Technologie cyfrowe coraz mocniej splatają się z technologiami przemysłowymi. Ostatnio sporo uwagi poświęca się zagadnieniu Digital Twin, czyli cyfrowych bliźniaków. Stają się one swego rodzaju imperatywem biznesowym dla nowoczesnych przedsiębiorstw i coraz częściej obejmują cały cykl życia zasobu lub procesu, tworząc podstawę dla powiązanych produktów i usług. Czym dokładnie jest „digital twin”? Jakie konkretnie możliwości otwiera ta technologia w przemyśle, a w szczególności w przemyśle 4.0?
Pierwsza definicja Digital Twin (cyfrowych bliźniaków) została sformułowana w 2010 roku przez NASA i brzmiała w następujący sposób: „zintegrowana wielofizyczna, wieloskalowa, probabilistyczna symulacja pojazdu lub systemu, która wykorzystuje najlepsze dostępne modele fizyczne, aktualizacje z czujników, historię floty itp., aby odzwierciedlić funkcjonowanie jego latającego bliźniaka” [1]. Bardziej przystępnie brzmi definicja podana przez naukowców z University of Cincinnati. Według niej Digital Twin to „sprzężony model cyfrowy rzeczywistej maszyny, który działa na platformie chmurowej i symuluje stan rzeczywistej maszyny przy użyciu zintegrowanej wiedzy zarówno z algorytmów analitycznych opartych na danych, jak i innej dostępnej wiedzy fizycznej”. Koncepcja Digital Twin składa się więc z trzech wymiarów:
- fizycznego produktu w przestrzeni rzeczywistej,
- cyfrowego/wirtualnego modelu w przestrzeni wirtualnej,
- połączeń pomiędzy nimi.
Tym samym cyfrowe bliźniaki zapewniają dokładnie taką samą możliwość badania i testowania jak obiekty rzeczywiste, ale bez konieczności wykonywania testu w prawdziwym świecie. Ich możliwości zastosowania są prawie nieograniczone.
Za jeden z pierwszych przypadków zastosowania technologii Digital Twin uważa się wielokrotną i sprawną adaptację symulatorów szkoleniowych w celu odtworzenia warunków panujących na uszkodzonym Apollo 13. Miało to miejsce w 1970 roku. Wykorzystanie symulatorów i danych z systemów komputerowych umożliwiło pracownikom NASA na szybkie poszukiwanie, odrzucanie i doskonalenie scenariuszy działań zmierzających do zapewnienia bezpieczeństwa astronautom. Bez pełnej wiedzy oraz bez możliwości przeprowadzenia symulacji scenariuszy działań każda z decyzji załogi czy naziemnego zespołu kontroli misji Apollo 13 mogła być błędna i mogła nieść za sobą tragiczne skutki. Dzięki przeprowadzeniu testów oraz symulacji na fizycznej i wirtualnej kopii statku Apollo 13 powrót astronautów stał się możliwy.
W 2018 roku Lockheed Martin umieścił Digital Twin na liście sześciu technologicznych game-changerów dla przemysłu obronnego. Rok później cyfrowe bliźniaki zostały sklasyfikowane jako jedna z 10 strategicznych technologii, które mogą usprawnić proces podejmowania decyzji w przedsiębiorstwie, wspierać modelowanie procesów organizacyjnych i umożliwiać monitorowanie organizacji w czasie rzeczywistym dla zwiększenia jej wydajności. Wiele mówi się o tym, że w przyszłości technologia Digital Twin ma służyć również modelowaniu zachowań ludzi i systemów.
Jakie cechy posiadają symulacje Digital Twin?
Wirtualne modele, aby być cyfrowymi bliźniakami i jak najlepiej odzwierciedlać obiekty rzeczywiste, muszą zależeć od danych ze świata rzeczywistego i odtwarzać, w miarę możliwości w czasie rzeczywistym, parametry, warunki brzegowe oraz dynamikę danego obiektu. Cyfrowy bliźniak będzie dobrze pełnił swoje zadania tylko wtedy, gdy zostanie utworzony przy pełnym zrozumieniu obiektu rzeczywistego i płynących z niego danych. W przeciwnym wypadku model wirtualny nie mógłby efektywnie współpracować z obiektem rzeczywistym, a wnioskowanie byłoby obarczone nieakceptowalnymi błędami. Model cyfrowego bliźniaka powstaje oraz działa głównie dzięki danym. Dlatego tak istotny jest tzw. data lifecycle, czyli: zbieranie danych ➜ transmisja danych ➜ przechowywanie danych ➜ przetwarzanie danych ➜ scalanie danych ➜ wizualizacja danych. Jednym z większych wyzwań na drodze do utworzenia Digital Twin są właśnie dane z czujników, które są przeważnie zamknięte w systemach danych historycznych i przechowywane w formacie zazwyczaj płaskim – bez kontekstu, czyli na przykład bez informacji o zmianach w procesie lub zakłóceniach. Prowadzi to do tego, że analityka na podstawie tych danych jest prawie niemożliwa. Dane muszą zawierać stan relacji ze związanym z nimi zasobem. Dopiero fuzja danych z obiektu rzeczywistego i wirtualnego wnosi najwyższą wartość dodaną do analizy. Informacje przesyłane pomiędzy obiektem rzeczywistym a wirtualnym oraz usługami skojarzonymi z tymi obiektami stają się dodatkowymi „wymiarami”, z których czerpane są wnioski służące do realizacji celu istnienia Digital Twin.
