LearnTwins - Learning Digital Twins for the Validation and Verification of Dependable Cyber-Physical Systems

Digitale Zwillinge sind simulierbare "Duplikate" realer, normalerweise technischer, Systeme. Sie erlauben Analysen und Vorhersagen des Systemverhaltens, auch ohne Zugriff auf das System zu haben. Das ist hilfreich während der Entwicklung, wenn das Gesamt-System noch gar nicht existiert, aber auch für z. B. Kundensysteme, die nicht zugänglich sind oder deren Stillstands-Zeiten geringgehalten werden müssen.

Digitale Zwillinge sind relativ günstig zu erzeugen, wenn man sie direkt von Artefakten, welche während der Entwicklung erstellt worden sind, ableiten und simulieren kann. In vielen Fällen ist das aber nicht vollständig möglich – z. B. für zugekaufte Komponenten fehlen die Artefakte, oder für bestimmte physikalische Messwerte wurden in der Entwicklung keine Modelle erstellt.

Dazu werden im Projekt neue Lernverfahren entwickelt bzw. bestehende Lernalgorithmen neu kombiniert. Die Verfahren gehen insbesondere auf die unterschiedliche Charakteristik der verschiedenen System-Aspekte ein:

• diskretes Verhalten, das heißt die Bewegung über abzählbare Systemzustände (Lernen von Automaten) und
• kontinuierliches Verhalten, typisch für physikalische Größen wie Temperatur, Reaktionszeit oder Stromverbrauch (klassisches Machine Learning, Deep Learning).

Als Datenquellen für das Lernen dienen dabei Daten aus dem Betrieb gemeinsam mit Ergebnissen von speziell für das Lernen durchgeführten Tests.

Die gelernten digitalen Zwillinge werden im Projekt verwendet für Qualitätssicherung, Safety- und Security-Analysen und für die Vorhersage der Folgen von Änderungen, etwa neuer Funktionen.

Als Beispielsysteme für die Evaluierung im Projekt werden drei Anwendungsfälle verwendet:

1. Industrielle Mess-Systeme von Projektpartner AVL
2. Elektronik-Systeme aktueller PKWs und
3. Smart-Home Haussteuerungssysteme.

Wesentliche Aspekte in der Entwicklung der Lernmethoden sind die Zuverlässigkeit, Verständlichkeit und Benutzerakzeptanz der gelernten digitalen Zwillinge.

Daher erfolgt die technische Arbeit 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. Ein erster Workshop dazu, mit 45 Teilnehmern aus verschiedensten Gesellschaftsbereichen hat im April 2021 stattgefunden und bereits eine Vielzahl von Einsichten erbracht, die die technische Arbeit ausrichten.

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 werden zu höherer Akzeptanz und zielgerichteterem Einsatz lernbasierter Methoden beitragen.

Konsortialführung

AIT Austrian Institute of Technology GmbH

Weitere Konsortialpartner:innen

• Technische Universität Graz, Institut für Softwaretechnologie
• AVL List GmbH

AIT Austrian Institute of Technology GmbH
Dipl.-Ing. Rupert Schlick
Giefinggasse 4
A-1210 Wien