Цифровые двойники в интеграции с предиктивной аналитикой
Цифровые двойники — одна из самых востребованных и перспективных технологий.
Разбираемся в том, как они устроены, что умеют и к чему приведут человечество в будущем
Четыре типа цифровых двойников
Цифровой двойник — широкий термин, который часто воспринимается по-разному. В общем смысле это цифровое представление объекта, явления или процесса, но все нюансы кроются в деталях. Чтобы разобраться, как это работает, правильнее всего смотреть на слои, из которых технология состоит.
Физический слой — это реальный мир: объекты, которые каждый может увидеть или потрогать, и их действия. Можно представить автобус. Он едет по заданному маршруту, останавливаясь в определенных точках, чтобы принять и высадить людей.
Цифровой слой — это мир виртуальный. Например, электронная карта дорог, по которым этот автобус перемещается.
Программный слой — приложение, база данных, облачные алгоритмы, которые объединяют физический и цифровой слои для того, чтобы открыть какие-то новые возможности.
Если находящийся в цифровом слое объект никак не влияет на свой оригинал в реальном мире, то правильнее всего называть все это цифровой моделью. В области архитектуры и строительства ею будет прототип здания со всеми коммуникациями, которое кто-то планирует построить. А если мы проектируем спутник, то сначала можем в деталях смоделировать его на компьютере и заранее отработать на модели разные нештатные ситуации, чтобы реальный аппарат получился максимально эффективным и надежным.
Более сложный случай — цифровая тень: здесь объект из реального мира уже передает информацию в цифровой слой. Проще всего представить это на примере фитнес-браслета, который записывает трек маршрута в программу. Или транспортное приложение: вы ждете все тот же автобус на остановке и видите на карте, где именно он сейчас находится.
Если физический и цифровой слои активно обмениваются информацией с помощью программного слоя и влияют друг на друга, то это уже полноценный цифровой двойник. Самый показательный пример — программа-навигатор. С одной стороны, она получает с устройства, на котором установлена, данные о местонахождении и скорости автомобиля. Такая информация собирается с сотен тысяч машин, анализируется на сервере, и так появляется карта пробок. Ориентируясь на нее, программа влияет на действия водителя — подсказывает, куда ему лучше повернуть, чтобы доехать до нужного места быстрее.
Разумеется, отдельные цифровые двойники можно объединять в огромные сети: берем все станки с производства и всю связанную с ними инфраструктуру и получаем цифровой двойник завода. Именно на этом этапе развития технологии мы находимся прямо сейчас, но следующий шаг уже сделан. Концепция дополняется четвертым слоем, который за рубежом называют cyber. Речь идет об использовании алгоритмов машинного обучения, больших данных и других компонентов того, что принято называть искусственным интеллектом.
Проще говоря, мир движется к созданию прогнозных цифровых двойников. Это ситуация, когда навигатор не просто знает, где пробка прямо сейчас, а на основании огромного массива обработанных данных и исторической информации с высокой точностью может предсказать, где она возникнет через 15 минут, и не вести вас через эту точку. Двойник становится не просто отражением реального мира, а получает свойства, которых в нем еще нет. И это открывает перед человечеством интересные перспективы.
Немного истории: от космоса до личного гаража
Идея появилась еще в 1980-х годах. Люди давно хотели объединить различные устройства в единую модель, чтобы они могли взаимодействовать друг с другом, но уровень развития технологий и их стоимость довольно долго не позволяли это сделать. В 1990-х начал развиваться интернет вещей, а в 2002 году первую концепцию цифрового двойника описал Майкл Гривз из Мичиганского университета. В его работе речь как раз идет о физическом, цифровом и программном слоях, просто тогда формулировки были немного другими. И он же сразу заложил основу предсказательного подхода, когда указал, что в идеальных условиях вся получаемая от изделия информация может быть получена от его цифрового двойника.
Термин «цифровой двойник» впервые появился в отчете NASA в 2010 году. Но тогда все это было связано именно с цифровой моделью и концепцией PLM, жизненного цикла продукта. Исследователи говорили о создании виртуальной копии космического аппарата с максимальной реалистичностью, причем она должна была охватывать не только сам объект, но и этапы работы с ним — строительство, испытания и полет.
Сегодня вычислительные мощности даже по сравнению с не таким уж и далеким 2010-м годом выросли многократно и стали гораздо доступнее. Так что удивить кого-то цифровыми двойниками буровых установок, пароходов и целых заводов довольно сложно. Можно даже сказать, что технология из промышленного мира уверенно идет к обычным людям. Самый понятный и, пожалуй, один из наиболее прогрессивных примеров ее реализации — это Tesla. Автомобиль содержит в себе цифрового двойника, который постоянно следит за его состоянием и анализирует данные. В рамках программы минимум они передаются на завод, с которого некоторые электронные ошибки можно исправить удаленно еще до того, как их заметит водитель. Программа максимум — постоянный обмен информацией с другими такими же технологичными автомобилями, который и сделает возможным реализацию функции автопилота.
