Ein einsetzbares Digital-Twin-Framework zur Kompression von Drehmomentvorgaben für Schrauben in der Montage von EV-Fahrgestellen

Warum das für alltägliche Elektroautos wichtig ist

Moderne Elektrofahrzeuge (EV) werden durch Tausende von Schrauben zusammengehalten. Werden diese Schrauben zu locker angezogen, können Bauteile klappern oder versagen; sind sie zu fest, verschleißen Komponenten oder die Produktion verlangsamt sich. Automobilhersteller gleichen das mit langen, komplizierten Tabellen von Drehmomenteinstellungen aus – fast für jede Schraubenart eine eigene Vorgabe. Dieser Beitrag zeigt, wie ein „digitaler Zwilling“ sowohl des Fahrzeugs als auch der Fabrik diese Drehmomenttabellen drastisch vereinfachen kann, ohne die Sicherheit, Laufruhe oder Wirtschaftlichkeit der EV‑Produktion zu beeinträchtigen.

Wie Schrauben und Fabrikrhythmus zusammenhängen

In einem EV‑Fahrgestell müssen Schrauben jahrelange Schwingungen, Kurvenfahrten, Bremsvorgänge und die pulsierten Kräfte des elektrischen Antriebs aushalten. Ingenieure gehen meist auf Nummer sicher und vergeben viele leicht unterschiedliche Drehmomentziele an verschiedene Schraubengruppen. Jede spezifische Vorgabe erfordert jedoch eigene Werkzeugprogramme und Greifer, was die Produktion verlangsamt und die Einsatzplanung für fahrerlose Transportsysteme (AGVs) erschwert. Die Autoren betrachten dies als Problem des Gesamtsystems: Lassen sich Drehmomente im Fahrzeug standardisieren und zugleich Sicherheitsreserven wahren sowie die Montagelinie reibungslos und kostengünstig betreiben?

Eine virtuelle Fabrik, die vorhersagt, optimiert und doppelt prüft

Das Team entwickelt einen einsetzbaren digitalen Zwilling, der sowohl die Mechanik verschraubter Verbindungen als auch die realen Bedingungen auf dem Werkstattboden abbildet. Eine Schicht modelliert, wie ein vorgegebenes Drehmoment in die Klemmkraft übersetzt wird, die Bauteile zusammenhält – unter Berücksichtigung von Reibung, Schraubengeometrie, Verschleiß durch Wiederverwendung und der dreidimensionalen Vibrationsumgebung jeder Verbindung. Sie prüft, ob Schrauben unter Worst‑Case‑Belastungen Ermüdungs‑ und Sicherheitsgrenzen einhalten. Eine zweite Schicht beobachtet Anzugs‑„Signaturen“ – die Drehmoment‑gegen‑Winkel‑Kurven, die beim Eindrehen jeder Schraube aufgezeichnet werden – und verwendet ein modernes Sequenzlernmodell, um die Wahrscheinlichkeit zu schätzen, dass eine Verbindung später abgelehnt wird. Eine dritte Schicht bildet die Linienlogistik ab, einschließlich AGV‑Fahrzeiten, Auslastung der Arbeitsplätze und der Auswirkungen von Werkzeug‑ oder Drehmomentwechseln auf die Gesamtanlageneffektivität.

Auf der Suche nach besseren Drehmomenttabellen, nicht nur einer „besten“ Lösung

Da es keinen einzigen perfekten Kompromiss zwischen Qualität, Kosten und Geschwindigkeit gibt, nutzen die Autoren einen multi‑objektiven Suchalgorithmus, der vom Verhalten von Schwärmen inspiriert ist. Jedes „Partikel“ in diesem Schwarm kodiert eine vollständige Drehmomenttabelle plus zugehörige Entscheidungen wie die benötigte Anzahl an Arbeitsplätzen und die AGV‑Routen. Der Schwarm erkundet Kombinationen, die erwartete Ausschussraten und Stückkosten reduzieren und gleichzeitig strikte Sicherheitsregeln, eine Obergrenze für Ablehnungsraten sowie praktische Grenzen für Vibration und Reibung einhalten. Nahe‑Grenzlösungen werden durch minimale Drehmomentanpassungen zurück in den sicheren Bereich geschubst, und ein externer Archivspeicher behält die vielversprechendsten Kompromisse. Entscheidenderweise werden die besten Kandidaten periodisch von einer höherauflösenden Version des digitalen Zwillings erneut bewertet, die Unsicherheiten propagiert und als Freigabetor fungiert, bevor eine Einstellung in der Produktion genehmigt wird.

Von der Simulation zu echten EVs auf der Straße

Der Workflow wurde an drei verwandten EV‑Plattformen getestet und anschließend ein Jahr lang in einer Industrieanlage mit 5.524 gefertigten Fahrzeugen eingesetzt. Der digitale Zwilling lernt plattformspezifische Details wie Masse und Radstand, findet aber sehr ähnliche „Kniepunkte“ – Betriebsbereiche, in denen ein kleiner Kostenanstieg einen großen Qualitätsgewinn bringt. Mit diesen Erkenntnissen komprimieren Ingenieure die Drehmomenttabelle von 23 verschiedenen Einstellungen auf 8 und reduzieren so die Anzahl an Werkzeug‑ und Programmvarianten um etwa zwei Drittel. Diese Vereinfachung senkt Wechselvorgänge der Endeffektoren um 31 % und die Leerlaufzeiten der AGVs um 14 %, während die gemessenen Schraubenlockerungsraten zwischen 0,01 % und 0,05 % bleiben – innerhalb des internen Zielwerts des Unternehmens. Plausibilitätsprüfungen durch Straßentests auf unterschiedlichen Oberflächen bestätigen, dass die standardisierten Drehmomente auch unter realen Vibrationsbedingungen gegen Lockerung schützen.

Was das für Fahrer und Fabriken bedeutet

Für Laien lautet die Botschaft: Intelligente virtuelle Modelle erlauben es Herstellern, an weniger Stellschrauben zu drehen, ohne die Sicherheit zu verringern. Indem physikbasierte Modelle, datengestützte Qualitätsvorhersage und Fabriklogistik in einem geschlossenen Regelkreis verknüpft werden, findet das vorgeschlagene Framework Drehpläne, die EV‑Fahrgestellschrauben sichern und gleichzeitig die Produktion straffen. Das Ergebnis ist ein konsistenterer Aufbauprozess, weniger verlorene Zeit und Werkzeuge sowie leise zuverlässige Fahrzeuge – Vorteile, die nicht nur für ein Modell, sondern über mehrere verwandte Plattformen hinweg gelten.

Zitation: Wang, H., Huang, Z., Lan, Z. et al. A deployable digital twin framework for bolt-torque specification compression in EV chassis assembly. Sci Rep 16, 13164 (2026). https://doi.org/10.1038/s41598-026-43641-2

Schlüsselwörter: Montage von Elektrofahrzeugen, Schraubenanzug, Digitaler Zwilling, Fabrikoptimierung, Multi‑Ziel‑Algorithmen