Praxisleitfaden für durchgängige Datenwelten

Das Projekt zeigte, wie Datenmodelle, Prozesse und Recht ineinandergreifen müssen, um KI, Automatisierung und Variantenbeherrschung effizient nutzbar zu machen. Der digitale rote Faden entsteht, wenn Anforderungen, Modelle, technische Daten und Prozessinformationen über den gesamten Lebenszyklus einer Maschine miteinander verknüpft werden. „Der praxisorientierte Leitfaden zeigt Schritt für Schritt, wie diese Verbindungen hergestellt und dauerhaft gepflegt werden können“, erklärt Elmar Paireder, der das Projekt im Mechatronik-Cluster leitete. Das Handbuch erklärt Methoden, vier industrielle Use Cases und alle technischen sowie rechtlichen Aspekte.

Start mit Requirements Engineering

Ein erweitertes Verständnis von Requirements Engineering bildet den Startpunkt jedes Projekts. Anforderungen müssen modelliert, verknüpft, iterativ verfeinert und über alle Disziplinen hinweg rückverfolgbar sein. Gerade in Projekten mit hoher Variantenvielfalt und kurzen Entwicklungszyklen ist dies essenziell, um mechanische, elektrische und softwareseitige Beiträge kohärent zu integrieren. MBSE fungiert dabei als gemeinsame Sprache. Es verbindet Funktionsstrukturen, Baugruppenmodelle, Schnittstellen und physikalische Parameter in einem konsistenten Systemmodell. Dadurch entsteht erstmals ein „Single Point of Truth“ über das gesamte technische Gesamtsystem.

Datenqualität als Enabler für KI

Ein zentrales Projektergebnis: KI-Modelle funktionieren nur dann reproduzierbar, wenn die zugrundeliegenden Daten semantisch strukturiert und eindeutig interpretiert werden können. Das Handbuch beschreibt deshalb Methoden zur engineering-gerechten Datenhaltung – von Metadatenkonzepten über Pflichtfelder, Validierungen und Traceability bis zu Klassifikationen wie ECLASS und AAS-basierten Datenstrukturen. Diese konsistenten Modelle sind die Voraussetzung für Automatisierung und den zuverlässigen Einsatz von KI, etwa bei Anforderungsanalyse, Qualitätssicherung oder Prognosemodellen.

Regulatorische Anforderungen

Ein weiterer Schwerpunkt liegt auf der Integration rechtlicher Vorgaben. Data Act, DSGVO, AI Act und Cyber Resilience Act verlangen klare Verantwortlichkeiten, Nachvollziehbarkeit und Schutzmechanismen. Diese regulatorischen Vorgaben müssen daher bereits auf Ebene der Datenmodelle, Zugriffskonzepte und Governance-Strukturen verankert werden – nicht erst in nachgelagerten Prozessen.

Kompetenzaufbau

Damit der Digital Thread in der Praxis funktioniert, widmet sich das Handbuch auch dem Kompetenzaufbau. Es beschreibt alle Qualifikationspfade für Produktion, Engineering, IT und Führungskräfte – von Microlearning bis zu MBSE‑Workshops. Interne Multiplikatoren („Digital Influencer“) dienen als Leuchttürme für die praktische Etablierung neuer Methoden. „Gemeinsame Begrifflichkeiten, modellbasierte Vorgehensweisen und eine transparente Datenkultur sind zentrale Erfolgsfaktoren, die organisatorisch verankert werden müssen“, betont Paireder.

Use Case 1: KI-gestützte Anforderungsanalyse

Fill demonstrierte, wie KI Anforderungen aus komplexen Spezifikationsdokumenten extrahiert, klassifiziert und automatisch Fachbereichen zuordnet – ein wesentlicher Schritt zur technischen Konsistenzprüfung. Der Use Case von Fill zeigt, wie Datendurchgängigkeit bereits mit der strukturierten Analyse von Lastenheften beginnt. In vielen Projekten müssen hunderte Anforderungen aus unterschiedlichen Dokumenten manuell geprüft und interdisziplinär abgestimmt werden

Digital Thread ab Vertrieb

Fill entwickelte eine KI-gestützte Lösung, die technische Spezifikationen automatisiert ausliest, Anforderungen extrahiert, klassifiziert und den Fachbereichen zuordnet. Das System erkennt thematische Gruppen, verweist auf kritische Inhalte und gleicht neue Anforderungen mit bisherigen Projekten ab. Dadurch entsteht eine zentrale, versionssichere Wissensbasis, die den digitalen roten Faden bereits in der Vertriebsphase unterstützt.

