На работу выходят двойники

Немного истории

Впервые подобная концепция появляется в книге «Происхождение цифровых двойников», написанной в 2002 году Майклом Гривсом, профессором Мичиганского университета. Он описывает три основные части, которые необходимы для работы цифрового двойника:

1. Физический продукт в реальном пространстве;

2. Виртуальный продукт в виртуальном пространстве;

3. Данные и информация, которые объединяют виртуальный и физический продукт.

Как пишет Гривс, «в идеальных условиях вся информация, которую можно получить от изделия, может быть получена от его цифрового двойника». Идея оказалась вдохновляющей, и в 2010 году термин уже официально появляется в отчете NASA о моделировании и симуляции.

Использование виртуальной реальности стало еще более реальным благодаря развитию искусственного интеллекта и интернета вещей, в итоге сегодня они используются в самых разных отраслях, в том числе для метрологических измерений. 

В России – на законных основаниях 

В 2021 году приказом Росстандарта был утвержден новый национальный стандарт серии «Численное моделирование» –  ГОСТ Р 57700.37-2021 «Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения». Он ориентируется на отрасль машиностроения, но на его основе в будущем могут быть разработаны стандарты, устанавливающие требования к цифровым двойникам изделий любых других отраслей с учетом их специфики. 

Этот стандарт является уникальной отечественной разработкой. В мировой практике впервые было установлено единое определение цифрового двойника изделия: «цифровой двойник изделия – система, состоящая из цифровой модели изделия и двусторонних информационных связей с изделием (при наличии изделия) и (или) его составными частями». Также в России впервые были стандартизованы такие понятия, как «цифровые (виртуальные) испытания», «цифровой (виртуальный) испытательный стенд» и «цифровой (виртуальный) испытательный полигон».  

ГОСТ Р 57700.37-2021 – это первый документ в серии национальных и отраслевых нормативных технических документов, которые содержат порядок разработки цифровых двойников, а также требования к структуре и порядку их сопровождения при эксплуатации изделия, порядок учета и хранения и т.д.

Как цифровые двойники работают на практике?

«Внедрение технологий цифровых двойников и имитационного моделирования в метрологию – это не просто тренд, это закономерная эволюция подхода к обеспечению точности и надежности измерений, – рассказывает Роман Логачев, руководитель отдела имитационного моделирования и аналитики в компании «Первый Бит», офис NFP. –  Мы переходим от реактивной модели, когда проблемы с калибровкой или качеством обнаруживаются постфактум, к прогнозной, где большинство решений принимается в виртуальной среде до того, как они повлияют на реальный процесс.

Внедрение цифровых двойников – это поступательный процесс, который начинается не с покупки дорогостоящего ПО, а с глубокого анализа собственных процессов: каждый шаг – от звонка клиента до подписи в сертификате, учитывая все «узкие горлышки», внезапные авралы и простои инженеров в пробке. Следующий шаг – сбор и анализ исторических данных. На этом этапе многие по-настоящему открывают для себя свои же процессы: как на самом деле распределяется нагрузка, где возникают неочевидные задержки, как время в пути влияет на производительность полевых специалистов.

После сбора данных строится имитационная модель, например, в AnyLogic. Ключевой этап – валидация. Модель должна с высокой точностью воспроизводить реальные показатели. Только после этого она превращается в надежный инструмент, на котором можно без рисков тестировать улучшения. Также необходимо понимать, что внедрение – это не разовый проект, а запуск цикла непрерывного совершенствования, где модель постоянно актуализируется и используется для принятия решений».

Какие данные можно измерять и анализировать с помощью цифровых двойников?

Имитационное моделирование открывает возможности для анализа колоссального массива данных, превращая разрозненные данные в управляемые, рассказывает Роман Логачев.

