Больше цифровых двойников: цифровизация производственного процесса⁠⁠

ИСТОЧНИК - читайте здесь. Перевод статьи с Nature.

Фей Тао и Цинлинь Ци объясняют, что виртуальные модели стимулируют интеллектуальное производство за счет имитации решений и оптимизации от проектирования до эксплуатации.

Некоторые городские власти разрабатывают цифровые копии городов, как это изображено у этого художника

Цифровые двойники (или «цифровые близнецы»)— точные виртуальные копии машин или систем — это революция в промышленности.

Цифровой двойник (англ. Digital Twin) — цифровая копия физического объекта или процесса, помогающая оптимизировать эффективность бизнеса. Концепция «цифрового двойника» является частью четвёртой промышленной революции и призвана помочь предприятиям быстрее обнаруживать физические проблемы, точнее предсказывать их результаты и производить более качественные продукты.

Вплоть до второй половины 2010-х создание компьютеризированных систем, повторяющих характеристики физических объектов почти в режиме реального времени, было невозможным ввиду технических ограничений. И лишь существенный прорыв в развитии цифровых технологий, позволивший увеличить вычислительные мощности и снизить цену их использования, позволил ведущим компаниям объединять информационные технологии с операционными процессами для создания цифровых двойников предприятий [источник].

Сложные компьютерные модели, основанные на данных, собранных с датчиков в режиме реального времени, отражают практически каждый аспект продукта, процесса или услуги. Многие крупные компании уже используют цифровые двойники для выявления проблем и повышения эффективности [1]. Возможно, половина корпораций будут использовать их к 2021 году [2].

Визуализация параметров работы станка с использованием дополненной реальности

Например, НАСА использует цифровые копии для контроля состояния своего космического корабля. Компании General Electric (GE) и Chevron используют их для отслеживания работы ветряных турбин. Сингапур разрабатывает цифровую копию всего города для мониторинга и улучшения коммунальных услуг («умный город», не иначе). Искусственный интеллект и облачные вычисления увеличат мощность таких моделей.

Многое еще предстоит сделать, чтобы реализовать потенциал новых цифровых двойников. Каждая модель построена с нуля: нет общих методов, стандартов или норм. Например, может быть сложно собрать данные из тысяч датчиков, которые отслеживают вибрацию, температуру, силу, скорость и мощность. Данные могут быть распространены среди разных владельцев и храниться в различных форматах. Например, конструкторы конкретного автомобиля могут хранить информацию о его материалах и конструкции, а производители хранят данные о том, как производится автомобиль.

Результат? Путаница. Цифровой близнец может не отражать то, что происходит в реальном мире, и побуждать менеджеров принимать неверные решения.

Здесь мы излагаем основные проблемы и призываем к более тесному сотрудничеству между компаниями из сферы промышленности и научным сообществом.

Трудности с данными

Первый шаг — решить, какие типы данных собирать [3]. Это не всегда очевидно. Например, для моделирования ветряной турбины может потребоваться контроль вибраций от коробки передач, генератора, лопастей, валов и башни, а также напряжений от системы управления. Крутящие моменты и скорости вращения, температуры компонентов и состояние смазочного масла также должны отслеживаться вместе с условиями окружающей среды (скорость ветра, направление ветра, температура, влажность и давление).

Отсутствующие или ошибочные данные могут исказить результаты и скрыть ошибки. Скажем, колебание ветряной турбины будет пропущено, если выйдут из строя датчики вибрации. Пекинская энергетическая компания BKC Technology изо всех сил пыталась понять, почему утечка масла вызывает перегрев паровой турбины. Оказалось, что цифровые копии не отображали полную информацию по смазке.

Оптимальное количество датчиков и место их размещения должны быть определены. Слишком мало датчиков, и прогнозы будут неточными; слишком много, и пользователь будет перегружен лишними деталями. Скорость сбора данных также имеет значение. Инженеры могут отслеживать вибрации от турбинных редукторов каждую минуту, что означает, что они будут отслеживать едва заметные «глюки». Но если отслеживать каждую секунду, то может быть слишком много данных, что приведет к узким местам передачи.

Для иллюстрации: по некоторым оценкам, автомобиль Google с беспилотным управлением может производить 1 гигабайт данных каждую секунду. Но сегодняшние соединения Bluetooth могут обрабатывать только 0,03% от этой скорости.

Беспилотный автомобиль Waymo

Отдельные типы данных бывает сложно объединить. Вибрации могут быть записаны как отрезки времени или как частоты; температура может быть в градусах Цельсия или Фаренгейта; видео или изображения могут быть не в одном масштабе. Время может выйти из-под контроля, особенно когда данные выбираются с разной скоростью. Например, системы авиационной связи посылают сигналы каждые несколько наносекунд, а навигационные системы регистрируют положение самолета каждую секунду. Усреднение точных данных не помогает, потому что детали теряются.

