Цифровые двойники: инструмент для принятия решений

Объем сегмента интернета вещей в России в 2024 году превысил 120 млрд рублей, а ежегодный прирост оценивается более чем в 20%. Концепция цифровых двойников, хотя и не нова, постоянно расширяет функционал, помогая оптимизировать производство, обеспечивать безопасность и моделировать сложные процессы.

Участники круглого стола «Фонтанки» рассказали, как эти технологии работают на практике.

История и сложные сферы применения

Илья Скрябин, генеральный директор Connective, отметил, что основная задача цифровых двойников — снижение ошибок при реализации крупных проектов. Трехмерное проектирование зародилось в США в 1970-х годах в наукоемких отраслях, таких как авиация и космос, а в 1980-х первые системы появились в СССР.

С развитием технологий к трехмерным моделям добавилась возможность симуляции поведения изделий в эксплуатационных условиях. Это позволило проводить вычислительное моделирование для задач прочности, гидрогазодинамики и электромагнитных задач. Когда стало возможным моделировать системы управления, технология эволюционировала в цифровые двойники.

Цифровые двойники широко применяются в авиации, например, для моделирования всего самолета, изучения режимов работы и уточнения технических заданий. Также они используются в авиационном двигателестроении.

Третье направление — эксплуатационные цифровые двойники дорогостоящих объектов, таких как нефтяные или процессные производства. Здесь специализированные информационные системы следят за тысячами датчиков вместо сотрудников.

Александр Глазунов, директор по разработке ПО «Формат кода», подчеркнул: «Важно помнить, что цифровой двойник — это и не игрушка, и не точная копия объекта. Решаемые в том или ином контексте аналитические задачи никогда не требуют от нас построения модели, которая будет полностью воспроизводить собой объект, копировать его. Поэтому самое важное — это именно моделирование необходимых свойств, которые нужны для проведения конкретных исследований».

В складской логистике цифровые двойники используют для:

• проверки гипотез перед крупными закупками оборудования, например, роботов;
• тестирования программного обеспечения без остановки реального склада;
• дополнения систем мониторинга с помощью 3D-визуализации для быстрого реагирования на внештатные ситуации.

Сергей Гумеров, основатель и CEO компании «Цифровой двойник», определил цифровой двойник как вычислительное ядро, которое ускоряет управленческие решения на протяжении жизненного цикла системы. Он аккумулирует фактические данные и статистику, являясь инструментом количественного управления.

Гумеров привел пример цифрового двойника трубопроводной системы протяженностью более 65 000 километров. Данные поступают из проектной документации, результатов диагностики, актов ремонтов и других источников. Интеграция этих сведений позволила количественно оценивать последствия управленческих решений, что сократило активные ремонты и дало экономию более 3 млрд рублей ежегодно.

Еще один пример — модель городского хозяйства Петербурга, созданная в 2015–2018 годах. Она использовалась для формирования тарифно-балансовых решений, определения объемов потребления и производства, корректировки программ почти 300 городских предприятий, обеспечивая экономический эффект не менее 10 млрд рублей в год.

Артем Дмитриев, руководитель инновационных проектов Notamedia, отметил, что цифровой двойник отличается от физического моделирования или BIM-модели тем, что работает без математических упрощений и включает сбор данных в реальном времени. В добыче полезных ископаемых, например, моделируют залежи пластов нефти и газа, оптимизируют бурение и моделируют аварийные сценарии.

В Москве цифровой двойник города помогает органам власти собирать данные по застройке, авариям и чрезвычайным происшествиям, часто с использованием ИИ и нового программного обеспечения.

Технологические аспекты: IoT и искусственный интеллект

Александр Глазунов объяснил, что IoT не ограничивается датчиками; оборудование часто имеет собственное ПО, которое предоставляет информацию для цифрового двойника. Например, складские роботы поставляются с системой RCS, позволяющей получать данные и управлять ими через web-интерфейс.

Искусственный интеллект также играет важную роль. Глазунов привел пример сборочного железнодорожного цеха, где ИИ, распознавая колеса вагонеток по видео, помогает точно опустить вагон на нужное место.

Илья Скрябин добавил, что цифровые двойники производства помогают автоматизировать процессы для достижения экономического эффекта, а ИИ применяется для контроля качества, например, для выявления дефектов в кафельной плитке или проверки сборки железнодорожной техники.

Артем Дмитриев рассказал о технологии Edge AI, где вычисления происходят непосредственно на оборудовании, что уменьшает задержки. Также ИИ используется для безопасности на производствах, таких как атомная энергетика, для мониторинга давления, утечек, перегрева и вибраций.

Сергей Гумеров отметил, что цифровые двойники предоставляют количественные метрики для управления эффективностью, надежностью и безопасностью, переводя эти задачи в измеримые категории.

Кадры и компетенции

Сергей Гумеров подчеркнул, что цифровой двойник — это прежде всего компетенции в формализации сложных систем, а не просто датчики. Россия имеет конкурентное преимущество в математическом моделировании и системном мышлении, в то время как Китай лидирует в производстве оборудования.

Артем Дмитриев отметил, что стоимость датчиков за последние пять лет снизилась в четыре раза, что делает технологии более доступными. Он выделил три компонента цифрового двойника: сбор данных, платформы для обработки и модели, объединенные с реальным производством.

Важным аспектом является безопасность. Дмитриев указал, что безоблачные решения предпочтительнее для защиты от внешних угроз при управлении стратегическими объектами.

Илья Скрябин говорил об импортозамещении на стратегических объектах, но отметил, что в частном секторе компании будут использовать более доступные решения. Россия, по его словам, может развивать цифровые двойники низкого уровня, но требуется время для консолидации игроков.

Александр Глазунов согласился, что главный ресурс — люди. Его компания разработала платформу для складской логистики, столкнувшись с задачами математического моделирования и бизнес-анализа. Он привел пример, где цифровой двойник склада моделирует сутки работы за несколько минут для оптимального распределения ресурсов.

Перспективы развития

Артем Дмитриев считает, что необходимо сочетание инженерной экспертизы и разработки ПО, а также взаимодействие между дисциплинами.

Сергей Гумеров отметил, что Россия развивается через мобилизационные рывки, а не через ритмичную эволюцию, поэтому требуется концентрация сил на крупных замыслах.

Александр Глазунов предположил, что интеграция решений от разных компаний приведет к созданию умных городов и производств, где каждое решение поддерживается технологическими системами.

Илья Скрябин подытожил, что вместо погони за трендами нужно фокусироваться на образовании и подготовке высококлассных специалистов. «Если сейчас нет какой-то конкретной стратегии и суперпроекта, который улучшит нашу жизнь, значит, государству действительно надо инвестировать больше в обучение», — сказал он.