Компьютерная модель реального объекта не заменяющая его но позволяющая более эффективно им управлять

Обновлено: 04.07.2024

Сегодня в связи со всеобщей цифровизацией все чаще встречается термин «цифровой двойник». Сама концепция виртуального представления физического объекта используется уже не одно десятилетие. Однако за последние несколько лет развитие информационных технологий резко изменило ситуацию. «Цифровой двойник» не только превратился в один из ведущих трендов промышленности, но и находит применение в повседневной жизни.

Разбираемся, как применима эта технология на производстве и в медицине и сможет ли «цифровой близнец» предсказывать будущие болезни.

Что такое цифровой двойник?

Концепцию цифровых двойников впервые представил публике в 2002 году Майкл Гривз, профессор Мичиганского университета. В своем докладе, посвященном управлению жизненным циклом продукта (PLM), он рассказал о возможностях, открывающихся при создании виртуального пространства, которое дублировало бы реальное пространство и обменивалось с ним информацией. Через год ученый опубликовал статью «Цифровые двойники: превосходство в производстве на основе виртуального прототипа завода». После этого термин «цифровой двойник» (англ. Digital Twin) прочно вошел в обиход и с каждым годом получает новое наполнение.

Итак, базовая концепция не сложна для понимания: цифровой двойник – это цифровая копия физического объекта или процесса. В принципе, сама идея не так нова, как кажется. Цифровые модели для производства новых изделий на предприятиях используются достаточно давно. Но раньше в большинстве случаев после получения готового продукта виртуальную модель отправляли в архив. В концепции «цифрового двойника» виртуальная модель не отбрасывается после создания изделия, а используется в связке со своим физическим двойником на протяжении всего жизненного цикла: на этапах тестирования, доработки, эксплуатации и утилизации.

«Цифровой двойник – это обучаемая система, состоящая из комплекса математических моделей разного уровня сложности, уточняемая по результатам натурных экспериментов, позволяющая получить первый натурный образец изделия, соответствующий требованиям технического задания, а также предсказывающая его поведение на всем жизненном цикле» – такое определение, например, сформировано специалистами Объединенной двигателестроительной корпорации (ОДК), которая является одним из драйверов внедрения данной технологии у нас в стране.

Таким образом, важное свойство цифрового двойника заключается в том, что он должен быть постоянно обновляемым представлением реального физического продукта или процесса. Цифровой двойник – это динамическая, а не статическая модель реального объекта. При эксплуатации физического изделия информация с его датчиков, отчеты от пользователей и другие данные непрерывно передаются цифровому двойнику. Ответом из виртуального пространства в реальное становятся различные прогнозы и оценки, которые могут использоваться для улучшения работы и обслуживания реального объекта.

Вплоть до недавнего времени осуществить такое было сложно, но прорыв в развитии цифровых технологий (появление интернета вещей, сетей 5G, облачных вычислений) изменил ситуацию. Сегодня цифровые двойники – один из ведущих трендов технологического развития.

Цифровой двойник – ведущий тренд в промышленности

Считается, что драйвером развития рынка цифровых двойников в России является нефтегазовая промышленность. Использование цифровых двойников скважин помогает экономить компаниям до 20% капитальных затрат. Также технология востребована в двигателестроении, транспортной отрасли, машиностроении. К примеру, в 2017 году КАМАЗ заключил партнерское соглашение с Siemens с целью перехода к цифровизации и внедрения в производственные процессы решений Индустрии 4.0. В результате сотрудничества уже разработаны 3D-модели нескольких десятков станков. КАМАЗ использует их для моделирования сборки и других технологических процессов.

Из других примеров в сфере машиностроения – создание Aurus Senat. Это первый российский автомобиль, который был изготовлен с использованием технологии цифрового двойника. Автомобиль был спроектирован всего за два года именно благодаря качественной виртуальной модели. Цифровой двойник позволил провести 50 тысяч краш-тестов. Их проведение в реальном мире потребовало бы огромных временных и материальных затрат.

Большое значение имеет внедрение цифровых двойников в двигателестроении. Вся современная продукция конструкторских бюро предприятий ОДК к настоящему времени уже полностью оцифрована. Цифровые двойники используются, в частности, при проектировании, производстве, эксплуатации двигателей SaM146, ПД-14, перспективного двигателя большой тяги ПД-35, морских газотурбинных двигателей, других изделий.

