfluss).
-
Frühzeitige Systemintegration: Validierung von Software-Updates (Over-the-Air) im virtuellen Zwilling vor dem physischen Rollout auf die Maschinenflotte.
Digitale Repräsentationen als Grundlage zukünftiger Systeme
Digital Twins stellen als am stärksten integrierte Stufe der genannten Repräsentationen darüber hinaus eine wesentliche Grundlage im Engineering für sogenannte Physical AI Systems (physische KI-Systeme) in der Landwirtschaft. Physical AI Systems sind in der Lage, ihre physische Umgebung autonom wahrzunehmen, zu interpretieren und mit ihr zu interagieren, indem sie kontinuierlich Daten aus Sensoren und Aktoren verarbeiten [2].
Der Digital Twin liefert der künstlichen Intelligenz dieser Systeme die notwendige Simulationsumgebung, um Fahr- und Arbeitsprozesse in Millisekunden abzusichern. So können sich Maschinenbewegungen und Werkzeugeinstellungen (z.B. die Tiefe eines Grubs oder die Verteilung von Düngemitteln) vollautomatisch an stark wechselnde Feldbedingungen anpassen.
Für Original Equipment Manufacturers (OEMs) und Technologieanbieter ist dies weit mehr als ein technologischer Trend. Wie in der Grafik oben dargestellt, führt ein steigender Integrationsgrad digitaler Repräsentationen zu Systemen, die kontinuierlich vernetzt, kontinuierlich validiert und zunehmend zur autonomen Anpassung befähigt sind. Durch den Einsatz digitaler Repräsentationen als digitale Testinstanzen können Ingenieurinnen und Ingenieure deutlich mehr Szenarien untersuchen, einschließlich Grenz- und Sonderfällen. Dies ermöglicht eine frühzeitige Identifikation von Risiken und führt zu robusteren Systementwürfen.
Weiterlesen!
- In einem folgenden Beitrag zeigen wir praxisnah, wie diese Konzepte in landwirtschaftlichen Anwendungen aktuell eingesetzt werden und wie reale Umgebungsvariabilität technische Systeme an ihre operativen Grenzen bringt.
- Grundlagen und Anwendungsfälle Digitaler Zwillinge in der Landwirtschaft haben wir in einem früheren Beitrag aus 2020 beschrieben.
Referenzen
[1] Die Begriffsabgrenzung von Digital Model, Digital Shadow und Digital Twin orientiert sich an Kritzinger et al. und Fuller et al.:
- Kritzinger-Studie (Kategorisierung): W. Kritzinger, et al. “Digital Twin in manufacturing: A categorical literature review and classification.” IFAC-PapersOnLine 51 (2018): 1016-1022.
- Fuller-Studie (Technologien): A. Fuller et al. „Digital Twin: Enabling Technologies, Challenges and Open Research,“ in IEEE Access, vol. 8, pp. 108952-108971, 2020, doi: 10.1109/ACCESS.2020.2998358.
[2] Konzepte und Architekturen für Physical AI Systems: Engineering Physical AI: How Digital Twins and Simulation are redefining Embedded Intelligence
Would you rather read the article in English? Read it on the blog of our cooperation partner „Balanced Engineerin LLC“.
From Models to Twins:
Understanding Digital Representations in Agriculture