Bearbeitungszeit sinkt

Die KI prüft Dokumente auf Abweichungen gegenüber internen Standards und identifiziert mögliche Risiken, bevor sie Aufwand oder Qualität beeinflussen. Ergänzend dokumentiert die Plattform jeden Bearbeitungsschritt und verknüpft Anmerkungen aus Mechanik, Elektrik und Software. Die Bearbeitungszeit umfangreicher Lastenhefte sinkt damit spürbar, gleichzeitig steigt die Sicherheit, keine relevante Anforderung zu übersehen.

Belastbare Datenbasis

Projektleiter Alois Wiesinger betont: „Die KI erkennt Abweichungen schneller und widerspruchsfreier als manuell möglich. Das schafft eine belastbare Datenbasis für frühe Konzeptentscheidungen.“ Die Lösung stärkt damit den Digital Thread an einer besonders sensiblen Stelle: dem Übergang vom Kundenwunsch zu einem technisch abgesicherten Projektstart.

Use Case 2: Resiliente Lieferketten durch saubere Datenmodelle

Der Use Case von ENGEL zeigt, wie entscheidend strukturierte und eindeutig definierte Datenmodelle für Datendurchgängigkeit in komplexen Wertschöpfungsnetzen sind – als Basis für resiliente Produkt- und Lieferketten. Anforderungen an Bauteile ändern sich häufig, etwa durch neue regulatorische Vorgaben, Materialengpässe oder Qualitätsanforderungen. Ohne ein konsistentes, semantisch eindeutiges Datenmodell entstehen Unstimmigkeiten, doppelte Datenpflege und erhebliche Risiken für Varianten, Einkauf und Service.

Verortung der Daten

ENGEL reagiert mit einem Ausbau der Stammdaten- und Strukturlogik: Attribute, Materialdaten, Funktionsbezüge und Zulassungsinformationen werden fachlich definiert, versioniert und in einem systemneutralen Modell verankert. Besonders wichtig ist die klare Verortung der Datenentstehung – also wer im Unternehmen welche Daten erzeugt, prüft, freigibt und nutzt. So entsteht ein Datenmodell, das Engineering, Einkauf, Produktion, Qualität und Service gleichermaßen trägt.

Verknüpfung mit ESG

Zudem nutzt ENGEL international anerkannte Standards wie AAS Strukturen und Klassifikationen (z. B. ECLASS), um Lieferanten- und Eigenfertigungsteile vergleichbar und automatisiert bewertbar zu machen. Werte wie Gewicht oder CO2-Emissionen können dadurch über Stücklisten hinweg einheitlich berechnet werden – eine Voraussetzung für Compliance-Nachweise und Nachhaltigkeitsbewertungen.

Resiliente Supply Chains

„Erst konsistente Datenmodelle ermöglichen resiliente Supply Chains und fundierte Entscheidungen im Tagesgeschäft“, betont ENGEL-Projektleiterin Ruth Markut-Kohl. Robuste Datendurchgängigkeit endet so nicht bei der Konstruktion, sondern reicht von globalen Lieferketten bis zum Retrofit.

Use Case 3: Stückliste im Datenkontext

Im Anwendungsfall der BRAUN Maschinenfabrik ging es um Stücklisten. Der Anspruch war, mechanische und elektrische Strukturen in einer durchgängigen mechatronischen Liste (mBOM) zusammenzuführen. Traditionell entstehen MCAD- und E-CADStücklisten in getrennten Systemen und werden erst spät im Prozess manuell abgeglichen. „Das führt zu Inkonsistenzen, fehlenden Artikeln, Variantenkonflikten und hohem Abstimmungsaufwand – ein klarer Widerspruch zum Anspruch eines Digital Threads, der auf eindeutigen Beziehungen zwischen Anforderungen, Funktionen, Komponenten und Fertigungsdaten beruht“, erklärt Geschäftsführer Lennart Braun. Die Lösung: CAD- und E-CAD-Daten werden automatisiert in ein PDM-System über- und dort zusammengeführt.