«Это связано, в первую очередь, с необходимостью сокращения сроков и затрат на создание нового продукта. Как известно, количество опытных образцов, а также объем и сроки инженерных и сертификационных испытаний, направленных на доводку конструкции и подтверждение характеристик двигателя, определяют не только сроки сдачи продукта заказчику, но и стоимость газотурбинного двигателя на всех этапах его жизненного цикла. А кто хочет платить больше?» – комментирует Юрий Шмотин, доктор технических наук, заместитель гендиректора – генеральный конструктор ОДК.

ОДК не только активно внедряет технологию цифровых двойников, но и постоянно совершенствует ее. В частности, за счет виртуальной реальности (VR). Пилотный проект по внедрению VR при создании цифрового двойника газотурбинного двигателя реализуется в рамках партнерства ОКБ им. Люльки и ООО «Саровский инженерный центр». VR позволяет лучше визуализировать данные, получаемые при использовании цифровых двойников. Конструкторы и эксплуатанты могут «увидеть» физический двигатель не просто в 3D-модели, а в режиме виртуальной или дополненной реальности.

На этапе проектирования это позволяет быстро находить и исправлять ошибки в геометрии деталей, а в ходе эксплуатации виртуальная графическая среда помогает оперативно выявлять риски потенциальных неисправностей и аварий, а также сокращать затраты на обслуживание. Что бы ни приключилось с двигателем, все это заранее отразит цифровой двойник.

От виртуальных машин до «цифровых копий» человека

Цифровые двойники, бесспорно, стали очень полезным инструментом для промышленных компаний. И статистика это подтверждает. К 2021 году половина всех крупных промышленных компаний, по прогнозу консалтинговой компании Gartner, будет использовать цифровых двойников. Deloitte прогнозирует, что к 2023 году мировой рынок цифровых двойников достигнет 16 млрд долларов.

«Цифровые двойники способны значительно усилить способность предприятий принимать проактивные решения на базе данных, повысить эффективность их деятельности и избавить от потенциальных проблем. Они также могут предоставить возможность безопасным и экономным образом прорабатывать сценарии «что если», то есть, по сути дела, экспериментировать с будущим», – говорится в отчете Deloitte.

Эксперты предсказывают, что пользоваться цифровым двойником можно будет и в повседневной жизни. Например, автовладелец сможет просто навести мобильный телефон на машину и получить данные об уровне масла в двигателе, информацию о работе систем автомобиля или о сроках очередного техобслуживания.

Будет ли цифровой двойник иметь отношение только к технике или реально станет ближе к человеку? Специалисты утверждают, что цифровые двойники способны улучшить качество и продлить человеческую жизнь. Сегодня российские ученые уже ведут работы по созданию цифровой копии человека. Такой «близнец» сможет контролировать физическое состояние пациента, предсказывать заболевания и предупреждать риски их развития, позволит сделать лечение для каждого человека индивидуальным. В перспективе применение таких виртуальных моделей человеческого организма или органов позволит врачам в онлайн-режиме отслеживать данные о здоровье пациентов. Кстати, российские ученые участвуют также в масштабном международном проекте по созданию цифровых двойников – DigiTwins.

Технология цифровых двойников находит применение и в городской среде. Сегодня многие города обзаводятся своими цифровыми двойниками. Одними из первых были Сингапур, французский Ренн и индийский Джайпур. Виртуальная копия всех физических объектов города позволяет управлять им удаленно, а также решать городские проблемы. Например, в Сингапуре основная задача, которая решается с помощью цифровых двойников, – это управление водой. Для этого были оцифрованы все системы водоснабжения, контроля за количеством воды, счетчики и так далее.

Цифровой двойник — это цифровая (виртуальная) модель любых объектов, систем, процессов или людей. Она точно воспроизводит форму и действия оригинала и синхронизирована с ним.

Цифровой двойник нужен, чтобы смоделировать, что будет происходить с оригиналом в тех или иных условиях. Это помогает, во-первых, сэкономить время и средства (например, если речь идет о сложном и дорогостоящем оборудовании), а во-вторых — избежать вреда для людей и окружающей среды.

Впервые концепцию цифрового двойника описал в 2002 году Майкл Гривс, профессор Мичиганского университета. В своей книге «Происхождение цифровых двойников» он разложил их на три основные части:

Физический продукт в реальном пространстве.
Виртуальный продукт в виртуальном пространстве.
Данные и информация, которые объединяют виртуальный и физический продукт.