Задачи и индустрии: где двойников больше всего?
Ключевая задача любого цифрового двойника — делать сложные процессы или объекты более управляемыми и предсказуемыми. В идеале — даже без физического вмешательства в их работу. Сейчас количество датчиков и сенсоров настолько велико, что мы можем генерировать совершенно невероятные объемы информации. Собственными силами человек обрабатывать их не в состоянии уже очень давно, и на помощь ему приходят вычислительные мощности компьютеров.
Получается, что в хорошо цифровизированных отраслях двойники, с одной стороны, помогают более качественно решать привычные задачи. С другой стороны, они являются абсолютно необходимыми: одно вытекает из другого. Однако это история не только про экономию и оптимизацию. В качестве живого примера можно представить таксопарк с сотней машин, в котором цифровой двойник нужен для распределения заказов, построения маршрутов и минимизации простоев. Но внедряют его не для того, чтобы избавиться от половины авто и продолжать зарабатывать столько же, а для того, чтобы те же самые 100 машин генерировали больше прибыли. Когда процесс налажен, можно масштабировать бизнес до 1000 машин и сохранить управляемость, оставаясь эффективным.
Цифровые двойники применяются в самых разных индустриях. Можно взять более узкое деление, как в отчете Fortune Business Insights за 2021 год: там на долю категорий «аэрокосмическая отрасль и оборона», «автомобили и транспорт», «производство» и «здравоохранение» приходится почти 75% всего мирового рынка. Кстати, его объем тогда оценили в $6,75 млрд, но гораздо интереснее выглядит среднегодовой темп прироста более чем в 40%. Технология очень современная и крайне востребованная.
Наш собственный «топ» отраслей для внедрения цифровых двойников мы строим на основе того, как в них проходили предыдущие волны цифровизации и цифровой трансформации. Чем глубже проникли технологии, тем больше возможностей для создания и применения двойников.
«Умный» город и все, что с ним связано: от безопасности до транспорта.
Добыча полезных ископаемых, в которой все уже весьма технологично, но работа ведется «в полях» в экстремальных условиях, а теперь к непосредственной добыче добавляется необходимость учитывать и волатильность мировых рынков.
Архитектура и строительство, где все уверенно идет к идее динамических, то есть движущихся зданий.
Промышленное производство. Во-первых, здесь востребованы цифровые двойники продуктов (например, автомобиля, самолета, двигателя), позволяющие заранее отточить до совершенства объекты, создание прототипов которых в реальном мире может обойтись очень дорого. Во-вторых, здесь нужны цифровые двойники производственных линий из множества агрегатов и механизмов для оптимизации и повышения эффективности их работы.
Если говорить конкретно про Россию, то здесь главные заказчики — это представители промышленной и строительной отраслей, а также энергетического сектора. В больших городах правительства серьезно занимаются транспортом и связанной с ним инфраструктурой. Кроме того, у нас великолепно развиты цифровые сервисы — достаточно просто заглянуть в те программы, которыми вы постоянно пользуетесь в телефоне: такси, доставка, навигатор, банкинг. Для конечного пользователя это остается за кадром, но в них тоже используется концепция цифровых двойников.
Суперсила цифровых двойников: компьютерное зрение
Датчики на реальных объектах, которые передают данные их цифровому двойнику, могут быть разными. Одно из самых интересных решений в этой области — системы компьютерного зрения. Обычно они состоят из камер оптического и других диапазонов, и на них можно установить фильтры: например, поляризационные. Их ключевая задача — давать системам искусственного интеллекта изображение для анализа. По нему они определяют наличие или отсутствие объектов в нужном месте, измеряют их физические параметры и выявляют образцы с дефектами на основе анализа поверхностей и формы.
Тут уместно привести еще одну классификацию цифровых двойников, потому что компьютерное зрение применяется во всех этих случаях. По названиям нетрудно догадаться, что самая важная сфера — это производство.
Прототипы — цифровые копии физических объектов, которые хранят всю информацию с оригиналов.
Экземпляры — двойники, работающие одновременно с физическим объектом, копией которого являются. Они включают в себя все данные об использовании оригинала и его 3D-модель.
Агрегированные цифровые двойники — совокупность множества экземпляров. Например, четыре десятка двигателей на нескольких заводах, расположенных в разных регионах страны.
