sdecoret - stock.adobe.com
3 Fragen, die bei Tests digitaler Zwillinge wichtig sind
Ist Ihr Team darauf vorbereitet, die richtigen Daten zu erfassen, damit Ihre digitalen Zwillinge genau und effektiv getestet werden? Was bei den Tests zu beachten ist.
Digitale Zwillinge sind ein beliebtes Mittel, um physische Dinge wie Autos, Fabriken und Gebäude sowie unbewegliche Einheiten wie Geschäftsprozesse, Lieferketten und sogar städtische Infrastruktur zu modellieren und zu testen.
Teresa Tung, Cloud-First Chief Technologist bei Accenture, beschreibt digitale Zwillinge als eine Möglichkeit für Unternehmen, „die physische Produktentwicklung auf die gleiche Weise zu transformieren, wie sich die Softwareproduktentwicklung vom Wasserfallmodell zu Agile entwickelt hat.“
Der Hauptunterschied zwischen den traditionellen Modellierungs-Workflows, die zum Testen verwendet werden, und dem Ansatz des digitalen Zwillings besteht darin, dass letzterer auf kontinuierlichen Aktualisierungen von Daten aus der realen Welt basiert. Systeme, die für die Unterstützung digitaler Zwillinge entwickelt wurden, verfügen in der Regel über eine Reihe von semantischen Schemata, die dabei unterstützen, die Punkte zwischen den verschiedenen Ansichten der simulierten und realen Komponenten zu verbinden.
Diese Art von Schemata kann Teams aus der Elektrotechnik, dem Maschinenbau und anderen Bereichen der Technik dabei unterstützen, Design- und Leistungskompromisse in einer einzigen Ansicht zu untersuchen, anstatt Daten zwischen verschiedenen Tools und Dashboards zu übertragen. Der Ansatz des digitalen Zwillings ist jedoch nicht immer zuverlässig, und Unternehmen, die ihn effektiv implementieren wollen, müssen sich drei wichtige Fragen stellen, die sich um die Datenintegrität, den geschäftlichen Kontext und die Genauigkeit der bestehenden Testverfahren drehen.
Kann man dem digitalen Zwilling trauen?
Bryan Kirschner, Vice President of Strategy beim Datenmanagementanbieter DataStax, empfiehlt Qualitätssicherungsteams, besonders darauf zu achten, wie der Zustand der realen Welt und des digitalen Zwillings voneinander abweichen können. Die Testteams müssen Szenarien testen, die die Bandbreite der Bedingungen definieren, unter denen der Zwilling als maßgebliche Quelle der Wahrheit vertrauenswürdig ist.
„Das Ziel des Testens verlagert sich von ‚Wie gut funktioniert dieses System?‘ zu ‚Kann man ihm als maßgebliche Quelle der Wahrheit vertrauen?‘“, sagt Kirschner und betont, wie wichtig es ist, alle spezifischen Szenarien zu identifizieren, in denen die Daten des Zwillings möglicherweise keine genaue Darstellung der realen Bedingungen sind. Um dies zu erreichen, müssen Qualitätssicherungsteams sicherstellen, dass das zugrunde liegende Design der digitalen Zwillinge mit den bestehenden Testabläufen eines Unternehmens übereinstimmt.
Nach Angaben von Jim Christian, Chief Product and Technology Officer bei mCloud Technologies, verwendet sein Unternehmen einen digitalen Zwilling zum Beispiel, um Datenverarbeitungssysteme mit hohem Volumen zu modellieren und zu simulieren, um die operative Leistung in Echtzeit zu testen. Zu diesem Zweck werden die digitalen Zwillinge mit einer modularen Architektur entworfen, so dass Teile sowohl einzeln als auch gemeinsam getestet werden können, um die Datenintegrität besser im Auge zu behalten.
Ist der Kontext klar?
