Цифровые двойники: как создать и сэкономить миллионы

Что такое цифровые двойники и имитационное моделирование

Имитационное моделирование — это технология, которая позволяет повторить работу реального объекта в цифровой среде. Она точно воспроизводит форму и действия оригинала в течение заданного времени.

За счет получения виртуального слепка реальной среды, по сути, безрисковой песочницы, над моделью проводят различные эксперименты, меняют параметры, и тем самым отслеживают, как изменения влияют на реальную систему.

Самый эффективный способ применения цифрового двойника — это сценарный анализ, то есть проведение экспериментов на двойнике. 

Все для того, чтобы ответить себе на важный вопрос — что, если?

• Например, что, если увеличить скорость загрузки на судно? 
• Что будет со складом, если изменить стратегию пикинга? 
• А если перераспределить порты доставки металлотрейдера, как это повлияет на количество поставляемого груза и нашу способность управлять запасами? 

Кому нужны системы имитационного моделирования

Модели активно применяется в нефтегазовом секторе и логистике. Такие компании, как «Газпром нефть», «Сибур», X5 Group, FM Logistics самостоятельно или в партнерстве с другими организациями, в том числе Adeptum, создают цифровые двойники различных активов и процессов — от цепей поставок и производства до месторождений и карьеров, а также интерфейсы управления ими.

Двойники закрывают вопрос оценки реальных систем, на которых проводить тестирование слишком ресурсозатратно (дорого или габариты не позволяют), а иногда и совсем невозможно.

Как работает имитационная модель

Успешная модель — это не только техническое достижение, но и инструмент, который дает ценные и полезные инсайты для принятия решений в реальном мире.

1. Выбор платформы и инструментов

Начало работы неразрывно связано с выбором инструментов для моделирования. Это может быть специализированное программное обеспечение (например, AnyLogic, Simio, Arena), языки программирования (Python, MATLAB, Java) или фреймворки для моделирования и симуляции.

2. Абстракция системы

Один из важных шагов — определение уровня детализации модели. Чем более подробно описать систему, тем сложнее модель и тем больше данных она потребует. Решение о том, что включать и какие детали учитывать, играет ключевую роль. 

3. Проектирование структуры модели

Создание структуры модели — это как составление пазла. Необходимо определить компоненты системы, их взаимосвязи и поведение. Например, для моделирования производственного процесса — рабочие станции, потоки материалов и информации, время обработки и т.д.

4. Разработка алгоритмов и логики

Это фаза, где происходит перевод концепции системы в код. Создание алгоритмов, управляющих поведением компонентов системы в различных сценариях и при различных условиях.

5. Тестирование и отладка

Модель должна быть проиграна на различных сценариях, чтобы можно было убедиться в ее корректности и соответствии реальной системе. Отладка кода и логики моделирования — неотъемлемая часть этого этапа.

6. Верификация и валидация

Это критически важные этапы. Верификация — проверка, что модель правильно реализует спецификации, а валидация — подтверждение того, что двойник соответствует реальной системе. То есть, сравнение результатов моделирования с реальными данными или экспериментами.

7. Оптимизация и улучшение

После проверки и валидации модели — оптимизация. Это улучшение производительности модели или добавление новых элементов. 

Как работает имитационное моделирование?

Разберем работу технологии на реальном продукте. 

Системы Моделирования Логистики на флоте в «Газпромнефть-Снабжение»

Это система поддержки принятия решений в области планирования морской логистики на основе имитационного моделирования, разработку которой «Газпромнефть-Снабжение» вели совместно с Adeptum. 

Отличие этой системы в том, что она функционирует на разработанном под задачу ПО, которое проектирует визуальную часть и состоит из веб-приложения с интерфейсами, движком имитационного моделирования и BI-аналитикой. Все в одном окне.

По итогам внедрения скорость планирования увеличилась на 85%, а вероятность допустить ошибку в расчетах из-за человеческого фактора снизилась сразу на 95%. Также цифровое решение было признано лучшим для отрасли нефтегаза и получило престижную премию ComNews.

Как создать такую модель?