Нет единого формата данных — это ещё одно препятствие. Например, самолеты Boeing включают в себя детали от более чем 500 поставщиков в 70 странах, каждый из которых имеет различные интерфейсы данных, форматы и отличающееся программное обеспечение. Компании часто не хотят делиться коммерческой информацией. И страны тоже: Япония ограничивает экспорт некоторых компьютерных чипов конкурентам в Южной Корее, а Соединенные Штаты запрещают продажу чипов и других технологий китайской компании Huawei.

Модельные проблемы

Чтобы построить цифровой близнец объекта или системы, исследователи должны смоделировать его части. Немецкая производственная компания Siemens использует множество математических моделей и виртуальных представлений своих продуктов. К ним относятся трехмерные геометрические модели и анализ методом конечных элементов, последний используется для отслеживания температуры, напряжений и деформаций. Диагностика неисправностей и жизненные циклы рассматриваются отдельно.

Ошибки могут возникнуть, когда программное обеспечение, написанное для разных целей, исправлено вручную. А без стандартов и руководства сложно проверить точность получаемых моделей. Многие цифровые близнецы, возможно, должны быть объединены. Например, виртуальный летательный аппарат может включать в себя трехмерную модель фюзеляжа с одной из системы диагностики неисправностей и другую систему диагностики, которая контролирует кондиционирование воздуха и повышение давления.

Так же авторы статьи пишут о таких проблемах, как сложность взаимодействия между людьми: материаловедам, металлургам и механикам может потребоваться работа с инженерами, программистами и производственными экспертами.

Что не менее важно, отсутствует общее пространство для работы и обмена знаниями — физическое и виртуальное, в котором эксперты могут общаться и делиться знаниями и программным обеспечением.

Что делать?

Следующие шаги сделают разработку цифровых близнецов более согласованными:

Унификация данных и модельных стандартов. Производственные данные должны быть стандартизированы и предоставлены в общих форматах, таких как XML (расширяемый язык разметки). Другие стандарты данных должны быть приняты и в других сферах. Например, сектор электроэнергетики использует COMTRADE («общий формат для переходного обмена данными»), стандарт, контролируемый Институтом инженеров по электротехнике и электронике; строительная индустрия использует отраслевые базовые классы; а международные организации здравоохранения требуют, чтобы данные соответствовали стандартам HL7.

Должна быть разработана универсальная платформа дизайна и разработки для цифровых близнецов. Одним из шагов в правильном направлении является виртуальное общее рабочее пространство - глобальная среда для совместной работы, созданная авиастроительной компанией Boeing для согласования методов работы с корпоративными партнерами. Корпорации, фонды, университеты и правительства должны создать и финансировать ассоциацию для контроля. Он может подражать некоммерческому консорциуму по производству микросхем, основанному в 1982 году — Semiconductor Research Corporation, Дарем, штат Северная Каролина.

Нужно делиться данными, моделями. Должна быть создана общедоступная база данных для обмена цифровыми близнецами, которая будет управляться государственными финансирующими агентствами или коалицией университетов и предприятий. Вопросы владения данными и открытости должны быть решены.

Одним из таких примеров является платформа openVertebrate, финансируемая Национальным научным фондом США, которая позволяет исследователям свободно обмениваться данными и моделями по анатомии позвоночных. Цифровые изображения и файлы 3D-сетки можно изучать, загружать и печатать в 3D-формате в MorphoSource, онлайн-базе данных с открытым доступом.

Инновации в сфере услуг. Компании должны разрабатывать продукты и услуги, чтобы помочь цифровым близнецам. Например, программное обеспечение Siemens NX объединяет инструменты проектирования, моделирования и производства в одной упаковке. Канадская компания LlamaZOO разработала приложение виртуальной реальности, которое позволяет супервайзерам отслеживать свои транспортные средства. Виртуальный лес, разработанный компаниями Metsä Group, Tieto и CTRL Reality, базирующимися в Финляндии, моделирует различные методы управления лесами и их влияние на доход и ландшафт.

Проводить форумы. Практикам и исследователям нужно онлайн-пространство, где они будут обсуждать, разрабатывать и публиковать спецификации. Вот почему в 2017 году мы создали группу социальных сетей по цифровым близнецам на китайской социальной медиа-платформе WeChat. Фонды, университеты и компании должны предлагать подобные форумы.

Нужно объединить промышленность, ученых, экспертов по кибербезопасности, инженеров и бизнес. Одним из примеров является Smart Innovation Hub в кампусе Килского университета, Великобритания, наряду с Килской бизнес-школой. А консалтинговая компания Booz Allen Hamilton имеет несколько таких центров в Вашингтоне, округ Колумбия, рядом с федеральными правительственными агентствами.

Nature 573 , 490-491 (2019)

doi: 10.1038 / d41586-019-02849-1

Рекомендации:

1.Тао Ф., Чжан М. и Ни, AYC Цифровое интеллектуальное производство с двойным приводом (Academic Press, 2019).

2.Петти, C. «Подготовка к воздействию цифровых близнецов» (2017). Отчет Gartner доступен по адресу https://go.nature.com/2krzbjd.3.Кусяк А. Природа 544 , 23–25 (2017).