Using Digital Twins in Manufacturing’s Digital Transformation
如今，大多数制造商都在其数字化旅程中融入云、边缘等概念等创新—但是否缺少了什么？
在制造业中使用 数字孪生 并不是’一个新想法，但它’在制造业中正变得越来越普遍。’
根据 麦肯锡调查，工厂数字孪生正在成为解决制造问题的现实方法。在调查中，86%的受访者表示数字孪生适用于他们的组织，而 44%的受访者已经实施了数字孪生，15%的受访者计划在未来部署数字孪生。
什么是数字孪生？
数字孪生是PLC、工业机器、装配线、工厂车间或整个工厂等工业资产的直观呈现。
就像科学家测试理论、复制和设计实验一样，数字世界遵循类似的过程，允许制造商在将流程、工作流、设计和变化部署到整个工厂之前进行模拟和测试。数字孪生使您能够根据真实的工厂条件模拟结果—，而无需在现实生活中执行。
企业数据爱好者可以使用数字孪生来简化目的驱动数据模型的创建和维护。例如，同一条装配线可能有三个数据模型：
- 能源监控
- 预测性维护
- 生产优化
每个模型都使用特定于装配线的静态和动态数据。理想情况下，模型遵循一定的数据层次结构，具有特定于应用程序的上下文信息（如元数据）并产生有价值的输出，无论是计算、KPI、警报还是事件。这些输出还可以作为更大数据模型（例如整个站点的数字孪生）的输入。
每个数字孪生模型也可以有多个实例。理想情况下，如果您对多个站点使用集中管理平台，则可以在企业级别克隆一个实例，并轻松地将其部署到这些站点的类似资产上。
如何使用数字孪生
数字孪生可以提供从始至终工厂车间发生的一切的全景视图，复制传感器和系统并模拟各种场景。’
例如，制造商可以使用数字孪生来：
- 启用 “假设” 分析和情景规划，探索流程变化或布局调整等因素的影响。
- 及早识别问题，避免耗尽资金、时间和资源。
- 识别更好的产品设计机会。
- 以最少的时间和成本投入测试产品种类选项。
数字孪生用例：汽车制造
率先采用数字孪生技术的行业之一是 汽车。它利用数字孪生的各种特征来改进车辆设计、制造、性能监控、维护和自动驾驶开发。
车辆设计与制造
在车辆设计阶段，制造商在实际制造汽车之前会创建详细的虚拟模型。’工程师模拟和分析车辆和生产过程的各个方面，以便在实际实施之前复制、测试和识别问题。
车辆性能与维护
对于实时数据监控，传感器有助于模拟电池寿命、运动功能和驾驶动态。这些信息被输入到每辆车的数字孪生模型中。
收集的数据还可用于通过将实时数据与数字孪生的预期性能进行比较来预测维护需求。
自动驾驶与人工智能
通过模拟和数字孪生技术针对各种条件测试和改进系统比运行真实测试更安全。它还提供了比’在真实道路上是可能的。
数字孪生对于训练自动驾驶汽车的机器学习算法也是不可或缺的。大量收集的数据用于不断训练和改进负责自动驾驶的人工智能 (AI) 系统。
数字孪生的潜在陷阱
虽然数字孪生为制造商提供了在数字化转型方面取得实质性进展的机会，但也有一些注意事项需要牢记。
数据隐私和安全
数字孪生技术需要大量数据收集，这可能会引发数据隐私和安全问题。由于这些系统收集和存储大量详细信息，保护和保存敏感数据变得困难。需要采取强有力的网络安全措施来防止未经授权的访问和数据泄露，因为这可能会产生深远的影响。
复杂性和成本
数字孪生的建立和维护成本高昂且复杂，尤其是对于中小型制造商而言。专用传感器和独特数据集等要求需要大量的时间和金钱投入。因此，对于复杂产品或高价值资产的行业来说，使用它们可能更合理。
数据准确性
数字孪生依赖于准确的数据。细致的数据收集和验证实践对于确保数字孪生的有效性至关重要。否则，不准确性会严重影响使用这些模型做出的预测和决策的可靠性。
技术限制
数字孪生在现实世界中复制的能力存在局限性。虽然它们提供了宝贵的见解，但它们也有一个门槛，即它们如何复杂地反映现实生活场景。模拟世界与现实世界的复杂性之间的差距有时会产生问题。
数字孪生：只是数字化转型的一部分
那里’毫无疑问，制造业的数字孪生运动将会持续下去。
数字孪生只是数字化转型和工业自动化带来的众多积极好处中的一个例子，可帮助制造商节省时间、资源和资金。