Die Asset Administration Shell macht digitale Zwillinge in der Produktion praktikabel – von OEE und Service bis PCF. So starten Sie standardisiert und wirtschaftlich.
Asset Administration Shell: Digitaler Zwilling, der sich rechnet
Wer heute eine neue Fertigungslinie plant, kommt an digitalen Zwillingen nicht mehr vorbei. In vielen deutschen Werken – gerade in der Automobilindustrie – stehen aber immer noch isolierte Anlagen, proprietäre Schnittstellen und Excel-Listen nebeneinander. Das Ergebnis: Datenchaos statt Datenstrategie.
Die Asset Administration Shell (AAS) ist der wichtigste Baustein, um aus diesem Flickenteppich eine durchgängige, KI-fähige Datenbasis zu machen. Sie übersetzt Maschinen, Produkte und Komponenten in einen standardisierten digitalen Zwilling – und zwar so, dass er in Stuttgart genauso funktioniert wie in Wolfsburg, Shanghai oder Spartanburg.
Dieser Beitrag zeigt praxisnah, wie Sie die Asset Administration Shell Schritt für Schritt nutzen können, um digitale Zwillinge in der Produktion – insbesondere in der deutschen Automobil- und Zulieferindustrie – schnell, standardkonform und wirtschaftlich sinnvoll umzusetzen.
Was die Asset Administration Shell in der Produktion wirklich bringt
Die Asset Administration Shell ist der standardisierte Datencontainer für den digitalen Zwilling eines Assets – egal ob Roboter, Schweißzange, Prüfstand oder komplettes Fahrzeug. Sie bündelt alle relevanten Informationen und macht sie für andere Systeme eindeutig nutzbar.
Für Produktionsunternehmen ergeben sich drei zentrale Effekte:
-
Interoperabilität statt Datensilos
Maschinen unterschiedlicher Hersteller können über AAS-Teilmodelle nach einheitlichen Strukturen miteinander „reden“. Das ist die Basis für durchgängige Industrie‑4.0‑Szenarien und KI-Anwendungen. -
Schnellere Projekte und weniger Integrationsaufwand
Statt jedes Mal neue Schnittstellen zu definieren, greifen Teams auf standardisierte Teilmodelle zurück – viele davon werden über IDTA und Projekte wie InterOpera bereits gemeinsam mit der Industrie spezifiziert. -
Messbare Business‑Effekte
Unternehmen berichten typischerweise von:- deutlich verkürzten Anlaufzeiten neuer Anlagen
- weniger Fehlern durch klare Datenstrukturen
- besserer Auswertbarkeit von Prozess- und Qualitätsdaten
Ein digitaler Zwilling lohnt sich erst dann wirklich, wenn er standardisiert, interoperabel und wiederverwendbar ist – genau hier setzt die Asset Administration Shell an.
Bausteine des digitalen Zwillings: So ist die AAS aufgebaut
Der Kern der AAS ist einfach: ein Metamodell plus flexibel kombinierbare Teilmodelle.
Metamodell: Die Struktur hinter dem digitalen Zwilling
Das AAS-Metamodell legt fest, wie Informationen grundsätzlich strukturiert werden:
- welches Asset beschrieben wird (z. B. Roboterarm, Schweißzange, Getriebe)
- wie Identifikatoren vergeben werden (eindeutig, global referenzierbar)
- in welchen Teilmodellen Informationen gebündelt werden
Dadurch entsteht eine einheitliche „Sprache“, die unabhängig vom Hersteller funktioniert. Für OEMs und Tier‑1‑Zulieferer ist das Gold wert, weil sie ihre komplexen Lieferketten datenmäßig in den Griff bekommen.
Teilmodelle: Fachliche Sicht auf das Asset
Teilmodelle sind thematische Pakete innerhalb der AAS. Typische Beispiele aus der Produktion:
- Nameplate / Stammdaten: Hersteller, Typ, Seriennummer, technische Basisdaten
- Betriebsdaten: Zyklen, Temperaturen, Laufzeiten, Prozessparameter
- Wartung & Service Lifecycle: Wartungsintervalle, Zustandsinformationen, Service-Historie
- Sicherheit & Compliance: Normen, Freigaben, Prüfzertifikate
- Product Carbon Footprint (PCF): CO₂‑Daten über den gesamten Lebenszyklus
Der Clou:
- Teilmodelle werden durch die IDTA und Initiativen wie InterOpera standardisiert.
- Unternehmen müssen das Rad nicht neu erfinden, sondern können auf offene Vorlagen zugreifen.
- Neue Anwendungsfälle lassen sich durch die Kombination vorhandener Teilmodelle deutlich schneller realisieren.