1. Изначально в созданном веб-сервисе задать такие технические характеристики как показатели флота, портов, складов; параметры как фиксированных, так и переменных затрат на транспортировку, погрузку и т.д. Чтобы пользователь мог регулировать практически любую переменную.
2. Запустить модель в интерфейсе, и начать процесс имитации. Объект морской логистики «работает» виртуально, и тут можно наблюдать изменения различных показателей во времени.
3. Веб-сервис выстроит весь сложный процесс доставки ресурсов на платформы и просчитает параллельный многонитевой процесс с учетом возможных перебоев, поломок техники и любых других случайных факторов. Модель также сможет учесть временные задержки на каждом отдельном участке цепочки, а пользователь увидит весь процесс в динамике.
4. Для получения более полной картины провести несколько прогонов модели, каждый из которых будет соответствовать определенной гипотезе или сценарию. В каждом прогоне измените один или несколько входных параметров.
5. Тут необходимо изменять входные данные, экспериментировать с разными сценариями, и отбирать оптимальный план. Например, можно заметить, что при увеличении объема баржи, снижается общее количество рейсов.
6. После завершения прогонов модели проанализировать результаты. Сравнить разные прогнозы развития системы и выбрать тот, который соответствует потребностям и ожиданиям управленцев или собственников морской логистики.
7. Когда найдете оптимальный план доставки — реализуйте его на практике. 

Плюсы и минусы имитационного моделирования

Но есть ли у такого подхода подводные камни?

Плюсы технологии

1. Моделирование сложных систем в динамике

Имитационные модели учитывают множество параметров системы и взаимосвязи между ними, воссоздают работу системы во времени.

2. Возможность проведения разнообразных экспериментов

Имитационная модель — это безопасный полигон для любых экспериментов. Можно менять настройки и параметры, чтобы оценить их влияние, не рискуя нарушить работу реального продукта.

3. Оптимизация системы путем анализа разных сценариев

Анализируя поведение системы в разных условиях, можно отобрать оптимальные параметры и сценарии функционирования для реального продукта.

4. Существенная экономия времени и денег

По сравнению с натурными испытаниями сложных технических систем, имитационное моделирование экономит от десятков миллионов до миллиардов рублей. Конечно, в зависимости от масштаба системы.

По моим оценкам, экономия на этапе верификации и валидации может достигать 20-30% от общего бюджета проекта.

Минусы технологии

1. Сложность разработки качественной модели

Для построения адекватно работающей модели нужны высококвалифицированные разработчики, качественная аналитика, консалтинг и много исходных данных о системе.

2. Потребность в значимых ресурсах для моделирования сложных систем

Чем сложнее объект моделирования, тем больше вам нужно знаний и вычислительных мощностей для разработки и расчетов модели.

3. Сильная зависимость от качества входных данных

Результаты работы модели очень сильно зависят от полноты и правдивости данных о моделируемой системе.

4. Риск скрытых факторов, не учтенных при моделировании

При внедрении модельных рекомендаций на практике могут возникнуть непредвиденные проблемы из-за факторов, неизвестных на этапе построения модели.

Рекомендации по созданию цифровых двойников 

1. Первое, что нужно сделать — найти подрядчиков, которые не просто знают, как надо и не надо, а имеют успешный опыт внедрения цифровых двойников в сложные корпоративные структуры. Оценить экспертизу можно по кейсам в арсенале, а можно расспросить коллег или выставить тендер.
2. Провести полный аудит и сбор данных о моделируемом процессе или системе. Чем больше исходных данных, тем выше будет адекватность модели.
3. Вовлечь в процесс создания экспертов предметной области. Они определят ключевые параметры, взаимосвязи, правила и ограничения для воссоздания в модели.
4. Создание удобных интерфейсов и сервисов для работы пользователей с моделью — еще один важный момент. Так вы быстро проанализируете данные модели, проведете эксперименты с параметрами и примите обоснованное решение.
5. Валидировать модель путем сравнения ее поведения с реальной системой. Если есть отклонения — корректировать.
6. Проводить серию экспериментов над моделью, меняя разные параметры и сравнивая результаты.
7. Внедрять изменения на основе моделирования поэтапно, контролируя эффект и корректируя модель.
8. Организовать обратную связь от специалистов при внедрении изменений.

Главное — итеративный подход. Постоянно добавляйте детализацию, отслеживайте эффект от внедрения и корректируйте модель.