Ключевые категории:

• Данные о процессах: время выполнения отдельных операций калибровки, административной обработки заказов, время ожидания в очередях (например, пока прибор или калибратор освободится), маршруты и время перемещения инженеров;

• Данные о спросе и нагрузке: исторические и прогнозные данные о поступлении заказов на калибровку, их типы, сезонные пики и их интенсивность;

• Данные о ресурсах: загрузка и производительность технических специалистов, использование и простои калибровочного оборудования, доступность запасных частей и эталонных образцов;

• Данные о рисках и качестве: данные о дрейфе приборов (для оптимизации интервалов калибровки), вероятность сбоев производственного оборудования, статистика дефектов и время их обнаружения;

• Внешние данные: время в пути до объектов клиентов, логистика, влияние погодных условий и пробок на графики полевых специалистов.

Главная ценность модели в том, что она позволяет анализировать не данные по отдельности, а их взаимное влияние в динамике. Можно увидеть, как увеличение спроса на 20% повлияет на загрузку инженеров и процент просроченных заказов или как изменение частоты контрольных измерений на производственной линии скажется на объеме брака и общей пропускной способности.

Какой эффект может быть получен?

«Эффект от внедрения цифровых двойников в метрологии измеряется в конкретных бизнес-показателях: деньгах, времени и снижении рисков», – говорит Роман Логачев и перечисляет следующие показатели: 

1. Снижение затрат и оптимизация ресурсов – очевидный результат. Это не про «урезать бюджеты», а про «делать больше с теми же ресурсами».

   Пример: модель показала, что добавление специалистов в лабораторию не решит проблему с растущим спросом, а приведет к убыточной деятельности. Эффективным решением оказалось сокращение внутренних задержек в процессе (оптимизация координации), что позволило увеличить производительность на 60% с минимальными сверхурочными. В другом сценарии целевые инвестиции в мощности лаборатории (удвоение станций калибровки) позволили почти полностью удовлетворить спрос без расширения штата. Экономия затрат на калибровку и простои на 50%;

2. Повышение качества и соблюдение нормативных требований.

   Пример: моделирование позволило оптимизировать частоту метрологических проверок в производстве. Вместо консервативного подхода «измерять чаще на всякий случай» компания нашла баланс, который минимизирует риск выпуска бракованной продукции (раннее обнаружение дрейфа оборудования), но при этом не снижает общую производительность из-за излишних остановок на измерения. Это прямая экономия на стоимости брака и переделки;

3. Оптимизация интервалов калибровки.

   Моделирование по методу Монте-Карло на основе исторических данных о дрейфе каждого прибора позволяет перейти от калибровки «по календарю» к калибровке по состоянию. Результаты: сокращение риска вероятности использования неисправного прибора на 46% при одновременном сокращении затрат на калибровку. Стабильные приборы калибруются реже, а ресурсы концентрируются на тех, кто в этом нуждается;

4. Повышение гибкости и обоснованности решений: руководство получает инструмент для стратегического планирования.

   Можно количественно оценить, сколько инженеров потребуется для покрытия растущего парка оборудования, какой эффект дает внедрение удаленной калибровки или как оптимизировать логистику для полевых специалистов. Решения принимаются не на основе интуиции, а подкрепляются данными имитационных экспериментов.

В итоге цифровые двойники трансформируют метрологию из центра затрат, необходимого для соблюдения требований, в стратегический актив, который генерирует операционную эффективность, снижает риски и вносит прямой вклад в финансовый результат компании.

Перспективы использования цифровых двойников

Цифровая модель любого объекта – это возможность провести любые замеры и эксперименты с минимальными рисками. Если отлажены все системы и процессы, работать с цифровым двойником можно так же, как с реальным объектом: тестировать изменения и строить прогнозы, но без серьезных финансовых потерь.

Сегодня технология активно используется в промышленности, в будущем, вероятно, станет возможно работать с цифровым двойником целого города и его инфраструктуры, что поможет выявлять слабые места и предотвращать чрезвычайные ситуации. Это мировой тренд, в котором развитие отечественных стандартов и технологической базы может стать ключевой движущей силой.