Примеры интеграция цифровых двойников в предиктивной аналитике
Цифровые двойники стали одним из самых значимых технологических прорывов последнего года в области обслуживания промышленного оборудования. По данным Forrester Research, интеграция цифровых двойников с системами предиктивной аналитики позволяет сократить незапланированные простои оборудования в среднем на 38%.Гибридные физико-статистические модели
Исследователи из Стэнфордского университета представили в журнале Nature Machine Intelligence новый подход к созданию цифровых двойников, объединяющий физическое моделирование с методами глубокого обучения. Уникальность подхода состоит в том, что система использует фундаментальные физические законы как базовую структуру, которая дополняется и уточняется нейронными сетями на основе реальных данных.
Результаты впечатляют: точность предсказания отказов гидравлических систем повысилась на 27% по сравнению с чисто статистическими методами, а время прогноза до наступления критического состояния увеличилось с 48 до 96 часов. Особенно важно, что модель сохраняет высокую точность даже при ограниченном объеме исторических данных.
Многомасштабное моделирование компонентов
Компания Siemens в сентябре 2024 года представила обновленную платформу Teamcenter Digital Twin с возможностью многомасштабного моделирования. Система позволяет отслеживать износ отдельных компонентов на микроуровне и автоматически оценивать его влияние на работу всего комплекса оборудования.
В ходе пилотного проекта на заводе Volkswagen в Вольфсбурге технология продемонстрировала способность предсказывать деградацию сварочных аппаратов на производственной линии с точностью до 92%, при этом определяя конкретный компонент, требующий замены. Это позволило сократить время плановых ремонтов на 43% за счет точечной замены только изношенных деталей вместо проведения комплексного обслуживания.
Коллаборативные цифровые двойники
IBM Research совместно с ABB разработали концепцию коллаборативных цифровых двойников. В отличие от традиционных моделей, ориентированных на отдельные машины или производственные линии, коллаборативные двойники моделируют взаимодействие между различными системами и их влияние друг на друга.
Такой подход позволил выявить ранее неизвестные причинно-следственные связи между работой энергетической и производственной инфраструктуры. Например, на нефтехимическом предприятии система обнаружила, что микроколебания в электросети, вызванные работой компрессоров, приводят к постепенной деградации электронных компонентов в системах управления технологическими процессами. Выявление этой зависимости позволило предотвратить серию отказов, которые ранее считались случайными и несвязанными.
Адаптивные цифровые двойники с самообучением
Исследователи из Технического университета Мюнхена разработали архитектуру адаптивных цифровых двойников, способных автоматически корректировать свои модели при изменении характеристик реального оборудования. Система непрерывно сравнивает прогнозы с фактическими показателями и самостоятельно определяет, когда и какие параметры модели требуют корректировки.
Данный подход решает одну из ключевых проблем традиционных цифровых двойников — их быстрое устаревание по мере износа оборудования или изменения условий эксплуатации. В испытаниях на газовых турбинах система поддерживала точность прогнозов выше 89% даже после 8000 часов эксплуатации без ручной перекалибровки модели.
Интеграция с дополненной реальностью для обслуживания
Microsoft и PTC в рамках совместного проекта представили интеграцию цифровых двойников с системами дополненной реальности для технического обслуживания. Используя HoloLens 2, технические специалисты получают наглядную визуализацию состояния внутренних компонентов оборудования без необходимости его разборки.
Система визуализирует прогнозируемый износ деталей, температурные поля и механические напряжения, наложенные на реальное изображение оборудования. Кроме того, техникам предоставляются пошаговые инструкции по оптимальному порядку обслуживания, учитывающие текущее состояние каждого компонента согласно данным цифрового двойника.
Внедрение решения на предприятиях General Electric привело к сокращению времени технического обслуживания промышленных газовых турбин на 32% и снижению ошибок персонала на 47%.
Экономический эффект и перспективы
По оценкам аналитической компании McKinsey, опубликованным в октябре 2024 года, интеграция цифровых двойников с системами предиктивного обслуживания способна принести производственным предприятиям экономический эффект в размере 2-4% от годовой выручки за счет:
Снижения простоев оборудования (в среднем на 30-45%)
Увеличения срока службы критических компонентов (на 15-25%)
Оптимизации запасов запчастей и материалов (сокращение на 20-30%)
Повышения энергоэффективности производства (на 5-15%)
Согласно прогнозам Markets and Markets, мировой рынок цифровых двойников для предиктивного обслуживания достигнет $16,5 млрд к 2028 году при среднегодовом темпе роста 32,7%.