Rozwijanie metod i zastosowań bliźniaków cyfrowych

Wprowadzenie

W ciągu ostatnich dwóch dekad bliźniaki cyfrowe stały się potężnym narzędziem wykorzystywanym m.in. w predykcyjnym utrzymaniu ruchu i optymalizacji wydajności, znacząco podnosząc jakość podejmowania decyzji.

Bliźniaki cyfrowe to wirtualne odwzorowania rzeczywistych systemów, procesów lub obiektów, które są na bieżąco aktualizowane przy użyciu danych w czasie rzeczywistym. Mogą przyjmować postać modeli opartych na zasadach fizyki, symulacji, modeli statystycznych itp., odzwierciedlając właściwości i zachowania swoich rzeczywistych odpowiedników. Tradycyjne bliźniaki cyfrowe opierają się jednak w dużej mierze na modelach fizycznych (czyli odwzorowaniach rzeczywistych systemów zgodnych z prawami fizyki), które mogą być ograniczone przez dostępność dokładnych danych oraz złożoność modelowanego systemu.

W niniejszym artykule przedstawiono nowatorskie podejścia, oparte na dynamice systemów (SD) oraz uczeniu maszynowym (ML), które poszerzają definicję bliźniaków cyfrowych. Metody te mogą umożliwić zastosowanie koncepcji cyfrowego odwzorowania również w tych obszarach, w których stworzenie w pełni odwzorowanego modelu fizycznego odpowiednika nie jest możliwe. Poprzez integrację tych podejść dążymy do opracowania nowatorskich, elastycznych i adaptacyjnych bliźniaków cyfrowych, które będą dostarczać użytecznych informacji wspierających podejmowanie decyzji w różnych sektorach przemysłu.

Kontekst

Bliźniaki cyfrowe definiuje się jako wirtualne modele odzwierciedlające zachowanie i efektywność swoich fizycznych odpowiedników dzięki integracji z danymi w czasie rzeczywistym oraz symulacjom. Bliźniak cyfrowy składa się z trzech głównych komponentów: modelu wirtualnego, który umożliwia odwzorowanie i integrację systemu; częstotliwości odświeżania, która dostarcza informacje z systemu rzeczywistego do aktualizacji modelu; oraz możliwości symulacyjnych, pozwalających na testowanie i ocenę alternatywnych scenariuszy (np. przyszłych stanów, różnych konfiguracji itp.). Kluczowe technologie umożliwiające funkcjonowanie bliźniaków cyfrowych to m.in. urządzenia Internetu Rzeczy (IoT) do gromadzenia danych, zaawansowana analityka oraz oprogramowanie do symulacji.

Dwa szczególnie interesujące kierunki rozwoju w obszarze bliźniaków cyfrowych to zastosowanie modeli opartych wyłącznie na uczeniu maszynowym (ML) oraz bliźniaków cyfrowych bazujących na dynamice systemów. Dzięki wykorzystaniu ich potencjału organizacje mogą nie tylko rozszerzyć zastosowanie cyfrowych bliźniaków na szerszy zakres obszarów i dziedzin, ale także istotnie usprawnić procesy decyzyjne. W efekcie możliwe staje się opracowywanie bardziej proaktywnych strategii, optymalizacja efektywności oraz osiąganie mierzalnych rezultatów w zakresie efektywności i innowacyjności.

W przypadku wielu bliźniaków cyfrowych wykorzystywanych w inżynierii, model wirtualny opiera się na szczegółowych modelach fizycznych, w których każda część i interakcja są jasno zrozumiane i odwzorowane. Pozwala to operatorom symulować zmiany poprzez modyfikację danych wejściowych i procesów, aby ocenić ich wpływ na kluczowe parametry systemu. Takie podejście wymaga jednak dogłębnej wiedzy na temat działania danego systemu. W sytuacjach, gdzie taki poziom zrozumienia nie jest możliwy do osiągnięcia, modele oparte na uczeniu maszynowym (ML) mogą przewidywać wpływ zmian na kluczowe czynniki bez konieczności jawnego modelowania wszystkich procesów pośrednich. Dzięki temu bliźniaki cyfrowe mogą być stosowane również w przypadku złożonych systemów, w których dokładne modelowanie każdego procesu i podsystemu nie byłoby wykonalne.

