Aboshدوقلوی دیجیتال در تولید، نمایش مجازی همگامشدهٔ یک تجهیز، فرایند، خط یا کارخانه است که برای یک تصمیم عملیاتی مشخص ساخته می‌شود. تیم، مدل را به دادهٔ جاری یا دوره‌ای پیوند می‌دهد تا رفتار فرایند را ببیند، علت‌های احتمالی را بررسی کند و پیامد تغییر را بیازماید. پیش از استفاده از پیشبینی، تصمیم مورد نظر و شواهد لازم برای اعتبارسنجی پاسخ مدل را مشخص کنید.
مدل متناسب با هدف
زمینهٔ عملیاتی متصل
تصمیم سناریویی معتبر
از تصمیم شروع کنید، نه مدل سه‌بعدی
دوقلوی دیجیتال فقط داشبورد، مدل CAD یا شبیه‌سازی یک‌باره نیست. NIST آن را مدلی همگام برای نمایش، تشخیص، پیشبینی و بهینه‌سازی می‌داند. سرعت همگام‌سازی باید از نیاز تصمیم پیروی کند.
ابتدا یک تصمیم را مشخص کنید: بافر، توالی، نیروی انسانی، نگهداری یا ترکیب محصول. مرز سیستم، افق زمانی، مالک و خطای پذیرفتنی را تعیین کنید.
- تصمیم و مالک پاسخ‌گو
- مرز فیزیکی و افق زمانی
- خروجی و عدم‌قطعیت پذیرفتنی
- تناوب به‌روزرسانی متناسب با کاربرد
حداقل دادهٔ توضیح‌دهنده را متصل کنید
از داده‌های موجود PLC، IoT، تاریخچه‌نگار، MES، ERP، نگهداری، کیفیت و CSV شروع کنید. هر فیلد را به مفهوم مدل وصل و منبع، واحد، زمان و کیفیت آن را حفظ کنید.
دادهٔ بیشتر همیشه بهتر نیست. یادگیری ماشین را جایی به کار ببرید که شواهد می‌افزاید؛ مثل کشف سیکل غیرعادی یا برآورد الگوی خرابی. تبدیل‌ها باید قابل ردیابی باشند.
- شناسهٔ تجهیز و هماهنگی ساعت
- وضعیت، شمارش، سیکل، خرابی و کیفیت
- سفارش، ترکیب، مسیر، شیفت و نیروی انسانی
- قاعدهٔ دادهٔ گمشده، منشأ و دسترسی
دقت مدل را با نیاز تصمیم هماهنگ کنید
یک دوقلوی متناسب با هدف میتواند شبیه‌سازی رویدادگسسته برای جریان، مدل فیزیکی برای تجهیز و آمار یا هوش مصنوعی برای ورودی نامطمئن را ترکیب کند. جزئیات بیشتر، کالیبراسیون و راه‌های خطای بیشتری می‌آورد.
مقدار مشاهده‌شده را از برآورد جدا و فرض‌ها را ثبت کنید. مدل باید برای تصمیم کافی باشد، نه کپی همه‌منظورهٔ کارخانه.
پیش از اعتماد، اعتبارسنجی کنید
راستی‌آزمایی می‌پرسد منطق درست پیاده شده است یا نه؛ اعتبارسنجی می‌پرسد مدل برای تصمیم موردنظر به‌اندازهٔ کافی واقعیت را نشان می‌دهد یا نه. دوره‌های عادی و غیرعادی و شاخص‌های جریان، صف، توقف، کیفیت و توالی رخداد را مقایسه کنید.
عدم‌قطعیت را کمی کنید و پس از تغییر محصول، فرایند، حسگر یا کنترل دوباره بسنجید. عدد دقیق همچنان میتواند نادرست باشد.
- راستی‌آزمایی
منطق، واحد، مسیر و تکرارپذیری را بررسی کنید.
- کالیبراسیون
ورودی نامطمئن را از دادهٔ نماینده برآورد کنید.
- اعتبارسنجی
با دوره‌های استفاده‌نشده مقایسه کنید.
- کمی‌سازی
بازه و ورودی‌های تعیین‌کننده را نشان دهید.
- حاکمیت
مالک، محرک بازبینی و تأیید را تعیین کنید.
همچنین ببینیددوقلوی دیجیتال، شبیه‌سازی و فرایندکاوی
پیشبینی را به بهبود کنترل‌شده تبدیل کنید
سناریوی تغییر را با خط پایه مقایسه کنید و فرض‌ها، عدم‌قطعیت، زمان اجرا و ریسک ایمنی یا کیفیت را بنویسید. تیم میتواند از هوش مصنوعی برای یافتن گزینه‌ها و از شبیه‌سازی برای بررسی پیامد آن‌ها استفاده کند؛ مسئول تعیین‌شده باید شواهد را پیش از تصمیم بررسی کند.
پس از اجرا، نتیجهٔ واقعی را با پیشبینی مقایسه کنید. اختلاف‌ها را همراه نسخهٔ مدل ثبت و پیش از تصمیم بعدی، فرض‌های ناسازگار با مشاهدات را اصلاح کنید.
مثالی مرتبط از ابوالفضل
صف متغیر را برای تفکیک اتصال مدل از اعتبار پیشبینی دنبال کنید.
به انگلیسی در وبلاگ شخصی ابوالفضل، بنیان‌گذار Vrolen. مطالعهٔ مرتبط است، نه منبع فنی مستقل.
چک‌لیست عملی
- تصمیم و مسئول آن را مشخص کنید.
- مرز، افق و تناوب به‌روزرسانی را تعیین کنید.
- فقط دادهٔ لازم را متصل کنید.
- واحد، زمان، منشأ و کیفیت را حفظ کنید.
- دقت مدل را با ریسک هماهنگ کنید.
- چند رفتار را با دادهٔ دیده‌نشده اعتبارسنجی کنید.
- عدم‌قطعیت را نشان دهید و تأیید انسانی بخواهید.
پرسش‌های متداول
پرسش‌های متداول
منابع و مطالعهٔ بیشتر
منابع معتبر استفاده‌شده برای پژوهش و بررسی این راهنما.