Laut Siva Anna, Senior Director of Enterprise QA beim Anbieter digitaler Dienstleistungen Apexon, ist es wichtig, sorgfältig zu überlegen, welche Datenpunkte Testteams aus realen Quellen für die Verwendung mit digitalen Zwillingen sammeln. Eine erfolgreiche Implementierung des digitalen Zwillings hängt von der Erfassung spezifischer, wichtiger Parameter ab, die zur Kalibrierung der Leistung und zur Verbesserung des Designs beitragen. Testteams sollten bedenken, dass die verschiedenen Sensoren, die Daten in digitale Zwillingssysteme einspeisen, wahrscheinlich mehrere Datenformate und Qualitätsstufen umfassen, die sauber in einer einzigen Ansicht konsolidiert werden müssen.
"Die Testteams sollten auch mit den Entwicklern zusammenarbeiten, um den Kontext zu verstehen, der durch Anwendungsfälle ausgedrückt wird", sagt Puneet Saxena, Vice President of Supply Chain Planning bei Blue Yonder. Bei der integrierten Nachfrage- und Angebotsplanung für Hersteller wird beispielsweise ein digitaler Zwilling verwendet, um eine physische Lieferkette in einem detaillierten Softwaremodell darzustellen, das sowohl physische Dinge wie Lagerartikel, geografische Standorte oder automatisierte Maschinen als auch abstrakte Entitäten wie Stücklisten, Durchschnittswerte für Zykluszeiten und Produktionsratenziele repräsentiert.
„Je realistischer die Darstellung der physischen Realität in der Softwaredomäne ist, desto besser ist das Ergebnis“, sagt Saxena. Ein digitaler Zwilling einer Lieferkette kann Unternehmen beispielsweise dabei unterstützen, realistische Produktionsrichtwerte für eine bestimmte Produktionsanlage zu ermitteln, und zwar auf der Grundlage von Vorhersagen darüber, was diese Anlage angesichts der bestehenden Nachfrage, der Verfügbarkeit von Rohstoffen, der Arbeitsablaufpläne oder anderer Faktoren im Zusammenhang mit den Produktionskapazitäten produzieren kann.
Sind die Tests umfassend und genau?
Scott Buchholz, Managing Director Government & Public Services CTO bei Deloitte Consulting, ist überzeugt, dass Qualitätssicherungsteams auch digitale Zwillingstests für neue Steuerungssysteme entwickeln müssen, die die Ergebnisse in Bezug auf das erwartete Verhalten und die Fehlermodi für die reale Anlage und den digitalen Zwilling bei Verwendung der Steuerungssoftware vergleichen.
Die Testteams müssen Abweichungen zwischen dem simulierten und dem realen Verhalten beheben; diese können auf einen Fehler im Zwilling, in der Software oder in beiden hinweisen. Die Anzahl, Art und Komplexität der Tests hängt von der Kritikalität des Systems ab. Ein Softwarekontrollsystem für einen autonomen Zug zum Beispiel ist wahrscheinlich kritischer als die Software, die ein Thermostatsystem in einem Haus steuert. Letztendlich sollten die Tests sicherstellen, dass die Endergebnisse die erwarteten Ergebnisse innerhalb vordefinierter Toleranzgrenzen widerspiegeln. Buchholz verweist darauf, dass diese Tests besondere Priorität vor anderen haben sollten.
In gewisser Weise ähnelt die Implementierung eines digitalen Zwillings der Einführung der testgesteuerten Entwicklung, bei der Softwareteams automatisierte Testsuiten erstellen, bevor sie überhaupt mit dem Schreiben von Code beginnen. In der testgesteuerten Entwicklung können Fehler sowohl in den Testfällen als auch in der Software auftreten. Abhängig von der Komplexität der automatisierten Tests und der Größe des Teams können diese von einem Qualitätssicherungsteam, einem Kernentwicklungsteam oder einem anderen speziellen Anwendungswartungsteam debuggt und gewartet werden, je nach Komplexität und zugrunde liegender Technologie des digitalen Zwillings selbst.
