Определение цифрового двойника

Будь то анализ одного физического компонента, профилактическое обслуживание оборудования, оптимизация производительности процесса, виртуальный трехмерный обход завода с автоматизированными операциями и все, что между ними, для понимания интерпретации вашего цифрового двойника — я нашел разные концепции. Общим для всех этих идей является то, что цифровой двойник состоит из цифрового представления чего-либо в реальном мире, обновляемого с помощью оперативных данных для достижения результатов в бизнесе. На этом фоне мы определяем цифрового двойника следующим образом.

Цифровой двойник (DT) — это живое цифровое представление отдельной физической системы, динамически обновляемое данными, имитирующими реальную структуру, состояние и поведение физической системы для достижения бизнес-результатов.

Четыре ключевых элемента цифрового двойника — это физические системы, цифровые представления, связи между физическими системами и цифровыми представлениями и бизнес-результаты. Первый элемент, сама физическая система, может быть отдельным физическим объектом, совокупностью физических объектов, физическим процессом или даже человеком. И это не обязательно должна быть промышленная система, поскольку это может быть биологическая, химическая, экологическая или другая система. Второе — это цифровое представление, то есть сама модель. В этом случае модель означает только набор данных, таких как модель данных, необходимая для представления структуры (или конфигурации) физической системы, или панель данных IoT, которая помогает представить текущее состояние физической системы. Модель, которая имитирует поведение физической системы, например симуляция. Это позволяет модели возвращать выходные данные ответа на входные данные. Это подводит нас к третьему фактору, связности. Это подчеркивается упоминанием «живого». Чтобы стать цифровым двойником, модель должна регулярно обновляться данными из физических систем (таких как датчики). Утвержденная модель обеспечивает моментальный снимок поведения физической системы в определенный момент времени, тогда как цифровой двойник расширяет модель до временных масштабов, когда поведение физической системы значительно изменяется по сравнению с исходным временем. Частота обновлений определяется скоростью, с которой происходит основное явление. Некоторые варианты использования требуют обновлений почти в реальном времени, в то время как другие варианты использования требуют еженедельных обновлений. Наконец, цифровой двойник должен приводить к определенному результату — какой-то экономической или деловой ценности.

Ключевые различия между цифровыми двойниками и существующими методами моделирования, такими как традиционное 3D-моделирование (CAD), моделирование на основе физики, виртуальные миры (3D/AR/VR), информационные панели IoT для потоковой передачи данных датчиков, реалистичные игровые среды и т. д., заключается в потоке информации между цифровыми и физическими системами. Распространенное заблуждение состоит в том, что цифровым близнецом является более сложное, высокоточное виртуальное представление. Скорее, важны регулярные обновления, напрямую влияющие на то, как собираются данные и создаются цифровые двойники на протяжении всего жизненного цикла. Цифровой двойник должен потреблять поток данных, чтобы понимать, учиться и обновлять (или иметь возможность обновлять) текущее состояние системы новыми наблюдениями за системой. И вы сможете предсказать текущее и будущее поведение вашей системы.

Например, цифровой двойник лопатки газовой турбины получает данные IoT о температуре и давлении для прогнозирования длины трещины, которую нельзя наблюдать во время работы. Результаты визуального осмотра бороскопом во время планового технического обслуживания используются для обновления цифрового двойника. Затем цифровой двойник используется для прогнозирования темпов роста трещин и остаточного срока службы (RUL) при различных условиях эксплуатации и сценариях технического обслуживания, что позволяет операторам выбирать оптимальный график отправки (запасных частей) и план технического обслуживания. Выходные данные цифрового двойника, такие как длина трещины и RUL, могут быть представлены пользователю на информационных панелях, в трехмерной визуализации трещин в реальном времени или другими контекстно-зависимыми способами. Модели САПР, информационные панели IoT, 3D-рендеринг/пошаговые руководства с эффектом присутствия и игровые среды сами по себе не являются цифровыми двойниками. Они представляют собой полезные структурные элементы визуализации для решений цифровых двойников и часто представляют собой первый шаг на пути клиента к цифровым двойникам.

Почему сейчас эпоха цифровых двойников?

В качестве определения цифрового двойника давайте начнем с понимания четырех ключевых технологий, необходимых для масштабной разработки и развертывания цифрового двойника: данные из физических систем, подключение к Интернету вещей, методы моделирования и крупномасштабные вычисления.