Gerade beim PCF-Teilmodell zeigt sich der Mehrwert: CO₂‑Daten werden nicht mehr in PDF-Berichten versteckt, sondern stehen standardisiert und maschinenlesbar für Reporting, ESG‑Audits und Lieferantenaustausch bereit.
Typische Anwendungsfälle in der Automobilproduktion
Die AAS ist kein Forschungsspielzeug, sondern passt sehr gut zu den aktuellen Herausforderungen der deutschen Automobilindustrie: Dekarbonisierung, Software-defined Vehicle, flexible Produktion, KI‑gestütztes Qualitätsmanagement.
1. Transparente Produktion und OEE‑Optimierung
Mit digitalen Zwillingen auf Basis der AAS können Produktionsunternehmen:
- OEE-Daten (Overall Equipment Effectiveness) sauber strukturiert erfassen
- Stillstände und Mikrostopps eindeutig zuordnen
- Prozessdaten verschiedener Anlagenteile in einem durchgängigen Modell abbilden
Beispiel: In einer Karosseriefertigung werden Roboter, Fördertechnik und Schweißanlagen jeweils als AAS modelliert. Über ihre Teilmodelle lassen sich Prozessabweichungen schnell bis auf das betroffene Asset zurückverfolgen. KI‑Modelle können darauf aufsetzen, um Muster für künftige Störungen zu erkennen.
2. Service Lifecycle Management & Condition Monitoring
Mit AAS‑Teilmodellen für Wartung und Zustand lassen sich:
- Ersatzteilverfügbarkeit planen
- Serviceeinsätze vorausschauend disponieren
- Remote Services standardisiert umsetzen
Ein Zulieferer kann seinen OEMs z. B. für jede gelieferte Anlage einen AAS‑basierten digitalen Zwilling mitliefern. Dieser Zwilling ist Grundlage für:
- zustandsbasierte Wartung (Condition Monitoring)
- automatisierte Service-Tickets
- digitale Serviceverträge über den Lebenszyklus
3. Product Carbon Footprint (PCF) entlang der Lieferkette
Das PCF‑Teilmodell trifft den Nerv der Zeit. Ab 2025/2026 verschärfen sich Berichtspflichten (CSRD, Lieferkettengesetze), OEMs verlangen belastbare CO₂‑Daten von ihren Lieferanten.
Die AAS ermöglicht:
- standardisierte Erfassung aller CO₂‑relevanten Daten für ein Bauteil oder eine Anlage
- durchgängige Weitergabe entlang der Supply Chain
- automatisierte Auswertung in ESG‑Tools, ohne individuelle Schnittstellen
Wer als Zulieferer hier früh auf AAS setzt, verschafft sich einen klaren Wettbewerbsvorteil in Ausschreibungen.
4. GenAI für AAS: Von der Datenstruktur zum Assistenten
Spannend wird es, wenn Generative KI auf standardisierte AAS‑Strukturen trifft. Beispiele:
- natürliche Sprachabfragen: „Zeig mir alle Roboter vom Typ X mit mehr als 20.000 Betriebsstunden und erhöhter Störungsrate.“
- automatische Generierung von Wartungsanweisungen auf Basis der im Teilmodell hinterlegten Daten
- Assistenzsysteme für Instandhalter, die direkt auf Runtime‑AAS zugreifen
Ohne standardisierte Struktur ist GenAI im industriellen Kontext oft nur ein Spielzeug. Die AAS liefert die nötige Datenqualität und Eindeutigkeit.
So starten Sie pragmatisch: Vorgehensmodell für Unternehmen
Viele Unternehmen scheitern nicht an der Technologie, sondern an der Frage: Wo anfangen? Die Inhalte des Fraunhofer‑IPA‑Workshops zeigen ein erprobtes Vorgehen, das sich in der Praxis bewährt hat.
Schritt 1: Klaren Anwendungsfall definieren
Statt eine „AAS‑Strategie“ im luftleeren Raum zu erarbeiten, wählen Sie einen konkreten, überschaubaren Use Case, zum Beispiel:
- digitalen Zwilling für eine kritische Anlage in der Montage
- AAS‑basiertes PCF‑Reporting für ein Pilotprodukt
- standardisierte Wartungsdaten für ausgewählte Maschinen
Fragen Sie sich:
- Wo sind aktuell Medienbrüche und Excel‑Wüsten?
- Wo entsteht regelmäßig manueller Datenaufwand?
- Wo fordert der OEM bereits strukturierte Daten an?
Schritt 2: Realen Prozess modellieren
Im nächsten Schritt wird der reale Prozess fachlich beschrieben und modelliert:
- Welche Assets spielen im Anwendungsfall eine Rolle?
- Welche Daten braucht welcher Stakeholder (Produktion, Qualität, Instandhaltung, Einkauf)?
- Welche Daten existieren bereits, welche müssen neu erhoben werden?