По мнению Гривса, «в идеальных условиях вся информация, которую можно получить от изделия, может быть получена от его цифрового двойника».

Официально термин «Цифровой двойник» впервые упоминается в отчете NASA о моделировании и симуляции за 2010 год. В нем говорится о сверхреалистичной виртуальной копии космического корабля, которая воспроизводила бы этапы строительства, испытаний и полетов.

Так выглядел центр по созданию цифровых двойников в NASA

Мощный толчок в развитии цифровых двойников произошел благодаря развитию искусственного интеллекта и интернета вещей. Согласно исследованию Gartner Hype Cycle, описывающему циклы зрелости технологий, это произошло в 2015 году. В 2016-м цифровые двойники и сами вошли в Gartner Hype Cycle, а к 2018 году оказались на пике.

Какими бывают цифровые двойники

прототип (DTP) — представляет собой виртуальный аналог реального объекта, который содержит все данные для производства оригинала;
экземпляр (DTI) — содержит данные обо всех характеристиках и эксплуатации физического объекта, включая трехмерную модель, и действует параллельно с оригиналом;
агрегированный двойник (DTA) — вычислительная система из цифровых двойников и реальных объектов, которыми можно управлять из единого центра и обмениваться данными внутри.

К примеру, на Ближнем Востоке технология цифрового двойника позволила «собрать» 20 нефтеперерабатывающих и нефтедобывающих предприятий компании ADNOC в единый диспетчерский пункт и унифицировать все процессы.

Оптимальной погрешностью между работой цифрового двойника и его физического прототипа считают 5%.

Какие задачи решают цифровые двойники

Провести тестовый запуск процесса или производственной цепочки быстро и без существенных вложений.
Обнаружить проблему или уязвимость до того, как будет запущено производство или объект поступит в эксплуатацию.
Повысить эффективность процессов или систем, отследив все сбои еще до старта.
Снизить риски — в том числе финансовые, а также связанные с безопасностью для жизни и здоровья персонала.
Повысить конкурентоспособность и прибыльность бизнеса.
Строить долгосрочные прогнозы и планировать развитие компании или продукта на годы вперед.
Повысить лояльность клиентов за счет точного прогнозирования спроса и потребительских качеств продукта.

Цифровые двойники для разработки и кастомизации роботов

Анастасия Пердеро, менеджер проекта Internet of Energy Центра энергетики Московской школы управления Сколково:

«Цифровые двойники позволяют реалистично моделировать не только сами объекты, но и процессы их строительства, эксплуатации в различных условиях. Сейчас они активно применяются для критической инфраструктуры компаний — подключенных промышленных активов, активно генерирующих данные — и могут использоваться на разных этапах жизненного цикла объекта».

Где применяют цифровых двойников

Добыча и переработка полезных ископаемых

Цифровые двойники помогают снизить риски при добыче и переработке нефти и газа. Это позволяет сохранить жизни сотрудников и избежать ущерба для окружающей среды, а также сэкономить огромные суммы.

На одном из европейских нефтеперерабатывающих предприятий система предикативной (прогнозной) аналитики Schneider Electric позволила предсказать сбой большого компрессора за 25 дней до того, как он случился. Это сэкономило компании несколько миллионов долларов.

Технология цифровых двойников позволяет создавать отдельные детали и воспроизводить целые производственные цепочки, проводя виртуальные испытания и предупреждая сбои в работе оборудования.

Корпорация Siemens использует цифровых двойников для разработки двигателей, систем коммуникаций и даже скоростных поездов

Цифровые двойники применяют, чтобы оптимизировать работу электростанций, избежать сбоев в подаче электричества и рационально подойти к энергопотреблению.

Благодаря цифровым двойникам компания GE сэкономила более $1,5 млрд для своих потребителей.

Можно смоделировать как отдельное устройство или сервис, так и целую сеть, рассчитав предельные нагрузки и продумав защиту от киберугроз.

Сервис по созданию цифровых двойников на платформе Azure от Microsoft

С помощью цифровых двойников можно построить модель будущего здания или целого квартала и спрогнозировать, как оно впишется в среду, выдержит климатические условия и нагрузки на несущие конструкции.

