Интеграция цифрового двойника с системным моделированием и интернетом вещей

Концепция цифрового двойника была предложена в 2002 году Майклом Гривзом из Мичиганского университета [1]. С момента появления Интернета вещей (IoT) данная концепция претерпела существенную эволюцию. Сегодня под термином цифрового двойника понимают динамическую виртуальную модель системы, процесса или услуги [2,3]. Для облегчения анализа, быстрого решения проблем и разработки планов по усовершенствованию технологий, концепция цифрового двойника требует включения в виртуальную модель системы коммерческих, контекстных данных и информации от датчиков из физических систем (или процессов). Цифровой двойник позволяет осуществлять в реальном времени мониторинг систем и процессов, а также своевременный анализ данных для предотвращения проблем до их возникновения (т. н. предиктивная аналитика); позволяет планировать профилактический ремонт с целью сокращения и предотвращения простоев; планировать будущие обновления и осуществление новых разработок. Если виртуальная модель – это обобщенный вид системы, детали, конструкции в целом, то цифровой двойник – это точная копия конкретной системы или процесса.

С появлением Интернета вещей (IoT) внедрение цифровых двой­ников стало экономически выгодным, и технология стала получать все большее признание в сообществе Промышленного Интернета вещей (IIoT) [7], делающем упор на большое, сложное и капиталоемкое оборудование. По данным Gartner [8], к 2021 году почти половина крупных промышленных компаний будут использовать технологию цифровых двойников с целью упрощения оценки производительности системы и технических рисков, достигая при этом повышения эффективности системы примерно на 10%.

Цифровому двойнику по определению требуется физическое устройство для сбора данных и контекстно-управляемого взаимодействия. Виртуальная модель системы, воплощенная в цифровом двойнике, может изменяться в режиме реального времени при изменении состояния физической системы в процессе эксплуатации. Современный цифровой двойник состоит из «подключенных» продуктов, обычно использующих IoT, и цифрового потока данных. Цифровой поток данных обеспечивает связь на протяжении всего жизненного цикла системы и собирает данные c физической системы, чтобы обновлять модели в цифровом двойнике. На рисунке 1 представлена концепция цифрового двойника в контексте модельно-ориентированного системного проектирования (MBSE).

Рисунок 1 – Концепция цифрового двойника в структуре MBSE (модельно-ориентированного системного проектирования)

Как показано на рисунке 1, цифровой двойник связывает физическое и цифровое оборудование. Физическое оборудование включает в себя физическую систему, бортовые и внешние датчики, коммуникационные интерфейсы и другую технику, работающую в открытой среде с доступом к данным GPS. Данные об эксплуатации и обслуживании физической системы передаются в цифровое оборудование для обновления виртуальной модели цифрового двойника. Таким образом, цифровой двойник становится точной и актуальной копией физической системы, которая также отражает эксплуатационный контекст физического оборудования. Наличие постоянной связи цифрового двойника с физическим прототипом позволяет в динамике отслеживать производительность и данные о техническом обслуживании каждого физического аналога, выявлять и сообщать об отклонениях, а также планировать техническое обслуживание.

В дополнение к высококачественным физическим моделям реального изделия, цифровой двойник интегрирует данные телеметрии, историю технического обслуживания и все накопленные данные, включая историю эксплуатации, сформированную с помощью таких методов, как извлечение информации из массивов данных и интеллектуальный анализ текстовых данных. Комбинируя данные из различных источников информации, цифровой двойник может непрерывно прогнозировать состояние работоспособности и оставшийся срок службы технического изделия. Сравнивая прогнозируемые и фактические данные обратной связи, цифровой двойник может прогнозировать реакции системы на критически важные для безопасности события, а также для выявления новых проблем на ранней стадии, когда они ещё не достигли острой стадии.

Контекст работы цифрового двойника включает в себя оборудованный измерительной аппаратурой испытательный стенд, на котором используются модельно-ориентированные инструменты проектирования (например, инструменты моделирования и верификации системы) и моделирования сценариев работы (например, моделирования отдельных событий, моделирования процессов взаимодействия интеллектуальных агентов). Эти инструменты позволяют изучать поведение виртуальных прототипов в режиме моделирования критических ситуаций под контролем исследователя.

Знания, полученные в условиях эксплуатации, используются для изменения моделей системы (калибровки моделей), применяемых в виртуальном прототипе. На начальном этапе данные, получаемые с физического объекта, используются для создания репрезентативной системной модели объекта или процесса. Впоследствии цифровой двойник постоянно обновляется, таким образом он точно отражает характеристики и всю историю физического близнеца. Важно отметить, что системы, которые собирают и передают данные из эксплуатационной среды, способствуют накоплению знаний, необходимых для бизнес-аналитики.

Набор инструментов модельно-ориентированной системы проектирования, представленный на рисунке 1, включает в себя методы моделирования систем (например, модели SysML, структурную матрицу проекта (DSM), структурную матрицу технологических процессов, вероятностные модели (такие как частично-наблюдаемый Марковский процесс принятия решения (POMDP), моделирование дискретных событий [10,11], моделирование процессов взаимодействия интеллектуальных агентов, модельно-ориентированный сторителлинг [12,13], базу данных MBSE (которая является достоверным источником данных) и модели процессов жизненного цикла инженерных систем.

