korzyścią cyfrowych bliźniaków jest skrócenie czasu rozwoju produktu. W praktyce oznacza to ograniczenie liczby testów fizycznych, a czasem nawet ich całkowitą eliminację.

„Jeżeli mówimy o testach wibracyjnych, to są dni lub tygodnie. W przypadku testów żywotnościowych — miesiące” — podkreśla Hyzopski.

Jednak największy efekt pojawia się tam, gdzie ograniczeniem nie jest sam test, lecz dostęp do infrastruktury.

„Zdarza się, że stanowisko testowe jest dostępne dopiero za sześć miesięcy. Eliminacja takiego testu może oznaczać uniknięcie realnego opóźnienia projektu” — dodaje.

W takich przypadkach digital twin przestaje być narzędziem optymalizacji, a zaczyna decydować o terminie dostawy.

Więcej danych, więcej odpowiedzialności

Jednocześnie zastosowanie cyfrowych bliźniaków nie upraszcza procesu rozwoju, wręcz przeciwnie.

Aby model mógł zastąpić test fizyczny, musi zostać dokładnie zweryfikowany. To oznacza więcej pomiarów, więcej analiz i większy nacisk na ocenę ryzyka.

„Tworzenie cyfrowego bliźniaka wymaga ogromnego nakładu pracy. Musimy bardzo dokładnie zrozumieć produkt i wszystkie możliwe scenariusze jego działania” — mówi Hyzopski.

Kluczowe jest nie tylko odwzorowanie normalnych warunków pracy, ale również potencjalnych uszkodzeń i ich kolejności.

„Cyfrowy bliźniak musi odpowiedzieć na wszystko to, co weryfikuje test rzeczywisty” — dodaje.

AI uzupełnia, ale nie zastępuje

W tym procesie rośnie znaczenie analizy danych i narzędzi opartych na sztucznej inteligencji, jednak ich rola pozostaje uzupełniająca, a nie dominująca.

Nie zastępują one klasycznych modeli fizycznych, tylko wspierają je tam, gdzie symulacja okazuje się niewystarczająca lub zbyt mało dokładna.

„Nie jesteśmy w stanie zasymulować wszystkiego. W takich przypadkach generujemy dane i budujemy modele predykcyjne” — wyjaśnia Hyzopski.

W praktyce oznacza to łączenie różnych podejść — od klasycznej symulacji po modele regresyjne oraz narzędzia wykrywające anomalie lub określone wzorce.

Jednocześnie każde takie rozwiązanie musi zostać właściwie zweryfikowane.

„W automotive nie możemy sobie pozwolić na fałszywe dane. Wszystko, co wychodzi z modelu, musi zostać sprawdzone i potwierdzone w rzeczywistości” — podkreśla ekspert.

Regulacje jako punkt zwrotny

Największa zmiana może jednak nadejść nie z technologii, lecz z regulacji.

W Europie trwają prace nad dopuszczeniem wirtualnych testów i certyfikacji w procesach homologacyjnych.

„To może być jedna z największych zmian regulacyjnych w ostatnich latach” — ocenia Hyzopski.

Jeżeli nowe podejście zostanie wdrożone, cyfrowe bliźniaki przestaną być tylko narzędziem optymalizacji i staną się formalną częścią procesu dopuszczania produktów do rynku.

Na razie jednak branża działa etapami.

Cyfrowe modele obejmują dziś wybrane elementy — od procesu produkcji u dostawcy, przez montaż, po analizę cyklu życia produktu i przewidywanie jego zużycia w czasie.

„Jesteśmy dopiero na początku tej drogi. To perspektywa kilku, może kilkunastu lat patrząc całościowo” — podsumowuje Hyzopski.

Gdzie kończy się symulacja, a zaczyna decyzja

Wbrew pozorom cyfrowy bliźniak nie jest ani „sztuczną inteligencją”, ani prostą symulacją.

Jego fundamentem pozostaje fizyka, pomiar i test. Dopiero na tej podstawie budowane są modele, które pozwalają przewidywać zachowanie produktu również poza scenariuszami, które da się bezpośrednio odtworzyć.

Sztuczna inteligencja pojawia się tam, gdzie tych scenariuszy zaczyna brakować. Pomaga uzupełnić obraz, ale nie zwalnia z jego weryfikacji.

W automotive to rozróżnienie nie jest akademickie. Od niego zależy, czy decyzja może zostać podjęta bez fizycznego testu i czy można ją obronić.

Źródło: evertiq.pl