Сложная техника, такая как разнообразные летательные аппараты, корабли и турбины различного назначения, рассчитана на десятилетия работы в суровых условиях или агрессивных средах. Поэтому, при эксплуатации данного оборудования неизбежна деградация производительности, что приводит к сбоям в работе и высоким затратам на техническое обслуживание. Разработка цифрового двойника для такого сложного оборудования необходима для мониторинга состояния всех узлов и агрегатов, выполнения диагностики и прогнозирования прогрессирующей степени износа, а также для обеспечения правил проектирования при техническом и профилактическом обслуживании.
Например, в 2018 году командой китайских учёных была разработана модель цифровых двойников с пятимерной структурой и рабочим процессом прогнозирования/управления состоянием (PHM — Prognostics and Health Managementl) для ветряных энерготурбин. В этой архитектуре Digital Twin моделируется в пяти измерениях: физическая сущность (PE — Physical Entity), виртуальное оборудование (VE — Virtual Equipment), сервисные протоколы для связи PE и VE (Ss — Services), данные поступающие от реального объекта к цифровому двойнику (DD — Digital-twin Data) и система интеграции процессов между этими четырьмя элементами (CN). Для правильной реализации цифрового двойника, на основе моделирования было продемонстрировано несколько методов систем, схем и моделирования пониженного порядка с использованием трёхмерного 3D-анализа конечных элементов и нулевого многодоменного моделирования цепей. По мере работы физического устройства его состояние будет меняться, поэтому всегда необходимо обновлять его цифровую модель в соответствии с теми изменениями, которые происходят с физическим прототипом. Простейшая трёхфазная схема создания модели для управления посредством цифрового двойника состоит из системы машинного моделирования, моделирования виртуальных датчиков и обновления параметров модели. В дополнение к виртуальным моделям получаемые от датчиков данные служат ключом для Digital Twin, используемого при эксплуатации и техническом обслуживании оборудования.
В качестве примера можно привести уже внедрённую и работающую систему управления большим автопарком, в которой предложена и проанализирована концепция данных о единицах (юнитах) подвижного состава и прицепов. Реализован поиск сходства с использованием графа знаний, который включает все юниты автопарка, предоставляет знания для конкретного устройства путём поиска аналогичных устройств в парке. Однако при эксплуатации и обслуживании оборудования автопарка всё равно могут возникать следующие проблемы:
1) со временем накапливается чрезмерно большой объем собранных данных, которые необходимо обработать;
2) существенные принципиальные различия между элементами подвижного состава и оборудования автопарка, которые могут неправильно учитываться при планировании.
Но, используя адаптивную физическую модель в качестве цифровых двойников для обнаружения, идентификации и устранения неисправностей, можно решить проблемы значительных различий в оборудовании и подвижном составе даже огромного автохозяйства.
В некоторых случаях для имитационных моделей недостаточно данных, получаемых в реальном времени. Моделирование численным методом Монте-Карло может быть применено для получения данных не только о конкретном автомобиле, обо всём парке задействованных машин. Для обработки данных можно использовать как метод, основанный на сигнатурах, так и подход машинного обучения, который будет включать регрессор по алгоритму «случайного леса» (RFR — Random Forest Regressor), регрессор опорных векторов (SVR — Support Vector Regressor), регрессор градиентного бустинга (GBR — Gradient Boosting Regressor) и искусственную нейронную сеть (ANN — Artificial Neural Network). С помощью такой модели и данных цифровых двойников разрабатываются некоторые приложения ещё на этапе планирования для последующей эксплуатации обслуживания оборудования.
В уже упоминаемой выше применённой технологии DT для прогнозирования и управления состоянием ветряных турбин, впоследствии другими разработчиками были внесены усовершенствования по методологии, основанной на физических свойствах объекта, для точного прогнозирования накопления повреждений и оставшегося срока службы преобразователя мощности морской ветряной турбины, путём учёта средне- и краткосрочных тепловых переходных нагрузок и долгосрочной тепловой нагрузки.
Китайские разработчики в 2017 году применили концепцию динамической байесовской сети для построения универсальной вероятностной модели диагностики и прогнозирования роста усталостных трещин в крыле самолёта.
Недавно цифровые двойники были внедрены в области переработки, рекуперации и восстановления отходов. Например, система на основе DT была разработана для восстановления или утилизации отходов производства электрического и электронного оборудования по моделям данных, соответствующих международным стандартам, для поддержки операций производства/восстановления на протяжении всего жизненного цикла продукта (от проектирования до восстановления).
Пользователи могут обновлять статус продукта с помощью различных средств поддержки Индустрии 4.0, например, мобильных приложений. Когда электрическое устройство или электронное оборудование выводится из эксплуатации, то пользователи могут обновить цифровой статус через приложение, и данные поступают компании-переработчику. Переработчики могут запустить процесс вывоза продукта и определить режим переработки, после чего направить его на тот участок переработки материалов или компонентов, которые записаны в системе, созданной на основе совокупности цифровых двойников в облачном хранилище.