При восстановлении Нотр-Дама использовали цифровой двойник собора

Виртуальные 3D-модели предметов интерьера или декора помогают представить, как будет выглядеть объект, нужно ли что-то изменить в его форме, цвете и деталях.

Цифровые двойники позволяют спрогнозировать загрузку торговых залов, перемещение клиентов и сотрудников, оптимальный уровень освещенности и температуру.

С помощью цифровых двойников можно оптимизировать маршруты транспорта, работу технических служб и пассажиропотоки.

Виртуальная система обработки багажа для крупного аэропорта позволила заранее просчитать, что понадобится дополнительная линия транспортировки для перераспределения потоков при внештатных ситуациях.

Цифровые модели помогают изучить физические объекты и процессы в виртуальной среде, часто — с использованием виртуальной, дополненной и смешанной реальности.

С помощью цифровых двойников разрабатывают, тестируют и запускают космические корабли и целые программы.

Цифровой двойник «Аполлона-13» в 1970 году позволил инженерам и астронавтам на Земле спасти миссию во время аварии.

Цифровые двойники пациентов помогают сканировать жизненные показатели в режиме онлайн, подбирать наиболее эффективное лечение и проводить операции.

Можно отработать тактику командной игры или провести индивидуальную тренировку на цифровом двойнике.

Цифровые симуляции используют для усовершенствования болидов «Формулы-1», рассчитывая идеальные показатели и технические характеристики для гоночных трасс.

Существуют цифровые двойники целых городов — например, Сингапура или российского Кронштадта. На них отслеживают транспортные потоки, работу коммуникаций, застройку, экологическую обстановку и энергопотребление, чтобы вовремя вносить важные изменения.

Благодаря цифровым двойникам можно просчитать климатические условия и урожай, сделав земледелие более эффективным.

Как выглядит процесс создания цифрового двойника

Двойники можно создавать разными способами:

графическая 3D-модель;
модель на базе интернета вещей;
интегрированные математические модели — такие как CAE-системы (Computer-aided engineering, решения для инженерного анализа, расчетов и симуляций) для инженерных расчетов;
различные технологии визуализации — включая голограммы, AR и VR.

Этапы создания двойника выглядят следующим образом.

Исследование объекта

Этот этап предшествует разработке только в том случае, если у цифрового двойника есть реальный прототип — например, работающее предприятие или система коммуникаций. Тогда разработчики составляют детальную карту прототипа, воспроизводят все процессы и характеристики. При этом важно изучить объект в разных условиях.

Моделирование цифровой копии объекта

Этот этап может быть первым, если реального прототипа еще нет и создание цифрового двойника ему предшествует. Например, в строительстве или дизайне, когда вначале создается цифровая 3D-модель, а уже потом — оригинал здания или другого объекта.

Для построения комплексной модели используются математические методы вычисления и анализа:

FMEA-модели (Failure Mode and Effects Analysis, анализ видов и последствий отказов) необходимы для анализа надежности систем и выявления наиболее критических шагов производственных процессов.
CAD-модели (computer-aided design/drafting, средства автоматизированного проектирования) используются, чтобы рассчитать внешние характеристики и структуру объектов, материалов и процессов.

Воплощение модели

Затем рассчитанную ранее архитектуру цифрового двойника переносят на специальные платформы — такие как Siemens или Dassault Systemes. Они объединяют математические модели, данные и интерфейс для управления цифровым двойником, превращая его в динамическую систему. Этот этап можно сравнить с трансформацией программного кода в программу или приложение с визуальным интерфейсом, который понятен любому пользователю.

Тестирование основных процессов работы на цифровом двойнике

Главная цель этого этапа — спрогнозировать, как будет вести себя объект или система в обычном режиме и при внештатных ситуациях, чтобы избежать поломок и перегрузки после запуска. Для этого к процессу подключают технических аналитиков, которые собирают большой массив данных в ходе испытаний, чтобы просчитать алгоритмы для любых возможных условий и ситуаций.

Запуск и наладка

Если предыдущий этап провели корректно, в процессе работы реального прототипа можно избежать до 90% сбоев и поломок. Однако часть ситуаций все же не удается спрогнозировать, и тогда их отслеживают уже на этапе запуска и наладки цифрового двойника.

Корректировка и развитие оригинального объекта или системы

Далее инженеры продолжают работать с цифровым двойником как с реальным физическим объектом до тех пор, пока не будут отлажены все системы и процессы. По результатам этой работы в оригинальный объект вносят изменения, чтобы добиться его максимальной эффективности.

