Im Hafen stehen Energie und Verkehrsfluss im Vordergrund, in der Flotte Zustand und Wartung.
In ports, the focus is on energy and traffic flow; in fleets, on condition and maintenance.
Bei Infrastruktur- und Energiefragen: Landstrom, Netzlasten und Terminalauslastung.
In infrastructure and energy questions: shore power, grid loads and terminal utilisation.
Bei komplexen Energiesystemen und Zustandsprognosen.
For complex energy systems and condition forecasting.
Zu breiter Anspruch, unklare Verantwortung oder schwache Datenpflege.
Too broad a scope, unclear ownership or weak data management.
Ein Digital Twin ist kein 3D-Modell. In der technischen Realität besteht er aus drei Schichten: dem physischen Asset mit seinen Sensoren und Datenquellen, dem digitalen Modell das physikalische oder statistische Zusammenhänge abbildet, und der Analyseschicht die Szenarien berechnet oder Abweichungen erkennt.
In der Hafenwelt fokussiert sich die Modellschicht typischerweise auf Energieflüsse. Ein Hafen-Twin kann die Netzlast in Abhängigkeit von Schiffsankünften, Landstromverbindungen und lokaler Erzeugung simulieren. Das ist operativ relevant, weil Hafenbetreiber damit Spitzenlasten vorhersagen und Investitionen in Transformatoren oder Speicher planen können. Die Datengrundlage umfasst AIS-Daten, Fahrpläne, Wetterdaten und Echtzeit-Messwerte aus dem Stromnetz.
In der Flottenwelt ist der Anwendungsfall anders gelagert. Hier geht es primär um den Zustand einzelner Systeme: Hauptmaschine, Hilfsdiesel, Turbolader, Separatoren. Ein Flotten-Twin verbindet Sensordaten (Temperaturen, Drücke, Vibrationen, Drehzahlen) mit einem Modell des erwarteten Verhaltens. Weicht das reale Verhalten signifikant ab, kann das auf einen sich entwickelnden Schaden hindeuten – etwa Fouling am Turbolader oder eine nachlassende Zylinderleistung.
Die technische Herausforderung liegt nicht im Modell selbst, sondern in der Datenverfügbarkeit und -qualität. Viele Bordsensoren liefern Daten in proprietären Formaten, die nicht ohne Weiteres in ein Twin-System integriert werden können. Die Bandbreite für die Datenübertragung ist begrenzt, und die Latenz beträgt oft Stunden statt Sekunden. Ein funktionierender Flotten-Twin muss mit diesen Einschränkungen arbeiten können – das unterscheidet ihn fundamental von Twins in der stationären Industrie.
A digital twin is not a 3D model. In technical reality, it consists of three layers: the physical asset with its sensors and data sources, the digital model that represents physical or statistical relationships, and the analytics layer that calculates scenarios or detects deviations.
In the port world, the model layer typically focuses on energy flows. A port twin can simulate grid load as a function of vessel arrivals, shore power connections and local generation. This is operationally relevant because it enables port operators to predict peak loads and plan investments in transformers or storage. The data foundation encompasses AIS data, schedules, weather data and real-time measurements from the power grid.
In the fleet world, the use case differs fundamentally. Here the focus is primarily on the condition of individual systems: main engine, auxiliary diesels, turbochargers, separators. A fleet twin connects sensor data (temperatures, pressures, vibrations, speeds) with a model of expected behaviour. If actual behaviour deviates significantly, this may indicate a developing fault – such as turbocharger fouling or declining cylinder performance.
The technical challenge lies not in the model itself but in data availability and quality. Many onboard sensors deliver data in proprietary formats that cannot be readily integrated into a twin system. Bandwidth for data transmission is limited, and latency is often hours rather than seconds. A functioning fleet twin must be able to work within these constraints – this distinguishes it fundamentally from twins in stationary industry.
Ein Digital Twin liefert Wert, wenn er eine konkrete operative Frage beantwortet. Im Hafen: Reicht die Landstromkapazität für die geplanten Anläufe nächste Woche? In der Flotte: Wie entwickelt sich der spezifische Kraftstoffverbrauch der Hauptmaschine über die letzten sechs Monate, und deutet der Trend auf Wartungsbedarf hin?
Keinen Wert liefert ein Twin, der als Visualisierung existiert, ohne dass jemand die Ergebnisse operativ nutzt. Das ist in der Praxis häufiger als man erwarten würde. In etlichen Pilotprojekten wurde ein aufwendiger Twin aufgebaut, die Ergebnisse aber nie in bestehende Entscheidungsprozesse integriert. Der Superintendent schaut weiterhin auf seine bewährten Parameter und ignoriert das Dashboard, weil er dem Modell nicht vertraut oder weil die Daten zu alt sind.