Durchgängiges PDM-basiertes Modell

Die Einführung einer eindeutigen Klassifikationslogik – mechanisch, elektrisch, mechatronisch – bildet die Grundlage für ein systematisches Matching. Der Abgleich erfolgt algorithmisch. Das System markiert fehlende oder widersprüchliche Zuordnungen und dokumentiert sämtliche Entscheidungen revisionssicher. So entsteht eine mBOM, die strukturell konsistent ist und sich über Projektvarianten hinweg stabil weiterverwenden lässt.

Verbindendes Element

Der Nutzen zeigt sich entlang der gesamten Wertschöpfung: weniger Fehler, geringerer Abstimmungsaufwand und eine einheitliche Referenz, die mit Anforderungen, Funktionen und Prüfschritten verknüpft ist. Die mBOM wird damit zum zentralen Integrationsobjekt im Digital Thread und zum verbindenden Element zwischen Engineering und Produktion.

Use Case 4: Prozessplanung als funktionales Modell

GTech entwickelte einen Funktionsbaukasten, der mechanische, elektrische und softwareseitige Prozesslogik vereint. Dieser Anwendungsfall zeigt, warum Prozesswissen ein zentraler Bestandteil des Digital Threads ist. Moderne Produktionsmaschinen bestehen aus komplexen Ablauflogiken, in denen Sensorik, Aktorik, Signalverarbeitung und Software eng verzahnt sind. Bislang wurden diese Abläufe in getrennten Dokumenten beschrieben, häufig in Excel-Listen, ergänzt durch manuelle Abstimmungen zwischen Mechanik, Elektrotechnik und Software.

Integrierte Sensor-Aktor-Liste

GTech entwickelte einen funktional strukturierten Prozessplaner, der Prozessschritte als wiederverwendbare Funktionsbausteine beschreibt. Jeder Block umfasst Prozesszeit, Grenzwerte, Sensor und Aktorbezüge sowie produktionsrelevante Parameter. Haupt- und Subprozesse lassen sich modular kombinieren, versionieren und im Projektkontext instanziieren. Die zuvor getrennte Sensor-Aktor-Liste wurde vollständig integriert – ein wesentlicher Schritt zu konsistenten, eindeutig zuordenbaren Steuerungsfunktionen.

Prozessmodelle als Grundlage

Besonders relevant ist die einheitliche Verständlichkeit: Mechanik, Elektrotechnik und Software interpretieren denselben Funktionsblock identisch. Konflikte, etwa zwischen mechanischer Taktzeit und elektrischen Schaltparametern, werden früher sichtbar. Das Werkzeug ermöglicht eine strukturierte Ableitung technischer Anforderungen. „Die funktionale Prozessbeschreibung ist die Basis, um künftig Steuerungscodes teilautomatisch erzeugen zu können“, betont Projektleiter Gerald Darilion.

HANDBUCH

Den Branchenleitfaden „TraceMe” für den digitalen roten Faden in der Praxis können Sie hier herunterladen.

TraceMe

Requirements-driven Digital Transformation Competences in Mechanical and Plant Engineering

Förderprogramm: FFG-Ausschreibung im Rahmen von #upperVISION2030 – FTI Initiative: Digitale Transformation 2021/2022

Konsortialführung: Engel Austria  

Unternehmenspartner: Braun Maschinenfabrik, framag Industrieanlagenbau, FILL, GTech Automatisierungstechnik, Kremsmüller Anlagenbau, TAT-TECHNOM-Antriebstechnik, Siemens Industry Software  

Forschungspartner: Johannes Kepler Universität Linz – Institut für Mechatronische Produktentwicklung und Fertigung, Linz Center of Mechatronics (LCM), Fachhochschule OÖ – Campus Wels, RISC Software, Software Competence Center Hagenberg (SCCH), UAR Innovation Network, LIT Law Lab

Laufzeit: 09/2022-02/2026

Dieses Projekt wurde vom Wirtschaftsressort des Landes Oberösterreich gefördert.

www.uppervision.at