Перспективы цифровых двойников

По данным Gartner, 12% компаний, которые используют интернет вещей, также применяют и цифровые двойники, а 62% планируют это сделать. GE Digital в 2019 году называла цифру в 1,2 млн цифровых двойников в мире. По другим прогнозам, в ближайшие пару лет рынок цифровых двойников достигнет $16 млрд.

В промышленности технология уже сегодня помогает повысить эффективность минимум на 10%, а в нефтяной отрасли — сэкономить от 5% до 20% капитальных вложений. В ближайшие годы крупные компании перейдут к дистанционному мониторингу и управлению целыми производствами и всеми подразделениями через виртуальные системы.

То же самое произойдет и с городами: они обзаведутся цифровыми двойниками, объединяющими все важнейшие системы, районы и объекты городской инфраструктуры. Онлайн-мониторинг будет осуществляться при помощи IoT-датчиков, сканеров и дронов с машинным обучением, а сами виртуальные системы будут размещены в облаке. При этом доступ к двойникам будет и у федеральных властей. Это позволит, в частности, экстренно реагировать на чрезвычайные ситуации и предотвращать их даже в самых отдаленных регионах.

Цифровых двойников можно будет использовать и в повседневной жизни: например, чтобы следить за жизненными показателями или улучшить работу какого-либо устройства. С помощью интернета вещей мы сможем объединить все коммуникации и технику в доме в единую систему и управлять ими с помощью цифрового двойника дома.

Это короткое определение содержит несколько важных идей, на которых нужно остановиться подробнее:

Канонический пример цифровых двойников

Один из классических примеров цифровых двойников — концепция умного здания. Представим себе конференц-зал с многочисленными устройствами интернета вещей: датчик присутствия людей в помещении, датчик входа/выхода, умный термостат, умная мебель, (способная определить, заняты ли места), конференц-камера, которая может посчитать присутствующих и т.д. Наличие всех этих технологий очень ценно, но нам может понадобиться ответ на простой вопрос: «Конференц-зал занят или свободен?». Поэтому мы можем создать цифрового двойника этого конференц-зала, который будет собирать данные со всех умных устройств в нём и сможет описать зал на более высоком уровне абстракции из домена умного здания, что и помогает ответить на изначально поставленный вопрос. Мы можем пойти и дальше вверх по иерархии умного здания и собрать все комнаты одного этажа в цифрового двойника этого этажа, чтобы, например, контролировать системы отопления, вентиляции и кондиционирования воздуха. Далее мы выходим на уровень цифрового двойника всего здания, где будут регулироваться важные вопросы защиты и обеспечения безопасности. Также существует динамический аспект цифровых двойников: лифты, которые могут путешествовать с одного этажа на другой, и люди, которые двигаются от одной комнаты к другой или делят рабочие места. Данные, собранные цифровыми двойниками, будут обладать предсказательными способностями, прогнозирующими загруженность лифта и спрос на комнаты в зависимости от времени суток и дня недели.

Этот пример демонстрирует, что цифровые двойники созданы для достижения конкретных бизнес-целей, например: максимальное использование площади рабочего помещения, в сочетании с увеличением удовлетворенности клиентов посредством точного прогнозирования доступности помещения (что спасает клиентов от неблагоприятного опыта когда они приезжают в полностью заполненный офис). Помимо всего прочего, при изменении бизнес целей тот же объект реального мира будет иметь другого цифрового двойника.

История цифровых двойников

В дополнение к развитым возможностям симуляции, у НАСА имелась система передачи подробнейших телеметрических данных с космического корабля «Аполлон». Высококачественная симуляция, с сочетании с функцией «живой копии», созданной благодаря работающей в реальном времени телеметрии, позволяет нам без преувеличения считать случай НАСА первым настоящим цифровым двойником.

Цифровые двойники сегодня

Возвращаясь к современности, нужно отметить, что растущая популярность цифровых двойников в их современном понимании совпала с пиком популярности интернета вещей и искусственного интеллекта в своеобразном цикле зрелости технологии (Hype Cycle) компании Gartner. Обратите внимание, что и интернет вещей и машинное обучение занимают высокие позиции в Gartner Hype Cycle за 2015 год.