Первый метод связан с измерением. В частности, для датчиков IoT средняя стоимость снизилась на 50% с 2010 по 2020 год. и продолжает снижаться. Всего десять лет назад измерения были дорогими, но теперь они становятся товаром. Это приводит к постоянно растущему количеству датчиков, собирающих еще больше данных. Во-вторых, возможность представить эти данные для анализа и принятия мер. Если рассматривать беспроводные соединения как прокси, то в 2010 году стандартом де-факто был 3G со скоростью

Ценность цифрового двойника заключается в использовании этих данных для получения практических идей. Это достигается за счет моделирования и крупномасштабных вычислений и представляет собой третью и четвертую основные технологии. Термин «модель» здесь используется в нескольких контекстах. Научное моделирование для прогнозирования различных явлений (и их поведения), таких как поток жидкости, структурная деформация, биохимические процессы, погода и логистика, для приложений, включая прогнозирование будущего состояния и планирование сценариев «что, если». Мне нужен метод. Такие методы, как машинное обучение, высокопроизводительные вычисления и гибридные подходы, такие как нейронные сети, основанные на физике, становятся практичными для масштабного развертывания благодаря доступной вычислительной мощности. Другой тип моделирования используется для визуализации и создания реалистичных иммерсивных сред. За последнее десятилетие достижения в алгоритмах пространственных вычислений для создания 3D-контента и управления им сделали возможными иммерсивную дополненную реальность, виртуальную реальность и метавселенную.

Наконец, мощь крупномасштабных вычислений в значительной степени реализована в облаке. Вычислительная мощность резко возросла не только на уровне самого чипа, но и за счет соединения всех чипов вместе для обеспечения широкомасштабных облачных вычислений, до такой степени, что крупномасштабные вычисления по запросу становятся товаром. Больше не ограничиваясь правительствами и крупными корпорациями, теперь даже небольшие стартапы и частные лица могут получить доступ к вычислительной технике, необходимой им для инноваций, изобретения новых продуктов и услуг и улучшения нашей повседневной жизни.

Добавление контекста в варианты использования цифровых двойников с помощью индексов выравнивания

В ходе обсуждений с нашими клиентами мы обнаружили широкий спектр вариантов использования, для которых требуются различные сервисы, технологии и данные AWS. Чтобы помочь вам ориентироваться в этом пространстве, мы разработали 4-уровневый индекс цифрового двойника (1. Описательный, 2. Информативный, 3. Прогнозный и 4. Живой). Уровень 4 соответствует приведенному выше определению. Уровни с 1 по 3 применяются к различным вариантам использования с разным уровнем сложности, каждый из которых имеет свою ценность для бизнеса. Во многих отношениях этот индекс выравнивания аналогичен тому, который можно найти в пространстве автономных транспортных средств, в котором используются системы от L0 до L5. Здесь L0 — ручное управление, L1 — круиз-контроль, а L5 — полностью самоуправляемый автомобиль без руля. Сопоставление вариантов использования с нужным уровнем поможет вам как клиенту понять конкретные услуги и шаблоны, которые могут повысить ценность бизнеса, и составить план для будущего роста.

L1 Описательный фокусируется на визуальном представлении инженерного дизайна и физических систем (их структур). Это может быть двухмерная инженерная схема (например, схема процесса или схема P&ID), информационная модель здания (BIM) или сложная высокоточная модель 3D/AR/VR. Он также включает инженерный анализ, такой как одномерный анализ, системную динамику, вычислительную гидродинамику и строительную механику. Цель состоит в том, чтобы понять устройство физических систем и их компонентов.

Общие варианты использования включают оценку новых проектов, оценку реконфигураций существующих площадок и обучение персонала различным сценариям. Примеры L1 включают системный анализ ветряных турбин, CFD-анализ воздушного потока над лопастями, а также визуализацию 3D/VR или иммерсивные обходы внутри ветряных турбин. Для вариантов использования инженерной аналитики AWS Batch, AWS ParallelCluster, адаптер Elastic Fabric (EFA), Amazon FSx For Lustre, NICE EnginFrame, а также оптимизированные для вычислений инстансы EC2 (Hpc6a, C5n, C6i, P4d и т. д.), NICE DCV и другие ведущие сервисы и решения AWS, связанные с высокопроизводительными вычислениями (HPC). Для иммерсивных (AR/VR) вариантов использования клиентам нужны управление 3D-ресурсами и обучение AR/VR (Motive, Innoactive), помощь работникам AR (Scope AR), иммерсивная совместная работа (Cavrnus), потоковая передача XR (HoloLight, NVIDIA CloudXR). и партнерские решения для работы с геолокацией (Immersal).

