بازطراحی زیرساخت‌ها از طریق مدل‌سازی دوقلوی دیجیتال
به گزارش گروه دانشگاه خبرگزاری دانشجو، تصور کنید که بتوانید آینده‌ی یک ماشین را بدون لمس کردن آن، پیش‌بینی کنید - میزان فرسودگی آن را پیگیری کنید، زمان خرابی احتمالی آن را پیش‌بینی کنید و عملکرد آن را به دقت تنظیم کنید.
این وعده‌ی مدل‌سازی دوقلوی دیجیتال است: یک مدل مجازی که تکامل می‌یابد و با همزاد دنیای واقعی خود سازگار می‌شود.
برخلاف شبیه‌سازی‌های ایستا یا مدل‌های سه‌بعدی، دوقلو‌های دیجیتالی - که با استفاده از دانش تخصصی توسعه یافته‌اند - دائماً با داده‌های زنده جمع‌آوری‌شده از دارایی فیزیکی که نماینده آن هستند، چه یک توربین بادی، یک ماشین یا حتی یک قلب انسان، به‌روزرسانی می‌شوند.
این بازخورد در لحظه به مهندسان اجازه می‌دهد تا عملکرد را پیگیری کنند، خطا‌ها را قبل از وقوع پیش‌بینی کنند و برای نگهداری کوتاه‌مدت و بلندمدت با دقت بهتری برنامه‌ریزی کنند.
گزارش شده است که ۲۹٪ از شرکت‌های تولیدی جهانی، استراتژی دوقلوی دیجیتال را به‌طور کامل یا جزئی پیاده‌سازی کرده‌اند.
دانشیار پیترو بورگسانی، از دانشکده مکانیک و تولید دانشگاه UNSW، می‌گوید در صنایعی که ایمنی، قابلیت اطمینان و بهره‌وری هزینه حیاتی هستند، مدل‌سازی دوقلوی دیجیتال در مدیریت دارایی‌ها بسیار ارزشمند است.
او می‌گوید: «یک دوقلوی دیجیتال فقط شبیه‌سازی نمی‌کند، بلکه با دستگاه زندگی می‌کند. شما می‌توانید از تاریخچه دیجیتال دستگاه خود برای کنترل چگونگی روند تخریب دارایی استفاده کنید و سپس از این دانش برای ساده‌سازی عملیات خود استفاده کنید.»
«به جای اینکه نسبت به آنچه برای دارایی اتفاق می‌افتد واکنش نشان دهیم، این به ما اجازه می‌دهد برنامه‌ریزی کنیم -، اما با دقت بهتر.»
از پره‌های توربین بادی تا ضربان قلب
دوقلو‌های دیجیتالی در حال حاضر برای نظارت بر سیستم‌های پیچیده در بخش‌های تولید و انرژی مورد استفاده قرار می‌گیرند. با این حال، این فناوری محدود به ماشین‌های بزرگ و فیزیکی نیست.
این روش به طور گسترده توسط شرکت‌های ساختمانی برای طراحی و ساخت مراحل یک سازه استفاده می‌شود تا مشکلات را قبل از اینکه توسعه یافته و پرهزینه شوند، کشف کنند.
در صنعت پزشکی، محققان زیست‌پزشکی نیز در حال آزمایش دوقلو‌های دیجیتالی اندام‌های انسانی مانند قلب هستند تا پیشرفت بیماری را بهتر درک کرده و درمان‌ها را شخصی‌سازی کنند.
پروفسور بورگسانی می‌گوید: «اصول یکسانی اعمال می‌شود: داده‌های مختص بیمار را وارد کنید، مدل را به‌طور مداوم به‌روزرسانی کنید و نتایج آینده را شبیه‌سازی کنید.»
تنها چیزی که تغییر می‌کند، فیزیک است. برای یک ماشین، ما از دینامیک و تحلیل ارتعاش استفاده می‌کنیم. برای قلب انسان، همه چیز به زیست‌شناسی و پزشکی مربوط می‌شود.
داده‌ها پادشاه هستند—اما تخصص هنوز هم حکمفرماست
ستون فقرات یک دوقلوی دیجیتالی موفق، داده‌ها و حجم زیادی از آنها است. اما حتی با پیشرفت در حسگر‌ها و دستگاه‌های اینترنت اشیا (IoT)، جمع‌آوری داده‌های کافی و با کیفیت بالا هنوز هم می‌تواند یک مانع باشد.
پروفسور ژونگ‌شیائو پنگ، که رهبری گروه تحقیقاتی تریبولوژی و پایش وضعیت ماشین‌آلات در دانشگاه UNSW را بر عهده دارد، می‌گوید برای ساخت یک دوقلوی دیجیتال خوب، به داده‌ها و دانش بنیادی قوی در مورد نحوه عملکرد سیستم نیاز دارید.
او می‌گوید: «در بسیاری از کاربرد‌های حیاتی، اغلب جمع‌آوری حجم زیادی از داده‌ها، به‌ویژه در شرایط عملیاتی مختلف یا وجود نقص، دشوار است.»
«برای مثال، اگر از دوقلوی دیجیتال برای پیش‌بینی خرابی توربین‌های بادی استفاده می‌کنید، به داده‌های زیادی نیاز ندارید، زیرا این بدان معناست که بسیاری از توربین‌های بادی از کار افتاده‌اند - که می‌دانم کمی متناقض است.
در این موارد، تخصص انسانی برای ساخت مدل‌ها از اصول بنیادی فیزیک وارد عمل می‌شود. سپس دوقلوی دیجیتال می‌تواند با هر داده‌ای که در دسترس است، به دقت تنظیم شود.