В 2016 году цифровые двойники вошли в Gartner Hype Cycle и уже к 2018 году оказались на самом верху кривой.

Близкое родство между интернетом вещей и цифровыми двойниками, однако, не является совпадением. Как мы обнаружили ранее, интернет вещей – это то, что «оживляет» цифрового двойника посредством телеметрии реального времени, передаваемой соответствующими устройствами. Именно интернет вещей соединяет физическую сущность и ее цифрового двойника, помогает им работать вместе для достижения бизнес-целей того или иного сценария.

Что вы можете создать с помощью цифровых двойников?

Современное поколение услуг, создаваемых посредством цифровых двойников в Azure, поддерживает сложные доменные модели, показанные на архитектурной диаграмме выше. Кроме того, о скором релизе следующего поколения услуг цифровых двойников Azure было объявлено на недавнем мероприятии Microsoft Build 2020.

В заключение хочется сказать: сейчас нам, создателям технологических решений, нужно быть готовыми помогать нашим клиентам успешно внедрять их инициативы с использованием цифровых двойников. А что ВЫ создадите с помощью цифровых двойников, чтобы изменить жизнь к лучшему?

Все о технологии Process Mining — кейсы, термины, решения и аналитика. Российский и зарубежный опыт от группы экспертов ProcessMi

Цифровой двойник (Digital Twin, DT) – интерактивный аналог существующего в реальности объекта/процесса, позволяющий эффективно им управлять.

Главная особенность цифрового двойника заключается в следующем: чтобы задать на него входные действия, необходимо использовать данные, полученные с реального устройства, которое работает синхронно. Выполнять операции можно как онлайн, так и офлайн. Показатели интерактивных датчиков сравнивают с данными реального объекта или процесса, выявляют отклонения и причины их появления.

История

В 70-х годах прошлого столетия цифровой двойник впервые был использован NASA во время проектирования «Apollo 13». Копия космического корабля была сделана для его тестирования и прогнозирования поведения в особых условиях.

Первое упоминание об использовании методики цифровых двойников на производстве датировано 2002 годом. Сотрудник Мичиганского технологического университета Майкл Гривс подал идею применения DT как модели, которая послужит основанием для управления жизненным циклом продукта.

Лишь в 2010 году стала возможной разработка компьютеризированных систем, способных отражать свойства реальных объектов. Благодаря скачку развития цифровизации, компании научились связывать ИТ и операционные процессы, чтобы в дальнейшем создавать цифровых двойников.

Классификация

Цифровые двойники делятся на несколько основных категорий в зависимости от области применения:

Двойник реального объекта. В него входит вся информация о продукте с момента проектирования.

Цифровая копия единицы. По факту это сбор данных с датчиков, которые ранее были установлены на оборудовании, и получение копии функционирующего экземпляра системы. Благодаря этому можно автоматически контролировать и прогнозировать поведение оборудования.

Двойник оборудования, используемый в обучении специалистов, оптимизации процессов технического оборудования и ремонта. Такая модель позволяет проходить виртуальную практику.

Развитие автоматизации и цифровизации привело к необходимости создания виртуальных копий БП – отображения их реальной работы. Это позволяет оценивать эффективность процессов, находить и ликвидировать «узкие места», моделировать изменения.

Например, при помощи Process Mining можно получить модель восстановленного бизнес-процесса, что послужит основой цифрового двойника. Digital Twin предназначены для оптимизации бизнес-процессов и роста уровня их надежности. Они наглядно отображают функционирование целой системы. Благодаря этому специалистам различных компаний легче понимать собственные внутренние процессы.

DT объекта/процесса включает в себя необходимые данные о нем. Используя Big Data и анализируя имеющуюся информацию, становится возможным более эффективно реализовывать определенные задачи:

точно знать, насколько производительна система;
прогнозировать будущее состояние системы, используя методы предиктивной аналитики;
контролировать реальный объект, управлять им на расстоянии в реальном времени;
улучшать взаимодействие внутри команд;
оптимизировать процесс принятия финансовых решений.

Внедрение

Чтобы запустить цифрового двойника в компании, необходимо выполнить несколько шагов для выстраивания работы DT:

определиться с целями, желаемыми результатами, разработать подробную стратегию;
проанализировать производственные и управленческие процессы, технические возможности компании, соотнести все это с поставленными задачами;
продумать архитектуру решения, создать «дорожную карту»;
согласовать решение, улучшить и масштабировать.