L2 Информативный фокусируется на интеграции данных об обслуживании с датчиков IoT и физических систем и представлении их конечным пользователям в контекстно-зависимых формах, таких как 2D-панели мониторинга и 3D-контекстная визуализация (например, состояние). Это позволяет конечным пользователям понять текущее состояние своих физических систем и включает в себя простую аналитику для запуска сигналов тревоги. В промышленности это было интегрировано с системами управления активами предприятия (EAM) или планирования ресурсов предприятия (ERP) для отображения конфигурации активов, истории обслуживания и предстоящих рабочих заданий в едином интерфейсе.

Распространенными вариантами использования являются мониторинг и оповещение в режиме реального времени, анализ первопричин и развитие персонала. Например, L2 включает в себя панель инструментов IoT или 3D-рендеринг, который отображает данные о температуре редуктора с сигналами тревоги на основе правил во время работы ветряной турбины. Другим примером являются наложения дополненной реальности (AR) инженерных данных и истории обслуживания для техников, использующих мобильные устройства/планшеты или носящие очки AR во время ремонта, а также пульты дистанционного управления для оказания дополнительной помощи.Возможность удаленно показывать специалистам то, что они видят в режиме реального времени. Это может звучать футуристично, но это происходит сегодня, и мы работаем с одним из наших партнеров по AWS, Scope AR, над тем, чтобы донести эту возможность визуального знания дополненной реальности до конечных клиентов в аэрокосмической, энергетической, производственной и медицинской отраслях. Если вы хотите создавать информационные приложения L2, ключевые сервисы AWS включают AWS IoT TwinMaker, AWS IoT Core, AWS IoT Greengrass, AWS IoT SiteWise, AWS IoT Analytics, Amazon QuickSight, Amazon Textract, Amazon Rekognition, Amazon DynamoDB и включают Amazon S3. .

Прогноз L3 фокусируется на прогнозировании неизмеренных значений (например, виртуальные датчики, обнаружение аномалий на основе машинного обучения) и использует прогностические модели для выявления текущих операций, когда будущее поведение совпадает с прошлым поведением. Эти модели могут быть основаны на первых научных принципах, основаны исключительно на данных (с использованием AI/ML и т. д.) или на их гибриде.

Общие варианты использования включают планирование операций и профилактическое обслуживание (управление производительностью активов), а также управление автопарком. Например, L3 включает гибридную модель, которая прогнозирует такие параметры, как работоспособность (виртуальные датчики), и прогнозирует оставшийся срок службы (RUL) при непрерывной работе. Прогнозы из модели можно просматривать в контекстно-зависимых визуализациях (2D-панели / 3D / AR / VR и т. д.) из L1. Уникальный пример — продуктовый рынок. AWS поддерживает одного из наших клиентов, Descartes Labs. Descartes Labs использует спутниковые снимки для анализа состояния урожая в континентальном масштабе, объединяя цены, спрос и предложение и другие рыночные данные для создания прогнозов товарного рынка. Эти прогнозы используются конечными клиентами для определения оптимальной стратегии хеджирования или торговли. Это может легко превратиться в миллионы долларов экономии или торговой прибыли. Ключевые сервисы AWS для создания приложений прогнозирования уровня 3 включают портфолио промышленного ИИ (Amazon Lookout For Equipment, Amazon Lookout for Vision, Amazon Monitron, AWS Panorama). Он также включает сервисы AWS High Performance Computing (HPC), Amazon SageMaker, образ AWS Deep Learning AMI и контейнеры AWS Deep Learning Containers для создания и развертывания собственных моделей машинного обучения.