Модели виртуальной системы могут быть разного уровня сложности: от упрощенных до полномасштабных. Облегченные модели отражают упрощенную структуру (например, упрощенную геометрию) и упрощенную физику (например, модели пониженного порядка). Это позволяет снизить вычислительную нагрузку, особенно на предварительных стадиях инженерно-технической работы. Такие облегченные модели позволяют моделировать сложные системы и системы систем (SoS) и, соблюдая точность в соответствующих измерениях, получать необходимые данные с минимальными вычислительными затратами. Этими моделями можно обмениваться внутри организации и с сетью поставщиков, тем самым помогая им лучше понимать создаваемую систему.

Концепция цифрового двойника включает в себя также ряд автоматизированных и неавтоматизированных процессов, осуществляемых в производственных условиях. Данные о производительности, обслуживании и техническом состоянии могут быть собраны с физического близнеца и переданы цифровому двойнику. Эти данные включают в себя характеристики рабочей среды, состояние отдельных узлов технического объекта.

Цифровой двойник и его физический близнец могут использовать общий репозиторий MBSE (модельно-ориентированной системы проектирования), который также будет поддерживать системное проектирование и инструменты сбора данных. Модели MBSE представляют собой источники достоверных данных. Данная конфигурация также обеспечивает двунаправленную связь между цифровым двойником и его физическим аналогом.

Цифровой двойник (ЦД) имеет существенные отличия от традиционных CAD-моделей или расчетных CAE-моделей:

  1. ЦД – это виртуальная копия конкретного изделия, которая отражает структуру, производительность, текущее рабочее состояние, историю технического обслуживания и ремонта.
  2. ЦД помогает планировать профилактическое обслуживание, основываясь на знании истории технического обслуживания изделия и наблюдениях за его работой.
  3. ЦД помогает понять, как физический близнец (реальное изделие) работает в реальном мире, и какую производительность от него следует ожидать в будущем, учитывая техническое обслуживание.
  4. Он позволяет разработчикам наблюдать за производительностью изделия и делать выводы, например, о том, как реализуются модификации, а также лучше понимать условия эксплуатации.
  5. ЦД позволяет отслеживать изделие между фазами жизненного цикла посредством связи, обеспечиваемой цифровым потоком данных.
  6. Он упрощает процесс проверки предположений на основе данных предсказательной аналитики, собранных с физической системы и внедренных в цифровой двойник, – данных, которые могут быть проанализированы вместе с другими источниками информации для прогнозирования производительности системы.
  7. Он позволяет персоналу дистанционно устранять неисправности оборудования и выполнять дистанционное обслуживание.
  8. Он объединяет данные, поступающие через Интернет вещей с данными физической системы, например, для оптимизации процессов обслуживания и производства и для определения того, какие изменения необходимо произвести в конструкции изделия.
  9. Он показывает срок службы технического объекта, собирая данные об эксплуатации и обслуживании объекта и инкорпорируя их в физические и численные модели.

Литература

  1. Grieves, M. Digital Twin: Manufacturing Excellence through Virtual Factory Replication; A White Paper; Michael Grieves, LLC: Melbourne, FL, USA, 2014.
  2. Matthews, S. Designing Better Machines: The Evolution of the Digital Twin Explained; Keynote Delivered at Hannover Messe: Hanover, Germany, 2018.
  3. Marr, B. What is Digital Twin Technology—And Why is It so Important? Forbes, 6 March 2017.
  4. Madni, A.M. Transdisciplinary Systems Engineering: Exploiting Convergence in a Hyper-Connected World; Foreword by Norm Augustine; Springer: Berlin, Germany, 2017.
  5. West, T.D.; Pyster, A. Untangling the Digital Thread: The Challenge and Promise of Model-Based Engineering in Defense Acquisition. Insight 2015, 18, 45–55. [CrossRef]
  6. Kraft, E.M. HPCMP CREATE-AV and the Air Force Digital Thread. In Proceedings of the 53rd AIAA Aerospace Sciences Meeting, Kissimmee, FL, USA, 5–9 January 2015.
  7. O’Connor, C. IBM IoT Platform. Available online: https://www.ibm.com/blogs/internet-of-things/leaderiot-platforms/ (accessed on 28 January 2019).
  8. Pettey, C. Prepare for the Impact of Digital Twins; Gartner: Stamford, CT, USA, 2017.
  9. Glaessgen, E.H.; Stargel, D.S. The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles. In Proceedings of the AIAA 53rd Structures, Structural Dynamics, and Materials Conference: Digital Twin Special Session, Honolulu, HI, USA, 23–26 April 2012.
  10. Zeigler, B.; Muzy, A.; Kofman, E. Theory of Modeling and Simulation: Discrete Event and Iterative System Computational Foundations, 3rd ed.; Academic Press: New York, NY, USA, 2018.
  11. Madni, A.M. Expanding Stakeholder Participation in Upfront System Engineering Through Storytelling in Virtual Worlds. Syst. Eng. 2015, 18, 16–27. [CrossRef]
  12. Madni, A.M.; Spraragen, M.; Madni, C.C. Exploring and Assessing Complex System Behavior through Model-Driven Storytelling. In Proceedings of the IEEE Systems, Man and Cybernetics International Conference, Invited Special Session “Frontiers of Model Based Systems Engineering”, San Diego, CA, USA, 5–8 October 2014.
  13. Madni, A.M.; Nance, M.; Richey, M.; Hubbard, W.; Hanneman, L. Toward an Experiential Design Language: Augmenting Model-Based Systems Engineering with Technical Storytelling in VirtualWorlds. In Proceedings of the 2014 CSER, Redondo Beach, CA, USA, 21–22 March 2014.