Hvad står i vejen for digital tvillingeudvikling og -adoption?

Det enorme potentiale ved digital tvillingteknologi – med dens evne til at skabe digitale kopier af fysiske objekter, processer og miljøer – har applikationer, der spænder på tværs af industrier, fra replikering af farlige miljøer til visning af rumfartøjer til fjerntræningsformål. Seneste analyse fra McKinsey tyder på, at interessen er så dyb, at det globale marked for digitale tvillinger vil vokse omkring 60 % om året i løbet af de næste fem år og nå 73.5 milliarder dollars i 2027. Interessen er tydeligvis der, men er adoptionen virkelig fulgt efter?

Svaret – det er kompliceret. Digital tvillingteknologi og dens anvendelsesmuligheder har udviklet sig enormt, men udfordringerne skal tages op, for at digitale tvillinger kan blive adopteret i stor skala.

Udviklingen af ​​digitale tvillinger

Ægte adoption af digital tvilling teknologien har været langsom, fordi den indtil for nylig manglede intelligens til at gå ud over blot at repræsentere et aktiv. Mere værdifuld ville være evnen til nøjagtigt at simulere, forudsige og kontrollere dens adfærd. Digitale tvillinger var også skræddersyede og manglede evnen til at lære globalt af lignende aktivers adfærd. Deres indsigt var fortyndet og ikke altid anvendelig til bredere organisatoriske behov, hvilket gjorde dem til en stor investering med et snævert afkast.

Alligevel nogle tidlige adoptanter af digitale tvillinger omfatte fremstillings-, detail-, sundheds- og bilindustrien, som har været i stand til at teste nye faciliteter, konfigurationer og processer i et kontrolleret miljø.

Med nye AI-drevne tilgange vil vi se et hurtigt skift fra "digitale tvillinger" til AI-drevet "simulering" og "agentur", der dramatisk vil udvide brugssagen og fremme udbredt adoption. Lad os se på disse brugskategorier:

• Repræsentation – De tidlige gentagelser af digitale tvillinger var simple digitale repræsentationer af aktiver, som ikke var særligt nyttige ud over udvalgte nichebrugssager til at forbedre designet og udførelsen af ​​visse opgaver. I bund og grund er dette "replika"-tilstanden af ​​digital tvillingteknologi.
• Simulation – I dag udvikler digitale tvillinger sig fra repræsentation til simulering, hvilket gavner et bredere sæt af use cases. Simulering betyder, at digitale tvillinger ikke kun spejler aktivet eller miljøet, men også nøjagtigt simulerer fremtidige scenarier. I denne fase er de i stand til at lære af data fra andre lignende processer for at opnå meningsfuld indsigt. Simuleringstvillinger bruger AI-algoritmer til at simulere produktionsresultater, anbefale optimale maskinindstillinger og guide produktionsteams mod forbedrede forretningsmål i en produktionsindstilling.
• Bureau – Den næste udvikling efter simulering vil være agentur, som vil gøre det muligt for aktiver, processer og hele dele af produktionen at planlægge og handle selvstændigt. I denne fase vil de også træffe komplekse beslutninger og arbejde i partnerskab med mennesker for at drive mere bæredygtig produktion. Dette er den digitale tvillingagent fase.

At bevæge sig mellem stadier kræver forskellige niveauer af understøttende teknologi, og det er altafgørende, at organisationer har den rigtige teknologistak for at opnå den maksimale effekt og ROI af digitale tvillinger.

Grundlæggende teknologi til digitale tvillinger

Den rigtige grundlæggende teknologi skal være på plads, før man går fra repræsentation til simulering og derefter i sidste ende agentur.

Bruger man fremstilling som eksempel igen, skal organisationer, der ønsker at skabe en digital simulering af en given proces eller fabriksmiljø, have pålidelige online sensing-kapaciteter. Disse sensorer leverer data fra input og output på forskellige kritiske stadier af rejsen for at give robust indsigt til at informere en simulering. Mange af disse data er let tilgængelige, og vi har set procesproducenter med kvalitetsmålinger online på udgangene (dvs. papir), men der er normalt et hul i målemålingerne for input (dvs. træfibre, der går til papirmasse) produktion).

For at omgå dette skal produktionshold klart definere den simulering, de forsøger at opnå, og de forskellige input, maskiner og systemer, der er involveret, sammen med de forskellige parametre for hver fase gennem hele processen. Dette kræver sandsynligvis, at der trykkes på eksperter på tværs af flere funktioner for at sikre, at der tages højde for alle aspekter af modellen, hvilket så vil hjælpe med at sikre, at dataene er robuste nok til at drive en simulering.

Forbindelse og sammenligning

Digitale tvillinger, der er fuldstændig isoleret, går glip af erfaringer fra andre modeller i lignende scenarier. Modellerne, der selv bidrager til den digitale tvilling, skal fodres med data fra andre lignende modeller og digitale tvillinger for at demonstrere, hvordan "godt" eller optimalt ser ud globalt, ikke kun inden for den lokale proces, der undersøges.

Som følge heraf kræver digitale tvillinger en stor cloud-komponent, ellers risikerer organisationer at miste ethvert antydning af det fulde løfte, denne teknologi tilbyder.

Den anden side af medaljen er, at digitale tvillinger ikke udelukkende må stole på skyteknologi, fordi skyens latens kan skabe hindringer for faktorer som indsamling af realtidsdata og realtidsinstruktioner. Overvej hvor meningsløst det ville være at have en simulering beregnet til at forhindre maskinfejl, kun for simuleringen at opdage en brækket rem godt efter at stykket er holdt op med at fungere korrekt og hele maskinen står stille.

For at overvinde disse udfordringer kan det være klogt at tilføje en komponent, der er edge-AI-aktiveret. Dette sikrer, at data kan fanges så tæt som muligt på den proces, der simuleres.

Mulige smertepunkter med implementering og styring

Ud over at have den rigtige teknologistak og infrastruktur til at fange de nødvendige data til AI-drevne simuleringstvillinger, er tillid fortsat en væsentlig vejblokering for implementering. Taxachauffører i London kender måske bykortet og alle dets genveje, men GPS udstyrer typisk chaufførerne med mere præcise ruter ved at indregne trafikdata. På samme måde skal ingeniører og produktionsprofessionelle opleve nøjagtige og sikre simuleringer for fuldt ud at få tillid til deres evner.

At vinde tillid tager tid, men gennemsigtighed med modellerne og med datafodringen af ​​de digitale tvillinger kan fremskynde denne proces. Organisationer bør tænke strategisk over den tankegang, der er nødvendig for at få teams til at stole på indsigten fra denne kraftfulde teknologi – eller risikere at gå glip af ROI.

Vejen til agentur

På trods af løftet om digitale tvillinger har adoptionen været relativt langsom - indtil for nylig. Introduktionen af ​​AI-drevne modeller kan tage digitale tvillinger fra repræsentation til simulering ved at forbinde indsigter fra andre modeller for at opbygge unikke læringer.

Efterhånden som investeringer og tillid øges, vil digitale tvillinger i sidste ende nå bureaustatus og være i stand til at træffe komplekse beslutninger på egen hånd. Den sande værdi er endnu ikke låst op, men digitale tvillinger har potentialet til at transformere industrier fra fremstilling til sundhedspleje til detailhandel.