Hier zahlt sich die interdisziplinäre Zusammenarbeit aus: IT, OT, Produktion und Qualität sollten gemeinsam am Tisch sitzen.
Schritt 3: Passende Teilmodelle auswählen
Basierend auf der Prozesssicht wählen Sie die relevanten AAS‑Teilmodelle aus:
- Gibt es bereits standardisierte Teilmodelle (z. B. Nameplate, PCF, Maintenance)?
- Wo sind Ergänzungen oder unternehmensspezifische Erweiterungen sinnvoll?
Ziel ist ein schlanker, aber vollständiger Satz von Teilmodellen, der den Anwendungsfall abbildet – nicht mehr und nicht weniger.
Schritt 4: Technische Umsetzung mit Open‑Source‑Werkzeugen
Für den Einstieg müssen Sie kein großes Softwareprojekt aufsetzen. Der Workshop zeigt u. a. diese Tools:
- AASX Package Explorer: zum Erstellen und Bearbeiten von AAS und Teilmodellen
- BaSyx SDK: Open‑Source‑Bibliothek zur technischen Umsetzung der AAS
- AAS Server & Registry: für Ablage, Auffindbarkeit und Runtime‑Nutzung von AAS
Damit können Sie:
- eine erste AAS für ein Asset modellieren
- Teilmodelle zuweisen und befüllen
- den digitalen Zwilling in einer einfachen Demo‑Umgebung zur Laufzeit beobachten
Schritt 5: Vom Pilot zum Rollout
Wenn der Pilot steht und fachlich Mehrwert liefert, folgt der Transfer:
- Integration in bestehende IT/OT‑Landschaft (MES, ERP, PLM, IIoT‑Plattform)
- Definition von Governance‑Regeln (Wer pflegt welche Teilmodelle? Welche Qualitätskriterien gelten?)
- Skalierung auf weitere Anlagen, Linien, Werke und Lieferanten
Der entscheidende Erfolgsfaktor: konsequent wiederverwenden, was im Pilot entstanden ist – insbesondere:
- Teilmodell‑Definitionen
- Datenmapping und Konnektoren
- Dokumentation und Guidelines
Warum sich ein AAS‑Workshop gerade jetzt lohnt
Zwischen Green Deal, CSRD, Fachkräftemangel und KI‑Hype stehen Produktionsunternehmen 2025 massiv unter Druck. Viele wissen, dass sie ihre Datenbasis ordnen müssen, schieben das Thema aber vor sich her, weil es komplex wirkt.
Ein fokussierter Präsenz‑Workshop wie „Asset Administration Shell: Der Weg zur Implementierung digitaler Zwillinge“ am Fraunhofer IPA unterstützt genau an den kritischen Stellen:
- Klarheit statt Buzzwords: Was ist AAS, was nicht? Wo passt sie in Ihre Digitalstrategie?
- Anwendungsfälle statt Folien: Teilnehmer entwickeln eigene Use Cases auf Basis ihrer Realität im Werk.
- Hands‑on mit realen Tools: AASX Package Explorer, BaSyx SDK, AAS Server und Registry werden live genutzt.
- Einordnung des PCF‑Teilmodells: Wie lassen sich CO₂‑Daten konkret in die eigenen Prozesse integrieren?
- Blick nach vorn: Beispiele zu Service Lifecycle Management und GenAI‑Szenarien auf Basis der AAS.
Die Zielgruppe ist bewusst breit gefasst – von Führungskräften und Management bis zu Technikern und Digitalisierungsbeauftragten. Das ist sinnvoll, weil AAS‑Projekte nur funktionieren, wenn fachliche Anforderungen und technische Umsetzung zusammenspielen.
Fazit: AAS als Fundament für KI und digitale Zwillinge in der Produktion
Die Asset Administration Shell ist kein weiteres IT‑Framework, das man „auch mal anschauen könnte“, sondern die praktische Voraussetzung für skalierbare digitale Zwillinge in der Industrie. Wer in der deutschen Automobil- und Zulieferindustrie ernsthaft KI, Condition Monitoring, PCF‑Transparenz oder Service‑Modelle aufbauen will, kommt an einem strukturierten AAS‑Ansatz nicht vorbei.
Der Einstieg muss nicht kompliziert sein:
- konkreten Use Case wählen
- Prozess und beteiligte Assets modellieren
- passende Teilmodelle auswählen
- AAS mit Open‑Source‑Tools umsetzen
- Pilot bewerten und skaliert ausrollen
Wer diesen Weg jetzt geht, verschafft sich einen deutlichen Vorsprung – fachlich, technologisch und gegenüber Kunden, die zunehmend standardisierte, belastbare Daten erwarten. Die eigentliche Frage ist daher weniger, ob Sie auf die Asset Administration Shell setzen, sondern wie schnell Sie starten wollen.