دوقلو‌های دیجیتال فقط برای پیش‌بینی خرابی‌ها یا کاهش زمان از کارافتادگی مفید نیستند، بلکه به عنوان مخازن دیجیتالی دانش سازمانی نیز عمل می‌کنند.
پروفسور بورگسانی می‌گوید یکی از بزرگترین مزایا برای شرکت‌ها این است که می‌توانند تخصص یک مهندس باتجربه را در دوقلوی دیجیتال به کار گیرند. به این ترتیب، این تخصص با ترک سازمان از بین نمی‌رود.
«این امر به ویژه برای شرکت‌های متوسط که اغلب در استخدام یا حفظ کارکنان بسیار متخصص با مشکل مواجه هستند، جذاب است. یک دوقلوی دیجیتالی که به خوبی طراحی شده باشد، هم به عنوان یک مانیتور عملکرد و هم به عنوان یک ابزار آموزشی برای نسل بعدی مهندسان عمل می‌کند.»
گسترش مقیاس: از ماشین‌ها تا شهر‌ها
با افزایش مقیاس دارایی‌ها، چالش‌های استقرار دوقلو‌های دیجیتالی نیز افزایش می‌یابد.
برای سیستم‌های بزرگ‌مقیاس، مانند شبکه‌های جاده‌ای پیچیده یا زیرساخت‌های انرژی، نصب حسگر‌های سنتی در هر نقطه داده می‌تواند پرهزینه یا غیرعملی باشد.
پروفسور بورگسانی می‌گوید رویکرد‌هایی مانند «حسگر جمعیت» ممکن است راه حلی برای این مشکل ارائه دهند.
او می‌گوید: «محققان ایده استفاده از فعالیت‌های روزمره برای جمع‌آوری داده‌های اجرای زنده را بررسی کرده‌اند.»
«تصور کنید که بتوانید فقط با رانندگی در مسیر معمول خود به محل کار، به جمع‌آوری داده‌ها در مورد زیرساخت‌های جاده‌ای کمک کنید. مطالعاتی انجام شده است که دقیقاً همین کار را انجام داده‌اند، با چندین وسیله نقلیه که داده‌ها را برای تخمین ناهمواری جاده جمع‌آوری می‌کنند.»
پروفسور بورگسانی اذعان می‌کند که مسائل مربوط به حریم خصوصی و مالکیت داده‌ها، پذیرش این ایده را محدود کرده است، اما می‌گوید منابع داده دیگری مانند تصاویر ماهواره‌ای عمومی نیز می‌توانند به عنوان حسگر مورد استفاده قرار گیرند.
او اضافه می‌کند: «اگر در میزان داده‌هایی که می‌توانید جمع‌آوری کنید محدودیت دارید، دوقلو‌های دیجیتال را می‌توان طوری برنامه‌ریزی کرد که بین نقاط داده‌ی از دست رفته، درون‌یابی انجام دهند.»
تنش هوش مصنوعی
یکی از بزرگترین موانع پذیرش، کمبود تخصص انسانی است. با این حال، هوش مصنوعی (AI) این پتانسیل را دارد که با یادگیری مستقیم از داده‌ها، فرآیند پرزحمت ساخت یک دوقلو را خودکار کند.
پروفسور بورگسانی می‌گوید: «این مهندسی معکوس روشی است که ما معمولاً برای ساخت یک دوقلوی دیجیتال استاندارد استفاده می‌کنیم.»
«با مدل‌های سنتی، شما فیزیک و استدلال را درک می‌کنید، زیرا با تخصص شروع می‌کنید.
«در هوش مصنوعی، اغلب یک جعبه سیاه وجود دارد. این تخصص نیست که شما در نرم‌افزار قرار می‌دهید؛ بلکه حجم زیادی از داده‌های تاریخی است؛ و برنامه، تخصص را از داده‌ها جمع‌آوری خواهد کرد.»
با این حال، این مدل مسائلی را در مورد شفافیت مطرح می‌کند.
پروفسور بورگسانی می‌گوید: «مدل هوش مصنوعی شما ممکن است به شما بگوید که سیستم ظرف سه ماه از کار خواهد افتاد، اما بدون درک اینکه چرا الگوریتم به این نتیجه رسیده است، مهندسان و اپراتور‌ها اغلب اعتماد به نفس لازم برای اقدام را نخواهند داشت.»
ما در حال بررسی رویکرد‌های ترکیبی هستیم، که در آنها مدل‌های مبتنی بر فیزیک با یادگیری ماشینی به روش‌های هدفمند ترکیب می‌شوند.
«این در مورد ارتقای تخصص است، نه جایگزینی آن.»
پروفسور بورگسانی می‌گوید با ورود فناوری‌های جدید به بازار با سرعتی حتی بیشتر، قابلیت مدل‌سازی دوقلوی دیجیتال اهمیت بیشتری پیدا کرده است.
او می‌گوید گذار به زیرساخت‌های غیرمتمرکز در صنایعی مانند انرژی، لجستیک و حمل‌ونقل، باعث شده است که دوقلو‌های دیجیتال به یک عملکرد جدایی‌ناپذیر از عملیات تبدیل شوند.
او می‌گوید: «در گذشته، شاید فقط چند ده نیروگاه برای مدیریت داشتید. اما اکنون هزاران توربین بادی و میلیون‌ها پنل خورشیدی دارید که به یک شبکه انرژی متصل هستند.»
چه برای حفظ عملکرد روان یک مزرعه بادی باشد و چه برای ایمن و کارآمد نگه داشتن زیرساخت‌ها، دوقلو‌های دیجیتال به عنوان ابزاری کلیدی در حال ظهور هستند.