Cyfrowy bliźniak to wirtualna reprezentacja maszyny, linii, magazynu lub całego łańcucha dostaw, która na bieżąco otrzymuje dane z obiektu fizycznego i może na niego oddziaływać – bezpośrednio albo przez rekomendacje dla operatorów. Pozwala sprawdzać scenariusze „co, jeśli” na modelu, zanim zmiana zostanie wprowadzona na hali.
Koncepcję przypisuje się Michaelowi Grievesowi, który przedstawił ją na początku lat 2000. w kontekście zarządzania cyklem życia produktu; nazwa upowszechniła się po jej użyciu przez NASA. Dziś cyfrowy bliźniak jest jednym z filarów koncepcji Przemysł 4.0.
Model, cień i bliźniak
W literaturze rozróżnia się trzy poziomy integracji danych:
| Poziom | Przepływ danych | Przykład |
|---|---|---|
| Model cyfrowy (digital model) | brak automatycznej wymiany; dane wprowadza się ręcznie | symulacja układu magazynu w programie do symulacji zdarzeń dyskretnych |
| Cyfrowy cień (digital shadow) | automatyczny przepływ tylko z obiektu fizycznego do modelu | wizualizacja stanu linii i OEE na podstawie danych ze sterowników |
| Cyfrowy bliźniak (digital twin) | automatyczny przepływ w obu kierunkach | model, który na podstawie stanu linii zmienia parametry pracy lub kolejność zleceń |
Wiele rozwiązań nazywanych bliźniakiem to w rzeczywistości model lub cień. Nie umniejsza to ich wartości, ale wpływa na oczekiwania, koszt i wymagania wobec danych.
Przykład
Centrum dystrybucyjne planowało wzrost wolumenu o 30% w sezonie. Zbudowano model strefy pakowania zasilony danymi z WMS z ostatnich 12 miesięcy i przetestowano trzy warianty: dwa dodatkowe stoły, zmianę sposobu uwalniania fal kompletacji oraz oba rozwiązania łącznie. Symulacja pokazała, że same stoły przesuwają wąskie gardło na sortownię, a zmiana fal daje większość efektu bez inwestycji. Po sezonie model połączono z bieżącymi danymi z WMS, tworząc cyfrowy cień wykorzystywany do codziennego planowania obsady.
Najczęstsze błędy
- Budowa bliźniaka procesu, który nie jest ustabilizowany ani opisany – model odwzorowuje wtedy chaos, a jego wyniki są niewiarygodne.
- Niska jakość danych źródłowych z MES, WMS lub czujników, której nikt nie weryfikuje przed zasileniem modelu.
- Zaczynanie od pełnego bliźniaka całego zakładu zamiast od jednego pytania biznesowego i najprostszego modelu, który na nie odpowiada.