L4 Жизнь фокусируется на обновляемых моделях для получения действенной информации на уровне отдельных объектов, которую при необходимости можно агрегировать до уровня парка. Уровень L4 представляет собой кульминацию пути цифрового двойника, что соответствует полному определению цифрового двойника. Ключевое различие между L3 Predictive и L4 Living заключается в возможности обновлять саму модель на основе данных от физических объектов и окружающей среды. С точки зрения бизнеса, возможность обновления модели цифрового двойника L4 расширяет его использование до временных масштабов, когда поведение физической системы значительно меняется. Цифровые двойники L3, с другой стороны, полезны для прогнозирования момента времени (или очень короткого периода времени после этого). Один из способов понять, что прогностические модели, обученные на исторических данных, по определению неточны в день их развертывания, потому что изменения в физической системе не включаются в обучающий набор данных. Использование этой неточной модели для прогнозирования наперед фактически приводит к такому распространению ошибки, что со временем делает прогноз бесполезным.

Общие варианты использования включают анализ сценариев («что, если») и рекомендации по оптимальным действиям. Например, L4 содержит прогнозы RUL редуктора ветровой турбины вместе с неопределенностями прогноза. Параметры в модели (перекос вала, износ подшипников, толщина смазочной пленки и т. д.) обновляются на основе данных IoT, чтобы точно отразить ухудшенное состояние, а не исходное состояние нового. Создание цифрового двойника L4 Living лучше всего выполнять с использованием различных вероятностных методов оценки (обсужденных в будущем блоге). Основные необходимые сервисы AWS: Amazon EC2, Amazon S3, Amazon DynamoDB, AWS Lambda, Amazon SageMaker, AWS Deep Learning AMI и AWS Deep Learning Container.

Что дальше для цифрового двойника?

Сегодня многие из наших клиентов все еще находятся на ранних этапах своего пути к цифровым двойникам. Они усердно работают, чтобы связать данные из разрозненных источников и визуализировать эти данные в контексте на информационных панелях или в иммерсивных средах (L2 DT). На сегодняшний день первые приложения в значительной степени адаптированы и экономически значимы только для высокоценных вариантов использования, таких как реактивные двигатели, электростанции и операции на промышленных объектах. Мы ожидаем, что в ближайшие несколько лет такие сервисы, как AWS IoT TwinMaker, сократят расходы и упростят развертывание. Эта коммерциализация способствует внедрению в широком диапазоне повседневных вариантов использования контекстной визуализации. Параллельно с этим ожидается, что передовые методы прогнозного моделирования (L4 DT) станут более доступными для целевых сценариев использования с высокой ценностью. Эти методы теперь доступны в академической литературе и используются нишевыми научно-исследовательскими группами. В конечном итоге эти методы также станут массовыми и легко адаптируемыми к повседневным случаям использования, что позволит любому создавать живых цифровых двойников L4. Чтобы начать этот путь L4 DT, мы делаем открытым исходный код доступным и обсуждаем его в будущем блоге, чтобы клиенты могли начать изучение.

резюме

В этом блоге мы представили обзор определения цифрового двойника AWS и индекса выравнивания L1–L4, чтобы помочь клиентам классифицировать свои варианты использования. В будущих блогах мы представим цифровых двойников L1 Descriptive, L2 Informative, L3 Predictive и L4 Living на примере электромобиля (EV).

Об авторе

Доктор Адам Рашид — руководитель отдела автономных вычислений в AWS, развивающий новый рынок рабочих процессов HPC-ML для автономных систем. Он имеет более чем 25-летний опыт разработки на промежуточных этапах как в промышленных, так и в цифровых областях, включая разработку цифровых двойников в авиационной, энергетической, нефтегазовой и возобновляемой энергетике. Доктор Рашид получил докторскую степень в Калифорнийском технологическом институте. Там он изучал экспериментальную сверхскоростную атмосферную термодинамику (орбитальный нагрев при входе в атмосферу). Признанный журналом MIT Technology Review Magazine одним из «35 лучших новаторов в мире», он также получил премию Лоуренса Сперри AIAA, отраслевую награду за вклад в аэронавтику в начале своей карьеры. Он выпустил более 32 патентов и более 125 технических публикаций, связанных с промышленным анализом, операционной оптимизацией, механизированной подъемной силой, импульсной детонацией, ультразвуком, перемешиванием, вызванным ударными волнами, космической медициной и инновациями.

Этот блог был переведен архитектором решений Томоя Тоцука.