Na przykład w utrzymaniu ruchu w przemyśle, bliźniak cyfrowy oparty na uczeniu maszynowym (ML) może przewidywać optymalne interwały serwisowe poprzez analizę danych z czujników, wykrywanie wzorców i prognozowanie awarii – co przekłada się na skrócenie przestojów i redukcję kosztów.
W sektorze ochrony zdrowia, bliźniaki cyfrowe pacjentów wzbogacone o ML mogą integrować dane z urządzeń noszonych oraz dokumentacji medycznej, aby przewidywać rozwój chorób, co umożliwia tworzenie spersonalizowanych planów leczenia i szybsze reakcje – szczególnie cenne w zarządzaniu chorobami przewlekłymi.
W planowaniu miejskim, bliźniaki cyfrowe napędzane ML mogą modelować ruch drogowy, zużycie energii i wpływ na środowisko, wspierając optymalizację infrastruktury i poprawę zrównoważonego rozwoju. Dzięki możliwości symulacji różnych scenariuszy – takich jak nowe trasy transportowe czy skutki zmian klimatycznych – modele te wspomagają lepsze podejmowanie decyzji.
W sektorze energetycznym, bliźniaki cyfrowe oparte na ML mogą przewidywać awarie sieci, optymalizować dystrybucję energii oraz skuteczniej integrować źródła odnawialne poprzez prognozowanie produkcji i bilansowanie podaży z popytem.
Podobnie, w przemyśle wytwórczym, bliźniaki cyfrowe wspierane ML pozwalają optymalizować procesy produkcyjne, przewidując zużycie maszyn, usprawniając łańcuchy dostaw i ograniczając straty, co prowadzi do wzrostu wydajności i obniżenia kosztów.

Przykłady te pokazują, jak bliźniaki cyfrowe wspierane przez uczenie maszynowe mogą znaleźć zastosowanie w różnych branżach, dostarczając predykcyjnych informacji i usprawniając procesy decyzyjne – nawet w złożonych, dynamicznych środowiskach, w których tradycyjne modele mogą okazać się niewystarczające.

Dynamika systemów (system dynamics) to kolejna metoda wykorzystywana przy tworzeniu bliźniaków cyfrowych, szczególnie w przypadku złożonych systemów charakteryzujących się licznymi interakcjami i sprzężeniami zwrotnymi. W przeciwieństwie do modeli fizycznych, które koncentrują się na szczegółowych interakcjach fizycznych, modele oparte na dynamice systemów kładą nacisk na relacje i sprzężenia wewnątrz systemu, co czyni je idealnym narzędziem do symulacji długoterminowych zachowań oraz planowania strategicznego. Modele te mogą również uwzględniać dynamikę społeczną, dostarczając wglądu w to, jak zachowania i interakcje wpływają na rezultaty systemowe w dłuższym horyzoncie czasowym.

Na przykład w zarządzaniu projektami, bliźniak cyfrowy oparty na dynamice systemów może analizować postęp prac, uwzględniając takie czynniki jak rozszerzanie zakresu (scope creep), poziom poprawek, dostępność zasobów kadrowych, morale zespołu czy poziom doświadczenia pracowników. Modele oparte na dynamice systemów pozwalają na strukturalne odwzorowanie działań organizacji lub systemu i mogą być kalibrowane przy użyciu rzeczywistych danych. Dzięki regularnej aktualizacji modelu o dane w czasie rzeczywistym, kierownicy projektów zyskują wgląd w potencjalne opóźnienia i wąskie gardła w dostępności zasobów, co umożliwia podejmowanie świadomych decyzji i utrzymanie projektu na właściwym torze. Dodatkowo modele te pozwalają na symulację wpływu różnych interwencji, wspierając optymalizację alokacji zasobów i poprawę wyników projektu.

Poprzez integrację uczenia maszynowego i dynamiki systemów z architekturą bliźniaków cyfrowych, DAS tworzy nowatorskie, bardziej elastyczne i inteligentne modele, które znajdują zastosowanie w szerszym zakresie obszarów. Takie podejście pozwala bliźniakom cyfrowym dostosowywać się do zmieniających się warunków i dostarczać praktycznych informacji wspierających podejmowanie decyzji – skutecznie łącząc strategię z realizacją operacyjną.