นับตั้งแต่ปี 2014 การบำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance) และเทคโนโลยีแฝดดิจิทัล (Digital Twins) ได้รับความสนใจอย่างสูงจากหลากหลายอุตสาหกรรม วิธีการบำรุงรักษาเชิงคาดการณ์ด้วยเทคโนโลยีแฝดดิจิทัล (PdMDT) อาศัยการสื่อสารแบบเรียลไทม์ระหว่าง Twins เป็นอย่างมาก เมื่อเปรียบเทียบกับการบำรุงรักษาเชิงคาดการณ์แบบดั้งเดิม ข้อแตกต่างที่สำคัญของ PdMDT ก็คือสามารถรับรู้ การควบคุม และการทำนายแบบเรียลไทม์ได้ โหมดการบำรุงรักษาเชิงคาดการณ์แบบดั้งเดิมพึ่งพอข้อมูลการวิเคราะห์จากข้อมูลที่ส่งออกมาจากอุปกรณ์ แต่ถึงจะเป็นอย่างนั้น ยังคงมีสถานะออนไลน์ของอุปกรณ์จำนวนมาก พารามิเตอร์ด้านสิ่งแวดล้อม และบันทึกในอดีตที่ไม่นำมาร่วมการวิเคราะห์ ซึ่งส่งผลต่อความแม่นยำของการวิเคราะห์

ความท้าทายที่เป็นอุปสรรคยุ่งยากที่สุดที่สำหรับบริษัทอุตสาหกรรม คือ ระบบ scheduling ของสายการผลิตที่ซับซ้อน เพื่อเพิ่มปริมาณงานสูงสุดแต่ลดต้นทุนขณะที่รับประกันการส่งมอบผลิตภัณฑ์ให้กับลูกค้าตรงเวลา ฝาแฝดดิจิทัลและ AI สามารถช่วยวิเคราะห์ตัวแปรจำนวนมากพร้อมกันเพื่อนำเสนอคำตอบที่ลงตัวที่สุด ตัวอย่างเช่น ในโรงงานผลิตโลหะแห่งหนึ่ง มอบหมายให้ AI ช่วยลดการสูญเสียผลผลิตลง 20 ถึง 40 เปอร์เซ็นต์ ขณะปรับปรุงการส่งมอบตรงเวลาให้กับลูกค้า แต่บริษัทจะต้องสร้างสภาพแวดล้อมที่เอื้อต่อการเรียนรู้ของ scheduling AI เพื่อสร้างการพยากรณ์ที่บรรลุเป้าหมายนี้ การพึ่งพาข้อมูลในอดีตและการเรียนรู้ของเครื่องนั้นไม่เพียงพอทำให้ scheduling AI ไม่สามารถคาดการณ์ปัญหาในอนาคตได้บริษัทสามารถเริ่มต้นด้วยการสร้างแบบจำลองหรือ “แฝดดิจิทัล” ของสายการผลิตและรายการสั่งซื้อได้ จากนั้น ตัว scheduling AI จะกำหนด schedule สายการผลิตจริง ตัว scheduling AI จะได้ถูกประเมินประสิทธิภาพของการทำงานโดยพิจารณาตามต้นทุน ปริมาณงาน และการส่งมอบตรงเวลาของผลิตภัณฑ์

ความเป็นจริงก็คือความสามารถเชิงรับรู้ของ PdMDT เป็นผลพวงจากความสมบูรณ์ข้อมูลที่ได้รับจากการบำรุงรักษาที่เกี่ยวข้อง อุปกรณ์เครือข่ายแบบฝังตัว (เช่น เซ็นเซอร์) และอุปกรณ์สื่อสารที่เชื่อมต่อถึงกัน (เช่น Internet of Things และเครือข่ายแบบมีสายและไร้สาย) อำนวยความสะดวกในการรวบรวมสถานะการทำงาน พารามิเตอร์ และสภาพแวดล้อมที่เกี่ยวข้องกับเครื่องเป้าหมาย ทั้งนี้ ข้อมูลที่รวบรวมจากแหล่งต่างๆ จะเข้าสู่ขั้นตอน pre-processing โดยข้อมูลต่าง ๆ นี้ได้แก่การลดสัญญาณรบกวน การแบ่งส่วน การแยกคุณสมบัติ และการคัดเลือก ขั้นตอนต่อไป ข้อมูล pre-processing เรียลไทม์นี้ จะถูกดึงออกมาเปรียบเทียบกับฐานความรู้ที่เกี่ยวกับคความบกพร่องของเครื่อง รวมถึงข้อมูลการบำรุงรักษาในอดีตของเครื่อง