Кейс

У компании Siemens возникли проблемы во время производства и техобслуживания новых турбин. Больше всего трудностей возникало в вопросах эксплуатации и ремонта. Чтобы решить проблему, было принято решение создать цифрового двойника, который опирался на опыт и прошлые результаты компании. Имитационная модель получилась сложной, но интерактивная система оказалась понятной для специалистов разных подразделений компании.

Автор Анна Вичугова Категория Internet of Things, Machine Learning, Use Cases, Статьи, Цифровая трансформация

Еще материалы по теме

PXF, Greenplum и оптимизация SQL-запросов к разным источникам данных

AVRO и JSON В Apache Kafka: краткий ликбез по реестру…

На заметку разработчику Spark-приложений: 3 ошибки PySpark и тонкости Outer…

Новое на сайте

Отзывы на Google

Курсы от инженеров и для инженеров. Всё чётко, по делу. Тренеры глубоко знают продукты, о которых читают лекции. read more

Принимал участие в обучении по курсу "KAFKA: Администрирование кластера Kafka". В целом понравилось, но хотелось бы более качественной организации работы с лабгайдами. Когда лектор выполняет лабораторную работу, не совсем удобно выполнять её параллельно - где-то отстаешь, где-то убегаешь вперед. Может будет лучше разделить на более мелкие модули. read more

Прошел Курс Администрирование кластера Hadoop. Подача материала хорошая, размеренная. Преподаватель отвечает на все вопросы, и пытается как можно прозрачней приподнести материал. read more

Обучался на программе HADM. Подача материала доступная. Порадовало соотношение теории и практики 50/50. Отзывчивый преподаватель. Однозначно рекомендую. read more

Заканчиваю прохождения курса "ADH: Администрирование кластера Arenadata Hadoop". Хочу сказать, что выстроен грамотный план обучения, где отслеживается отличное соотношение практики и теории. Преподаватель, Комисаренко Николай, обладает отличным чувством юмора, что позволило не скучать на серьезных темах, и обладает отличным навыком объяснять сложные вещи простыми словами. На курс приходил с большим числом вопросов, на все из которых получил грамотные ответы, после чего все разложилось по полочкам. read more

В декабре 2020 прошел курс "Администрирование кластера Kafka". Курс проводился удаленно. В части организации обучения придраться не к чему. Необходимую информацию прислали заранее, лабораторный стенд и портал обучения работали стабильно. Немного разочаровали лабораторные работы. На месте BigDataSchool я бы их переделал. В документах с лабами нужно сделать нормальное форматирование и нумерацию пунктов. Все пункты, необходимые для выполнения, нужно сделать в виде текста. В лабах много работ по созданию «обвязки» kafka (создание самоподписных сертификатов, развертывание MIT и т.п), которые можно сделать заранее. Это позволит студентам уделять больше времени изучению самой kafka. BigDataSchool идет навстречу и позволяет пользоваться лабораторным стендом гораздо дольше установленных часов обучения. Это очень к стати, если в течении дня Вы вынуждены отвлекаться от обучения. В целом, курс дает хорошую базу по kafka. Преподаватель хорошо подает материал, делает акценты в нужных местах, подробно отвечает на вопросы. read more

С 30 ноября по 4 декабря прошел курс "Администрирование кластера Hadoop". Учитывая, что я обладал довольно поверхностной информацией в данной теме (я CIO) - ушел с курсов просветленным. Многое стало понятным, в процессе обучения наложил знания на существующую инфраструктуру компании, в которой работаю. Рекомендую коллегам руководителям в ИТ - прокачаться на данном курсе, вы поймете куда двигаться в ближайшие 2-3 года. Админам, работающим или стремящимся в BigData- обязательно! Рекомендация - настойчиво, для тех кто "думает, что знает": перед курсом уделите время работе с командной строкой Linux! Total recall - обязательное условие. Много практической работы, и если есть затык в Linux - будете безнадежно отставать при выполнении лабораторных работ. read more

В октябре прошел курс Анализ данных с Apache Spark, это был второй раз, когда я обучался в этом месте. В целом, все хорошо, думаю что не последний. Не могу не подчеркнуть профессионализм преподавателя Королева Михаила, отвечал на поставленные вопросы, делился своим опытом. В общем, рекомендую! read more

Прошел тут курс "NIFI: Кластер Apache NiFi", вёл Комисаренко Николай. Живое и понятное обучение. Преподаватель отвечал на все вопросы от самых глупых, до самых умных и это было приятно. Так же порадовало, что преподаватель не идёт по заранее проложенным рельсам, а проходит весь путь вместе с вами, стараясь привнести, что-то новое. read more

Спасибо за обучение!