Digital Twins wymagają stałego sprzężenia zwrotnego w postaci danych z obiektu fizycznego. Dane te służą ciągłej aktualizacji parametrów modelu oraz są wykorzystywane do podejmowania decyzji inżynieryjnych. Nowoczesne cyfrowe bliźniaki używają do połączenia rozwiązań typu IoT (Internet of Things). Aby możliwie najlepiej spełniać swoje zadanie, cyfrowe bliźniaki powinny elastycznie, reagować na zmiany w modelowanym obiekcie fizycznym. Współczesne Digital Twins składają się z wielu oddziałujących na siebie, współdziałających modeli, które mogą być tak zestawiane, aby możliwe było uwzględnienie różnych aspektów modelowanego obiektu fizycznego.
Współczesne cyfrowe bliźniaki powstają w oparciu o dwa główne kierunki. Pierwszy to modele oparte o analitykę strumieni danych, algorytmy uczenia maszynowego i rozwiązania płynące z zastosowania sztucznej inteligencji – mają na celu poszukiwanie wzorców prawidłowości i nieprawidłowości w strumieniach danych pochodzących z obiektu rzeczywistego, uczenie się wzorców „zachowań” obiektu rzeczywistego ocenionych jako poprawne i niepoprawne w procesie uczenia maszynowego i doskonalenie algorytmów oceny stanów innych od wzorcowych dzięki możliwościom sztucznej inteligencji. Drugi kierunek to modele „fizyczne” oparte o własności i parametry fizyczne obiektu rzeczywistego, takie jak dane geometryczne, materiałowe, technologiczne – bazują zarówno na zależnościach/wzorach matematycznych, jak i cyfrowych modelach typu: FEM (finite element method), FDM (finite-difference method) czy CFD (Computational Fluid Dynamics) itp., pracują pod kontrolą ludzi i/lub algorytmów wykonujących iteracyjne obliczenia modelujące stany obiektu fizycznego. W zależności od przewidywanego zastosowania i oczekiwanych efektów stosuje się jedną lub obie metody, pracujące jako różne składniki cyfrowego bliźniaka obiektu. Poszukuje się optimum konstrukcji, dające zarówno szybkość rozwiązań AI, jak i precyzję oraz przewidywalność modeli fizycznych.
Digital Twin może składać się z wielu zagnieżdżonych bliźniaków, które zapewniają węższy lub szerszy wgląd w wyposażenie i zasoby na podstawie procesu lub przypadku użycia. Na przykład obiekt taki jak rafineria ropy naftowej może mieć „cyfrowego bliźniaka” dla silnika sprężarki, całej sprężarki, ciągu technologicznego obsługiwanego przez tę sprężarkę oraz dla całej instalacji. W zależności od wielkości rafineria może mieć od 50 000 do 500 000 czujników wykonujących pomiary reprezentowane w Digital Twin.
Wyróżnia się trzy typy cyfrowych bliźniaków:
- Status Twins powstają w oparciu o dane z wcześniejszych etapów projektowania produktu. Są to główne dane wejściowe. Tego typu bliźniaki są stosowane zazwyczaj zarządzania urządzeniami, kontroli produktu i jakości produktu.
- Operational Twins umożliwiają organizacjom przemysłowym usprawnienie działania ich złożonych instalacji oraz urządzeń i są wykorzystywane do wspomagania pracy inżynierów oraz naukowców, którzy zajmują się danymi, wykonują analizy i operacje cyklu życia. Operational Twins mogą dziedziczyć dane ze Status Twins. Mogą również wykorzystywać metody uczenia maszynowego.
- Simulation Twins odtwarzają zachowanie urządzenia i zawierają wbudowane modele fizyczne, a nawet modele procesów podłączonych do modelowanego wyposażenia. Stosowane są do symulacji działania sprzętu w różnych warunkach, szkolenia i a także w ramach rzeczywistości wirtualnej (VR).
Cyfrowe bliźniaki mogą więc służyć dwóm celom – przewidywaniu zachowania obiektu rzeczywistego oraz badaniu stanu aktualnego wraz z analizą historii zachowań obiektu rzeczywistego. Mogą być pomocne w analizie stanu technicznego/kondycji obiektu rzeczywistego w celu usprawnienia planowania i czynności konserwacyjnych, cyfrowym odzwierciedleniu życia obiektu fizycznego i zapewnianiu ciągłości informacji na różnych etapach cyklu życia urządzeń IoT. Mogą również wspierać podejmowanie decyzji poprzez wykonywanie analiz inżynieryjnych i statystycznych w celu optymalizacji zachowania systemu na etapie projektowania, przewidywania i ulepszania przyszłych osiągów czy parametrów produktu.