เทคโนโลยีแฝดดิจิทัลมีระดับการเชื่อมต่อที่แตกต่างกันระหว่างโลกทางกายภาพกับโลกดิจิทัล การเชื่อมต่อระดับ “เงา” จะมีการไหลของข้อมูลทางเดียวจากวัตถุทางกายภาพและแฝดดิจิทัลแบบอัตโนมัติระหว่าง การเปลี่ยนแปลงสถานะของวัตถุทางกายภาพทำให้เกิดการเปลี่ยนแปลงในสถานะของวัตถุดิจิทัลเท่านั้น ดังนั้นเงาจะได้รับข้อมูลการเปลี่ยนแปลงของวัตถุทางกายภาพ แต่เงาจะไม่ส่งผลให้เกิดการเปลี่ยนแปลงของวัตถุกายภาพ

ดังนั้นการเชื่อมต่อระดับ “เงา”  จึงง่ายต่อการนำไปใช้ เป็นตัวเลือกที่ดีที่สุดในการเริ่มต้นการเดินทางของการเปลี่ยนแปลงทางดิจิทัล เนื่องจากอัลกอริธึมอัจฉริยะที่ขับเคลื่อนแฝดดิจิทัลต้อง จำเป็นต้องเรียนรู้ลักษณะและพฤติกรรมของวัตถุกายภาพ และการเรียนรู้ในลักษณะนี้จำเป็นมีปฏิสัมพันธ์กับมนุษย์เพื่อช่วยสนับสนุนการบวนการเรียนรู้ ดังนั้น จึงเหมาะสำหรับการเริ่มต้นการใช้เทคโนโลยีดังกล่าว เพราะการเชื่อมต่อระดับ “เงา” นั้นเกิดความเสี่ยงต่ำสุดของการประยุกต์ใช้เทคโนโลยีแฝดดิจิทัล

แต่อย่างไรพบว่ามีการใช้คำว่า “ดิจิตอล ทวิน” อย่างไม่ถูกต้องซึ่งเป็นที่แพร่หลายเป็นที่นิยมในตลาด ซึ่งหมายถึง แบบจำลองหรือการจำลอง ซึ่งเป็นภาพดิจิทัลของวัตถุทางกายภาพที่มีอยู่หรือวางแผนไว้ โดยไม่ใช้รูปแบบใดๆ ของการแลกเปลี่ยนข้อมูลโดยอัตโนมัติหรือการผสานรวมระหว่างวัตถุทางกายภาพกับตัวเลขดิจิทัล การเปลี่ยนแปลงสถานะของวัตถุทางกายภาพไม่มีผลโดยตรงต่อสถานะของวัตถุดิจิทัล และในทางกลับกัน ดังนั้น จึงจำเป็นต้องอัปเดตแบบจำลองด้วยตนเองเป็นประจำเพื่อหลีกเลี่ยงความคลาดเคลื่อน

Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Since 2014, integrating predictive maintenance and digital twin technologies has attracted many industries. The predictive maintenance method based on digital twins (PdMDT) heavily relies on real-time communication between the twins. Compared with traditional predictive maintenance, the key difference of PdMDT is that it can real-time perception, regulation, and prediction. Traditional predictive maintenance modes based on data analysis can realize the qualitative analysis of monitoring data. There is still a large array of equipment online status, environmental parameters, and historical records left out from the analysis, which affects the accuracy of the analysis.

Some of the most difficult challenges for industrial companies are scheduling complex manufacturing lines, maximizing throughput while minimizing changeover costs, and ensuring on-time delivery of products to customers. Digital twins and AI can help through their ability to consider a multitude of variables at once to identify the optimal solution. For example, in one metal manufacturing plant, an AI schedule agent reduced yield losses by 20 to 40 percent while significantly improving on-time delivery for customers. Companies must establish an environment where AI scheduling agents can learn to make good predictions to achieve this goal. Relying on historical data and machine learning is simply inadequate since the agents cannot anticipate future issues. Instead, organizations can start by building a simulation or “digital twin” of the manufacturing line and order book. A scheduling agent can then schedule the line. The agent’s performance is scored based on the cost, throughput, and on-time delivery of products.

In essence, the perception ability of PdMDT is the outcome of relevant maintenance data acquisition processes. Embedded network devices (such as sensors) and interconnected communication devices (such as the Internet of Things and wire-and-wireless networks) facilitate collecting the operation status, parameters, and environmental conditions relevant to the target machine. In this regard, the data collected from various sources enters pre-processing operations, including noise reduction, segmentation, feature extraction, and selection. Then, this real-time pre-processed data is retrieved and compared to the machine’s fault knowledge base, including the machine’s historical maintenance information.

