Будущее функционального моделирования в цифровых технологиях-близнецах

Текущее состояние функционального моделирования

Сегодня функциональное моделирование для цифровых двойников в основном построено на физических симуляциях, системной динамике и поведенческих моделях, основанных на данных. Инженеры и ученые создают подробные представления, которые отражают реальные функции машин, зданий, цепочек поставок или даже целых городов. Эти модели полагаются на непрерывный поток данных от датчиков Интернета вещей (IoT), систем надзорного контроля и сбора данных (SCADA) и исторических эксплуатационных записей. Цель состоит в том, чтобы достичь высокоточного воспроизведения физического поведения - прогнозирования износа, моделирования режимов отказа и оптимизации параметров производительности.

Такие отрасли, как аэрокосмическая, автомобильная, производственная и энергетическая, были первыми, кто начал применять такие технологии. Например, в производстве функциональные модели позволяют прогнозировать техническое обслуживание, сравнивая показания датчиков с имитацией кривых усталости. В авиации цифровые двойники реактивных двигателей используют функциональные модели для прогнозирования срока службы компонентов и пересмотра графика. Однако большинство современных реализаций по-прежнему в значительной степени статичны: они обучаются на исторических данных и периодически обновляются, а не адаптируются в реальном времени к новым условиям эксплуатации. Это ограничение является значительным драйвером для следующего поколения подходов функционального моделирования.

Ключевые технологии, определяющие эволюцию функционального моделирования

Будущее функционального моделирования будет определяться несколькими сходящимися технологическими силами, в том числе достижениями в области искусственного интеллекта, расширенными возможностями интеграции данных и созреванием инфраструктуры моделирования и вычислений.

Искусственный интеллект и интеграция машинного обучения

ИИ и машинное обучение (ML) меняют функциональное моделирование со статического, основанного на правилах моделирования на адаптивные, основанные на обучении системы. Вместо того, чтобы требовать от инженеров вручную кодировать все возможные действия, алгоритмы ML могут обнаруживать закономерности в данных датчиков и автоматически обновлять модель. Например, обучение с подкреплением может помочь цифровому близнецу предсказать оптимальную стратегию управления для роботизированной руки при различных нагрузках, обучение из каждого цикла. Эта способность позволяет цифровым близнецам обрабатывать сложные, нелинейные динамики, которые трудно моделировать аналитически. Интеграция глубокого обучения с физически информированными нейронными сетями является особенно перспективной областью - она сочетает прозрачность физических моделей с гибкостью нейронных сетей, производя функциональные модели, которые являются точными и вычислительно эффективными.

Расширенная интеграция и совместимость данных

Будущие функциональные модели будут опираться на гораздо более широкий спектр источников данных, чем сегодня. Кормление датчиками в реальном времени, спутниковые снимки, данные о погоде, настроения в социальных сетях и рыночные цены могут влиять на поведение физического актива. Например, цифровой двойник ветряной электростанции может интегрировать прогнозы скорости ветра, данные о вибрации турбин и спотовые цены на электроэнергию для оптимизации выработки электроэнергии. Достижение этого уровня интеграции требует надежных стандартов совместимости данных и безопасных каналов передачи данных. Такие инициативы, как Консорциум цифровых двойников и отраслевые структуры (например, для интеллектуальных зданий или промышленного IoT), работают над созданием общих моделей данных и API, которые позволяют плавное слияние данных между гетерогенными источниками.

Облако и край вычисления

Вычислительные требования высокоточного функционального моделирования огромны. Облачные вычисления предоставляют масштабируемые ресурсы для обучения сложных моделей и выполнения крупномасштабных симуляций. Однако многие варианты использования требуют ответов в реальном времени или в режиме реального времени - например, цифровой двойник для автономной навигации транспортного средства должен реагировать в миллисекундах. Крайние вычисления решают эту проблему, запуская более легкие экземпляры моделей ближе к физическому активу, с обработкой облачных вычислений тяжелой аналитикой и обновлениями моделей. Синергия между облаком и краем позволяет функциональным моделям быть мощными и отзывчивыми, критическим фактором для чувствительных ко времени приложений.

Семантическая и онтологическая модель

По мере того, как цифровые двойники становятся более взаимосвязанными, растет потребность в моделях, которые могут «понять» значение данных и отношений. Семантическое моделирование использует онтологии — формальные представления знаний — для определения функций, свойств и зависимостей компонентов системы. Например, семантическая функциональная модель может сделать вывод о том, что повышение температуры двигателя может быть связано с уменьшением смазки, даже если нет прямых датчиков, которые измеряют эту связь. Онтологии также облегчают взаимодействие между цифровыми двойниками из разных поставщиков или областей, позволяя то, что иногда называют «системой систем» цифровой двойник. Этот подход набирает обороты в инициативах умного города, где цифровые двойники транспортных, энергетических и водных систем должны общаться и координировать.