Obecnie wielu operatorów przemysłowych ma już wdrożone Status Twins, które zapewniają możliwość wyświetlania bieżących odczytów z sensorów umieszczonych na urządzeniach. Wiele podmiotów sektora przemysłowego zaczęło już podążać ścieżką analityczną rozpoczynającą się od Simulation Twins. Nawet producenci wyposażenia (OEM) zaczęli sprzedawać takie „fizyczne” modele jako usługi (na przykład pompy w przemyśle naftowym, wiatraki itp.). W większości przypadków takie Simulation Twins funkcjonują sprawnie, dopóki nie zostaną powiązane z wyposażeniem zewnętrznym. W przypadku bardziej złożonych procesów, czyli w większości procesów przemysłowych, dobre Simulation Twins mogą być trudne do utworzenia oraz utrzymania. Niemniej zastosowanie Operational Digital Twins oraz Simulation Digital Twins może istotnie ułatwić inżynierom operacyjnym usprawnianie procesu. Następnym szczeblem rozwoju – o najwyższej wartości dodanej – jest interaktywne połączenie tych narzędzi z ryzykiem, rachunkami zysków i strat oraz bilansem przedsiębiorstwa. Wówczas jednak, aby poprawić rentowność procesów i zmniejszyć związane z nimi ryzyko, niezbędne jest utrzymywanie relacji między cyfrowymi bliźniakami a modelami finansowymi, ludźmi, a nawet informacjami o zagrożeniach procesowych, czyli na przykład zintegrowanie Digital Twin z systemami PSM (Process Safety Management).
Nadzieje i perspektywy związane z technologią Digital Twin
Technologia Digital Twin jest z powodzeniem stosowana wśród wielu firm technologicznych. Jest już z powodzeniem wykorzystywana w modelowaniu zużycia obiektów o ograniczonej liczbie „stopni swobody”, na przykład maszynach wirujących. Wraz ze wzrostem mocy obliczeniowej oraz rozwojem technologii i narzędzi modelowania i nadzorowania złożonych procesów rośnie prawdopodobieństwo jej wdrożenia w przemyśle – począwszy od najbardziej kluczowych urządzeń i węzłów technologicznych lub miejsc, gdzie dokładniejsza ocena ryzyka zaprocentuje wysoką stopą zwrotu z ograniczonego postoju i zużycia urządzeń oraz wydłużenia eksploatacji i poprawy jej efektywności.
Microsoft wskazuje na potencjał tej technologii w personalizacji usług pod wymagania klientów, przyspieszeniu projektowania poprzez możliwość wirtualnego eksperymentowania z kolejnymi iteracjami projektowanego produktu, zapobieganiu przestojom dzięki przewidywaniu uszkodzeń, zrewolucjonizowaniu mechanizmów wymiany wiedzy pomiędzy pracownikami. Grupa DNV GL opisuje swoje osiągnięcia uzyskane dzięki zastosowaniu „wirtualnego siostrzanego statku” przy zwiększeniu niezawodności, ograniczaniu kosztów operacyjnych i poprawie bezpieczeństwa statków. Tesla z kolei planuje stworzenie cyfrowego bliźniaka każdego samochodu swojej produkcji, m.in. poprzez uruchomienie synchronicznej transmisji danych pomiędzy pojazdem z fabryką. General Electric Company (GE) – wykorzystując platformę Predix – stworzył nową generację produktów i usług dotyczących farm wiatrowych, która pozwala operatorom na optymalizację strategii konserwacji, poprawy niezawodności i dostępności oraz zwiększenie produkcji energii.
Poprzez analizę i ocenę bieżących stanów modelowanego obiektu, analizę historii problemów i działania oraz predykcję trendów na przyszłość Digital Twin może dostarczyć bardziej wszechstronnego wsparcia w podejmowaniu decyzji w ogromnym zakresie działań. Po zintegrowaniu z cyfrowymi reprezentacjami obiektów, środowisk i ludzi Digital Twin może zostać zastosowany na przykład do celów prototypowania produktów oraz szkolenia obsługi, personelu utrzymania ruchu, dostawców usług itp. Może też zrewolucjonizować mechanizmy wymiany wiedzy między pracownikami w poszczególnych organizacjach. Poprzez narzędzia symulacyjne oraz narzędzia rozszerzonej lub wirtualnej rzeczywistości technologia Digital Twin może pomóc pogłębić zrozumienie skomplikowanych fizycznych procesów i obiektów
Opracowanie na podstawie artykułu „Czym jest „digital twin”? Jakie możliwości otwiera ta technologia?” autorstwa Marcina Wołejko, który ukazał się w Biuletynie Urzędu Dozoru Technicznego INSPEKTOR 1/2021
[1] Shafto M. et al., DRAFT Modeling, Simulation, Information Technology & Processing Roadmap, Technology Area 11, 2010. https://www.nasa.gov/pdf/501321main_TA11-MSITP-DRAFT-Nov2010-A1.pdf\