Considering digital twins, there are different levels of connectivity between the physical world and its digital counterpart. A “shadow” has automated one-way data flow between the physical object and its digit clone. Change in the state of the physical object leads to change in the state of the digital object, but not vice versa. Thus, a shadow receives real-world data automatically yet does not actuate changes back into physical reality autonomously.

The digital shadow is, therefore, easier to implement, and it is by far the best option to start on such a digital transformational journey. As the intelligent algorithms powering the digital clones require a training phase to learn the characteristics and behaviors of their physical equivalents, and this type of learning, in turn, is equally often supported via human interaction, shadows are the most risk-averse entry point into digital twining at its finest.

However, the market’s preferred misuse of digital twin terminology – the model, or simulation, is a digital representation of an existing or planned physical object that does not use any form of automated data exchange or integration between the physical object and its digital cone. A change in the state of the physical object has no direct effect on the state of the digital, and vice versa, and thus, the model would need to be manually updated regularly to avoid discrepancies.

Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

2014年以来、予知保全とデジタルツイン技術の統合は多くの産業に注目されています。デジタルツインに基づく予知保全（PdMDT）は、ツイン間のリアルタイムなコミュニケーションに大きく依存しています。従来の予知保全と比較して、PdMDTの主な違いは、リアルタイムの知覚、調節、予測が可能であることです。データ解析に基づく従来の予知保全モードは、監視データの定性的分析を実現できます。ただし、分析から除外される機器のオンライン状態、環境パラメータ、および歴史的記録がまだ多く残っており、これが分析の精度に影響を与えています。

産業企業にとって最も難しい課題の一部は、複雑な製造ラインのスケジューリング、変更コストを最小限に抑えながらスループットを最大化し、顧客への製品の定時納品を確保することです。デジタルツインとAIは、複数の変数を一度に考慮して最適な解を特定する能力を持つことから、これに役立ちます。例えば、金属製造プラントでは、AIスケジュールエージェントが収量損失を20〜40％削減し、顧客への定時納品を大幅に向上させました。企業はAIスケジューリングエージェントが良い予測を行うための環境を整備する必要があります。歴史データや機械学習に依存することは単純に不十分であり、エージェントは将来の問題を予測することができません。その代わりに、組織は製造ラインと受注ブックのシミュレーションまたは「デジタルツイン」を構築することから始めることができます。その後、スケジュールエージェントがラインをスケジュールします。エージェントのパフォーマンスは、製品のコスト、スループット、定時納品に基づいて評価されます。

本質的に、PdMDTの知覚能力は関連する保全データ取得プロセスの結果です。埋め込みネットワークデバイス（センサーなど）や相互接続された通信デバイス（IoTや有線・無線ネットワークなど）は、対象機器に関連する動作状態、パラメータ、および環境条件を収集するのに役立ちます。このように、さまざまなソースから収集されたデータは、ノイズ低減、セグメンテーション、特徴抽出、および選択などの前処理操作に入ります。その後、このリアルタイムに前処理されたデータは、機械の障害知識ベース（機械の歴史的な保全情報を含む）と比較されます。

デジタルツインを考慮すると、物理世界とそのデジタル補足物との間には異なるレベルの接続性があります。”シャドウ”は物理オブジェクトとそのデジタルクローンとの間で自動化された片方向のデータフローを持っています。物理オブジェクトの状態の変化はデジタルオブジェクトの状態の変化をもたらしますが、その逆はありません。したがって、シャドウは自律的に物理的現実に変更を起こすことはありませんが、リアルワールドのデータを自動的に受信します。

このため、デジタルシャドウは実装が容易であり、このようなデジタル変換の旅における最良の選択肢です。デジタルクローンを動かすインテリジェントなアルゴリズムは、物理的相当物の特性と振る舞いを学習するためのトレーニングフェーズを必要とし、この種の学習は同様に人間の相互作用によってサポートされることがあります。そのため、シャドウはデジタルツインへのリスクを最小限に抑えた最高の入り口となります。

しかし、市場でよくあるデジタルツイン用語の誤用として、モデルまたはシミュレーションがあります。これは、既存または計画されている物理オブジェクトのデジタル表現であり、物理オブジェクトとそのデジタルクローンの間で任意の形式の自動化されたデータ交換や統合を使用していないものです。物理オブジェクトの状態の変化はデジタルの状態に直接影響を与えず、その逆もまた同様であり、したがって、不一致を避けるために定期的にモデルを手動で更新する必要があります。

Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech