.svg)
Varför datamodelleringen avgör om en digital tvilling fungerar
Den mesta uppmärksamheten kring digitala tvillingar går till själva modellen: 3D-vyn, analysen, dashboarden. Det är sällan där det går fel. En tvilling byggd på bra simuleringsmjukvara ger ändå fel svar när datan som matar den är ofullständig eller föråldrad.
En tvilling hämtar från tre sorters system samtidigt. Den tar konstruktionsdata, som delar och styckelista, från PLM. Den tar order-, kostnads- och lagerdata från ERP. Och den tar live-mätningar, som temperatur eller vibration, från sensorerna på maskinerna. Vart och ett av dessa system byggdes för sin egen uppgift, med egna dataformat och egen uppdateringstakt.
Att dra ihop allt detta till en korrekt, aktuell bild är den svåra delen, och det är ett dataproblem innan det är ett simuleringsproblem. Hur tvillingens data är strukturerad, var den kommer ifrån och hur färsk den hålls avgör om modellen stämmer med verkligheten eller långsamt glider bort från den. Det börjar med en distinktion som ofta suddas ut.
Vad är skillnaden mellan en digital tvilling och en digital tråd?
Den digitala tråden är det sammankopplade dataregistret över en produkts hela liv, och den digitala tvillingen är den levande modell som vilar på det registret och använder det för att simulera och förutsäga. De två blandas vanligen ihop, men de gör olika jobb, och skillnaden spelar roll här.
Den ena matar den andra. En tvilling utan en stabil tråd är en modell som körs på gissningar, eftersom den saknar pålitlig historik och aktuellt tillstånd att arbeta utifrån. För de flesta tillverkare är första jobbet därför att koppla samman PLM, ERP och MES till den tråden, och tvillingen är det som förvandlar den sammankopplade datan till något användbart. Att behandla tvillingen som en skärm att skruva på i slutet, snarare än något som är beroende av välorganiserad data, är så dyra tvillingprojekt slutar med att modellera fel sak.
Vad innebär det egentligen att modellera en digital tvillings data?
Det innebär att enas om en struktur som varje källsystem matar in i, så att tvillingen läser en enda, konsekvent beskrivning av en tillgång i stället för ett dussin som inte stämmer överens. Formatfrågan kommer före simuleringsfrågan.
Här har Asset Administration Shell, eller AAS, blivit den gemensamma referensen. AAS är ett överenskommet, standardiserat sätt att beskriva en industriell tillgång som digital tvilling. Den underhålls av Industrial Digital Twin Association och är publicerad som internationell standard, så den är inte knuten till någon enskild leverantör. En tillgång beskrivs genom undermodeller, där varje undermodell täcker en del av bilden: typskylten, dokumenten, sensorhistoriken eller styckelistan.
Att bygga en tvilling på en standard som AAS ger all den datan en plats att landa på. En konstruktionsfil från PLM, en arbetsorder från ERP och en sensormätning kan var och en mappas till en definierad undermodell med överenskommen betydelse, i stället för att kopplas ihop för hand för varje ny maskin. Det är vad som låter en tvilling växa förbi ett enstaka försök, eftersom den hundrade tillgången beskrivs på samma sätt som den första. AAS mognar fortfarande, och alla tillgångar behöver inte en fullständig live-tvilling, så det kloka första steget är att modellera de få undermodeller som bär verkliga beslut.
Aktuell data är vad som håller en tvilling korrekt
En delad datamodell ger tvillingen dess struktur. Att hålla den modellen aktuell är vad som hindrar den från att driva. En tvilling är användbar för att den visar tillgången som den är just nu, inte som den var vid gårdagskvällens dataexport. I samma stund som dess data hamnar efter den verkliga linjen bygger varje förutsägelse på en version av fabriken som redan har förändrats.
Det här är det tysta misslyckandet bakom många tvillingprojekt. En tvilling som matas av schemalagda nattliga exporter ser övertygande ut i en demo och blir mindre pålitlig i daglig drift, eftersom gapet mellan modellen och maskinen växer för varje timme. Händelsestyrda uppdateringar sluter gapet, så att en förändring på golvet når tvillingen inom sekunder eller minuter i stället för nästa dag. Simuleringsdata i realtid är också vad som får närliggande användningar som prediktivt underhåll att fungera, eftersom en modell som förutsäger ett komponentfel bara är så bra som färskheten på sensordatan bakom den.
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