Моделирование совместной и мультифизической симуляции

Системы реального мира часто включают в себя несколько взаимодействующих физических доменов - термические, электрические, механические, гидравлические и т. Д. Инструменты ко-симуляции позволяют функциональным моделям из разных доменов одновременно запускать и обмениваться данными на каждом этапе. Эта возможность необходима для цифровых двойников сложных систем, таких как электромобили (где тесно взаимодействуют управление температурой батареи, управление двигателем и динамика транспортного средства) или химические заводы (где кинетика реакции, поток жидкости и теплообмен). Достижения в платформах ко-симуляции облегчают составление функциональных моделей из доменных решателей, ускоряя разработку комплексных цифровых двойников.

Новые тенденции в функциональном моделировании для цифровых близнецов

Основываясь на этих технологиях, несколько конкретных тенденций меняют то, как разрабатываются, развертываются и поддерживаются функциональные модели.

Адаптивные и самообучающиеся модели

Наиболее трансформационной тенденцией является переход к моделям, которые непрерывно учатся на потоковых данных. Вместо того, чтобы обучаться один раз и замораживать, функциональные модели обновляют свои параметры в режиме реального времени по мере появления новых наблюдений. Например, цифровой двойник производственной конвейерной ленты может обнаруживать изменения в трении несущих и автоматически корректировать свои прогнозные модели на вероятность отказа. Эта адаптивная способность уменьшает разрыв между моделью и реальностью, постоянная проблема в развертывании цифровых двойников. Такие методы, как онлайн-обучение, байесовское обновление и трансферное обучение применяются для обеспечения возможности самообучающихся функциональных моделей без необходимости постоянного человеческого надзора.

Человек в петле и объяснимость

Несмотря на достижения в области автоматизации, человеческое суждение остается решающим для принятия критических решений. Будущие функциональные модели будут включать рабочие процессы «человек в цикле» (HITL), где модель объясняет свои прогнозы и позволяет операторам отменять или точно настраивать поведение. Разрабатываются методы объяснимого ИИ (XAI), чтобы сделать внутреннюю работу функциональных моделей прозрачной, например, подчеркивая, какие факторы ввода наиболее сильно повлияли на прогнозируемый сбой. Эта прозрачность создает доверие и позволяет экспертам в области проверять поведение модели, особенно в регулируемых отраслях, таких как здравоохранение и ядерная энергия.

Цифровые федерации близнецов и рынки

По мере того, как организации создают несколько цифровых двойников, способность связывать их с федерациями становится ценной. Функциональная модель цепочки поставок может соединяться с цифровыми двойниками отдельных заводов, складов и поставщиков логистики для оптимизации сквозной производительности. Появляются рынки для цифровых двойных компонентов, включая функциональные модели, что позволяет компаниям покупать, продавать или подписываться на проверенные модули моделирования. Эта тенденция может демократизировать доступ к расширенным возможностям моделирования, позволяя небольшим фирмам включать высококачественные функциональные модели без создания их с нуля.

Устойчивость и экологически чистые операции

Функциональное моделирование все чаще используется для стимулирования инициатив в области устойчивого развития. Цифровые двойники могут моделировать потребление энергии, выбросы углерода, производство отходов и использование воды, а затем рекомендовать оперативные изменения для снижения воздействия на окружающую среду. Например, цифровой двойник центра обработки данных может моделировать компромисс между энергией охлаждения и производительностью сервера, находя сладкое место, которое минимизирует общий углеродный след. По мере ужесточения экологических норм и повышения амбициозности целей корпоративной устойчивости функциональные модели станут важными инструментами для проектирования и эксплуатации эко-эффективных систем.

Проблемы, стоящие перед будущим функционального моделирования

Путь к функциональному моделированию следующего поколения не без препятствий. Необходимо решить ключевые проблемы, чтобы раскрыть весь потенциал цифровых двойников.

Качество данных и проверка модели

Непоследовательная, шумная или неполная информация приводит к неточным прогнозам. Обеспечение качества данных в различных источниках, особенно при использовании внешних данных, таких как погода или рыночные каналы, является серьезной проблемой. Кроме того, проверка того, что модель продолжает правильно представлять физический актив с течением времени (известная как калибровка и проверка модели) требует постоянных усилий. Разрабатываются автоматизированные инструменты проверки, которые сравнивают результаты модели с показаниями датчиков и разночтениями флага, но широкое распространение по-прежнему ограничено.

Безопасность и конфиденциальность

Цифровые двойники являются привлекательными целями для кибератак. Функциональная модель, которая управляет электрической сетью или производственной ячейкой, может быть использована для нанесения физического ущерба. Защита целостности модели и данных, которые она использует, является приоритетом. Изучаются такие методы, как блокчейн для управления версиями моделей, гомоморфное шифрование для безопасных вычислений и строгие средства контроля доступа. Кроме того, проблемы конфиденциальности возникают, когда функциональные модели включают конфиденциальные данные (например, от цифровых двойников здравоохранения); федеративные подходы к обучению, где модель тренируется локально, не обмениваясь сырыми данными, являются перспективным решением.

