Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie für flexible Produktionssysteme, die basierend auf dem Konzept von Industrie 4.0 kurzfristig auf Marktänderungen reagieren und einen hohen Individualisierungsgrad selbst bei komplexen Fertigungstechniken ermöglichen. Jedoch können tiefe neuronale Netze, die derzeit leitungsfähigsten KI-Modelle, im industriellen Umfeld derzeit nur beschränkt eingesetzt werden, da deren Parametrierung komplex ist und große Datenmengen aus den beteiligten Produktionssystemen erfordert. Denn in der Regel sind diese Daten nicht verfügbar und können aus Sicherheits-, Zeit- und Kostengründen auch nicht aus der laufenden Produktion generiert werden. Ziel des Vorhabens ist Entwicklung einer neuen Methodik für die Umsetzung datengetriebener KI-Verfahren für industrielle Produktionssystemen. Die Grundlage hierfür bildet die Abbildung von Produktionsabläufen entlang Wertschöpfungskette in einem digitalen Zwilling der Produktionsumgebung, der einerseits semantisch strukturiertes Datenmodell des realen Systems ist und andererseits das modellierte System auch simuliert und damit künftige Systemzustände prädiziert. Damit lassen sich ohne Beeinflussung der laufenden Produktion kosten- und zeiteffizient Daten für die Parametrierung und den Test von KI-Systemen virtuell generieren. Zur Umsetzung dieses Konzepts wird in diesem Vorhaben ein Workflow erarbeitet, der das "Training" von KI-Modellen am digitalen Zwilling ermöglicht. Die so generierten Modelle werden dann per Modelltransfer auf das reale Zielsystem übertragen. Die Beiträge des Vorhabens werden an konkreten Anwendungsfällen entlang der Wertschöpfungskette für die Automobilproduktion umgesetzt. Untersucht wird dabei ein bei einem Industriepartner in der Entwicklung befindliches neuartiges Fertigungskonzept, dessen Umsetzung nur mit leistungsfähigen KI-Methoden möglich ist, die in diesem Teilvorhaben gemäß des zu Beginn erarbeiteten Workflows am Digitalen Zwilling entwickelt werden.