Ein weiterer kritischer Punkt ist die Wartung des Twin selbst. Modelle müssen kalibriert und aktualisiert werden, wenn sich das physische Asset verändert – nach einer Überholung, einem Retrofitting oder einem Wechsel des Brennstofftyps. Ohne diese Pflege driftet das Modell von der Realität ab und produziert Fehlalarme, die das Vertrauen der Nutzer zerstören.
A digital twin delivers value when it answers a concrete operational question. In the port: is shore power capacity sufficient for the planned calls next week? In the fleet: how has the main engine's specific fuel consumption developed over the past six months, and does the trend indicate maintenance is needed?
A twin delivers no value when it exists as a visualisation without anyone using the results operationally. This is more common in practice than one might expect. In numerous pilot projects, an elaborate twin was built, but the results were never integrated into existing decision-making processes. The superintendent continues looking at his proven parameters and ignores the dashboard because he does not trust the model or because the data is too stale.
A further critical point is maintenance of the twin itself. Models must be calibrated and updated when the physical asset changes – following an overhaul, a retrofit or a fuel-type switch. Without this upkeep, the model drifts from reality and produces false alarms that destroy user confidence.
Im Hafensektor sind Digital Twins weiter fortgeschritten als in der Flotte. Das hat praktische Gründe: Häfen sind stationäre Assets mit zuverlässiger Konnektivität und kontrollierbarer Sensorinfrastruktur. Größere europäische Häfen nutzen bereits Twins für die Energieplanung im Kontext der EU-Anforderungen an Landstromversorgung. Rotterdam, Hamburg und Antwerpen haben Pilotprojekte in unterschiedlichen Reifegraden.
Im Flottensegment ist die Situation heterogener. Große Tanker- und Containerreedereien mit homogenen Flotten und hohem Digitalisierungsgrad setzen Twins für Performance-Monitoring und Voyage-Optimierung ein. Kleinere Bulker-Betreiber hingegen kämpfen noch mit grundlegenden Datenqualitätsproblemen, die einen sinnvollen Twin unmöglich machen.
Die Lektion daraus ist klar: Ein Digital Twin ist kein Einstiegswerkzeug. Er setzt voraus, dass die darunter liegenden Daten- und Prozessschichten bereits funktionieren. Wer seine Running Hours nicht zuverlässig erfasst, braucht keinen Twin – sondern zunächst ein funktionierendes PMS.
In the port sector, digital twins are more advanced than in the fleet. The reasons are practical: ports are stationary assets with reliable connectivity and controllable sensor infrastructure. Larger European ports already use twins for energy planning in the context of EU shore power requirements. Rotterdam, Hamburg and Antwerp have pilot projects at various stages of maturity.
In the fleet segment, the situation is more heterogeneous. Large tanker and container operators with homogeneous fleets and a high degree of digitalisation deploy twins for performance monitoring and voyage optimisation. Smaller bulker operators, by contrast, still struggle with fundamental data quality problems that make a meaningful twin impossible.
The lesson is clear: a digital twin is not an entry-level tool. It presupposes that the underlying data and process layers are already functioning. An operator that does not reliably capture its running hours does not need a twin – it needs a functioning PMS first.
Drei Fragen entscheiden darüber, ob ein Twin-Projekt sinnvoll ist: 1) Ist die Datenqualität für die relevanten Parameter ausreichend? Das heißt: werden Sensordaten zuverlässig erfasst, übertragen und gespeichert? 2) Gibt es einen konkreten operativen Use Case, der mit den vorhandenen Werkzeugen nicht ausreichend abgedeckt wird? 3) Ist ein operativer Eigentümer benannt, der das Twin-Projekt langfristig betreut?
Wenn auch nur eine dieser Fragen mit Nein beantwortet wird, sollte die Investition in einen Twin zurückgestellt und stattdessen in die Grundlagen investiert werden. Das ist keine Schwäche, sondern ingenieursmäßige Vernunft. Ein Twin auf schwachem Fundament ist teurere Datenvisualisierung – nicht mehr.
Three questions determine whether a twin project is sensible: 1) Is data quality for the relevant parameters sufficient? That is: are sensor data reliably captured, transmitted and stored? 2) Is there a concrete operational use case that is not adequately covered by existing tools? 3) Has an operational owner been named to maintain the twin project long-term?
If even one of these questions is answered with no, the investment in a twin should be deferred and the funds directed into foundations instead. This is not weakness but engineering prudence. A twin on a weak foundation is expensive data visualisation – nothing more.
Unverbindliches Erstgespräch – wir analysieren Ihre Situation und finden den besten Weg.Free initial consultation – we analyze your situation and find the best path forward.
Beratung anfragenRequest Consulting