Вычислительная масштабируемость

Функциональное моделирование сложных систем в режиме реального времени может быть вычислительно интенсивным. Запуск высокоточных симуляций наряду с потоковой обработкой данных требует значительных аппаратных ресурсов, особенно когда многие экземпляры необходимы для парка идентичных активов. В то время как облачные вычисления предлагают масштабируемость, задержка и ограничения пропускной способности могут быть проблематичными. Методы сокращения типового порядка - упрощение сложных моделей при сохранении существенной динамики - используются для создания легких версий, которые эффективно работают на периферийных устройствах.

Стандартизация и совместимость

Отсутствие универсальных стандартов для функционального моделирования остается барьером. Различные поставщики используют проприетарные форматы для описания моделей, обмена данными и API. Эта фрагментация затрудняет интеграцию цифровых двойников из нескольких источников или миграцию моделей между платформами. Промышленные консорциумы (такие как Ассоциация промышленных цифровых двойников или инициатива по управлению активами Shell в производстве) работают над стандартами, но широкая конвергенция, вероятно, пройдет годы. В то же время организации часто должны инвестировать в специальное интеграционное промежуточное ПО.

Пробелы в рабочей силе и навыках

Создание и поддержание продвинутых функциональных моделей требует опыта в нескольких областях: физика, наука о данных, разработка программного обеспечения и часто глубокое понимание конкретной отрасли. Талант для таких междисциплинарных навыков все еще мал. Компании инвестируют в учебные программы и среды моделирования с низким кодом, чтобы снизить барьер для входа, но опытные практики остаются востребованными.

Возможности и влияние в разных отраслях

Несмотря на эти трудности, возможности, открывающиеся благодаря передовому функциональному моделированию, огромны. Различные сектора могут получить различные выгоды.

Производство и промышленная автоматизация

В производстве цифровые двойники с адаптивными функциональными моделями могут обеспечить производство световых сигналов, где машины самостоятельно оптимизируют графики, обнаруживают дефекты и запрашивают обслуживание автономно. Функциональные модели также поддерживают интеграцию цифровых потоков, связывая дизайн, производство и послепродажное обслуживание. Например, весь жизненный цикл продукта может быть смоделирован для выявления улучшений дизайна до начала физического производства. Сименс был лидером в применении функциональных моделей к промышленным цифровым двойникам, особенно в автомобильном и аэрокосмическом секторах.

Здравоохранение и наука о жизни

Появляются цифровые двойники больниц, медицинских устройств и даже органов человека. Функциональное моделирование в здравоохранении может имитировать физиологию пациента для персонализированного планирования лечения, прогнозировать распространение инфекционных заболеваний в учреждении или оптимизировать рабочие процессы в больнице. Например, цифровой двойник ICU может моделировать заполняемость кровати, доступность персонала и использование оборудования для улучшения результатов лечения пациентов. IBM Research исследовал концепции цифровых двойников для здравоохранения, подчеркивая потенциал функциональных моделей для преобразования клинического принятия решений.

Энергетика и коммунальные услуги

Операторы электросетевых сетей используют цифровых двойников с функциональными моделями для балансировки спроса и предложения, управления колебаниями возобновляемой энергии и предотвращения отключений. Функциональные модели ветряных турбин и солнечных панелей помогают прогнозировать выход на основе прогнозов погоды, в то время как модели линий электропередач оценивают тепловые ограничения и риск провисания. Энергетический сектор также выигрывает от функциональных моделей, которые имитируют процессы улавливания и хранения углерода. GE Digital предлагает цифровые двойные решения для производства электроэнергии, которые полагаются на сложное функциональное моделирование для управления эффективностью активов.

Умные города и инфраструктура

Цифровые двойники городского масштаба разрабатываются для управления движением, распределением воды, сбором отходов и реагированием на чрезвычайные ситуации. Функциональные модели позволяют анализировать, что если, например, имитировать влияние новой линии метро на время поездок и качество воздуха. Виртуальный цифровой двойник Сингапура - яркий пример, используя функциональное моделирование, чтобы помочь городским планировщикам тестировать сценарии перед их реализацией. Эти модели часто интегрируют данные из тысяч датчиков IoT и требуют обновления в режиме реального времени для отражения изменяющихся условий.

Транспорт и логистика

Логистические компании используют цифровых двойников для оптимизации планирования маршрутов, складских операций и управления парком. Функциональные модели могут имитировать последствия задержек, переориентации или изменений мощности по всей цепочке поставок. Для автономных транспортных средств цифровые двойники обеспечивают безопасную среду для тестирования функциональных моделей восприятия, планирования и управления перед развертыванием на реальных дорогах. Ansys предлагает инструменты моделирования, которые помогают создавать высокоточные функциональные модели для автомобильных и аэрокосмических приложений.

Будущее: автономный цифровой близнец

Заглядывая вперед, конечным видением функционального моделирования является автономный цифровой двойник — самодействующая, самовосстанавливающаяся система, которая требует минимального вмешательства человека. Такой двойник не только отражал бы физический актив, но и предпринимал бы действия для оптимизации производительности, снижения рисков и адаптации к непредвиденным событиям. Достижение этого потребует прорывов в таких областях, как: