Digital Twin for Predictive Maintenance Optimization
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
