Wie wählt man den richtigen Digital Twin: Physic-based, Data-driven oder Hybrid?

Im ersten Artikel haben wir drei konkrete Hindernisse für die breite Einführung von Digital Twins identifiziert: die Komplexität der Modellbildung, die Schwierigkeit, mit kleinen Datensätzen zu arbeiten und die Veralterung von Modellen, die nicht aktualisiert werden können. In diesem Artikel wird untersucht, wie verschiedene Ansätze für Digital Twins auf diese Probleme reagieren und Ihnen helfen können, die am besten geeignete Strategie für Ihren Engineering-Prozess zu wählen.

Die meisten Ingenieure sind mit dem Konzept des Digital Twins vertraut. Aber wenn es um die Praxis geht, tauchen die eigentlichen Fragen auf:

• Welche Art von Twin ist in meinem Prozess sinnvoll?
• Habe ich genug Daten, um ein ML-Modell zu verwenden?
• Kann ich die physischen Modelle nutzen, die ich bereits habe?
• Kann ich etwas bauen, das sich im Laufe der Zeit anpasst?

Die Antwort ergibt sich aus einer technischen Überlegung: Es gibt nicht nur einen Typ des Digital Twins. Und jede Art funktioniert in einem bestimmten Kontext anders.

Die drei Ansätze im Vergleich

Wann wird was verwendet: Anwendungsfälle

• Erstes Design: Wenn Sie sich in einer Phase befinden, in der Sie noch keine realen Daten haben und eine neue Technologie durch virtuelle Bewertung ihrer Leistung entwerfen wollen, ist ein virtueller, Physic-based Prototyp die optimale Strategie. Sobald das Physic-based Modell jedoch entwickelt und validiert ist, können Sie seine Ergebnisse nutzen, um einen leichteren und schnelleren Data-driven Twin zu erstellen, mit dem Sie zusätzliche Simulationen durchführen und weitere Betriebsszenarien vorhersagen können.

• Steuerung: Verwenden Sie ein leichtgewichtigen, Data-driven Modells des Produkts, das in Echtzeit laufen kann, um die Steuerungslogik in verschiedenen Szenarien zu testen und zu debuggen.

• Testen und Validieren: Ein Data-driven Twin beschleunigt die Testzyklen durch die Verwendung von Vorhersagemodellen, die auf Daten aus bereits durchgeführten Versuchsreihen basieren. Ideal auch für virtuelle Sensoren.

• Überwachung und Wartung: Hier glänzt der Data-driven Twin, insbesondere wenn er sich selbst kontinuierlich aktualisieren kann. In vielen Fällen kann er ein physisches Modell mit Daten ergänzen, die es mit der betrieblichen Realität in Einklang bringen.

Wie man sich entscheidet

Die Frage lautet nicht mehr „Twin oder nicht Twin“, sondern welcher Ansatz in jeder Phase zu wählen ist. Einige nützliche Kriterien:

• Verfügen Sie bereits über Physic-based Simulationsmodelle? Die Modellergebnisse können ein guter Ausgangspunkt für die Erstellung leichterer Data-driven Modelle sein.
• Verfügen Sie über reale Daten aus Tests oder aus dem Betrieb, selbst wenn diese begrenzt sind? Sie können ein Data-driven Modell erstellen.

• Benötigen Sie Skalierbarkeit und Aktualisierbarkeit? Dann ist ein Hybrid-Modell oft die beste Lösung.

Die Rolle von Neureco

Neureco ist ein Tool zur Beschleunigung von Simulation, Tests, Betrieb und Produktwartung.

Es erzeugt datenbasierte, prädiktive Digital Twins selbst aus begrenzten Datensätzen.

Es kann mit bestehenden Physic-based Simulationsmodellen zusammenarbeiten, um den Digital Twin anhand der im Laufe der Zeit gesammelten realen Daten zu korrigieren, zu erweitern oder zu aktualisieren, oder es kann allein mit einem rein Data-driven Ansatz verwendet werden

Es wurde speziell für die Anwendung in der F&E/im technischen Team entwickelt, und richtet sich an die Unternehmen, die kein Team für maschinelles Lernen haben, aber ein Werkzeug zur Verbesserung des Designs und der Robustheit der Steuerung, zur Beschleunigung der Prototypentests und zur besseren Überwachung des Produkts im Betrieb benötigen.

Laden Sie das Fact Sheet herunter oder kontaktieren Sie uns, um ein Beispiel für eine konkrete Anwendung in Ihrer Branche zu sehen.