Очень крутое место, много практики, понятное объяснение заданной темы. Еще вернусь :) read more

Обучался на курсе HADM администрирование кластера Arenadata Hadoop. Интересный курс, хорошая подача. read more

Обучался на курсе по администрированию Apache Kafka. Хорошая подача материала, интересные практические задачи. Возникающие вопросы доходчиво и ясно объясняют. Остался очень доволен. read more

Был на курсе "Администрирование кластера Hadoop". Отличная подача материала. Очень много практики и технических подробностей. Подробный обзор стека технологий, платформы и инструментов. Рекомендую! read more

Учился на курсе Администрирование Hadoop. Курс вёл Николай Комиссаренко. Отлично подготовленная, продуманная, системная программа курса. Практические занятия организованы так, что у студентов есть возможность познакомиться с реальными особенностями изучаемого продукта. Отключил голову и прощёлкал лабы по книжке - здесь не работает. Преподаватель легко и развёрнуто отвечает на возникающие вопросы не только по теме предмета, но и по смежным. read more

Прошёл курс по администрированию Apache Kafka. Очень понравилась как подача материала, так и структура курса. Только вот времени маловато оказалось. не всё успел доделать, но это уже не к курсу претензии :). Практики было довольно много, и это хорошо read more

Прошёл курс "Hadoop для инженеров данных" у Николая Комиссаренко. Информация очень актуальна и полезна, заставляет задуматься о текущих методах работы с большими данными в нашей компании и, возможно, что-то поменять. Занятия с большим количеством практики, поэтому материал хорошо усваивается. Отдельное спасибо Николаю за то, что некоторые вещи объяснял простым языком, понятным даже для "чайников" в области Hadoop. read more

I did not find any disadvantages in the course. Pluses: + A lot of practice (50% of the time). + The teacher can explain difficult topics easy way. + Announced topics were considered. Besides additional materials were studied. read more

Посетил курс администрирование Hadoop. На курсе устанавливали кластер с нуля на виртуалках в облаке Amazon. Настраивали Kerberos, тестировали выполнение задач на кластере, управление ресурсами кластера. Т.к. кластер развернут в облаке, после завершения занятий можно самостоятельно работать с кластером из дома. Лекции вел Николай Комиссаренко, после обучения предоставил все материалы. На занятиях отвечал на дополнительные вопросы, рассмотрели как решить пару живых задач от студентов. Хороший курс для начала изучения BigData. Update Дополнительно прошел обучения по Airflow и NiFi. Курсы двух дневные упор на занятиях делался на использовании продуктов, администрированию уделялось меньше времени. Т.к. курсы короткие, то перед занятиями желательно почитать обзорные статьи по продуктам, чтобы не терять время на базовое погружение и задавать более предметные вопросы. Перед началом занятий желательно связаться с школой и запросить что больше интересуется на обучении. Может быть предложить свои кейсы, чтобы на лабораторных отработать не только общий функционал. read more

Был на основах хадупа, все материалы описаны доступным языком. В частности хочу отметить преподавателя Николая Комисаренко, как очень квалифицированного преподавателя и специалиста. read more

Отличные курсы по "Администрированию Hadoop" и отличная организация проведения занятий, все по делу и понятно. Очень понравилось, знания получены основательные. Материал подаётся основательно. Постараюсь ещё попасть на другие курсы. read more

Курс по Isilon у Николая Комиссаренко мне тоже понравился. Грамотный и отзывчивый. Возникали вопросы по курсу он отвечал на все вопросы. Спасибо. Успехов ему read more

Эффективный практический курс. Прошел курс Администрирование Hadoop в октябре 2018. Хорошо наполненный материал, оптимальная длительность курса и все делалось своими руками. Местами было непросто, но преодолимо. Оправдал все ожидания, после курса появилось целостное понимание создания и работы кластера. Николай, большое спасибо read more

Прошёл курс по администрированию Hadoop Cloudera. Отличная "живая" подача материала на "простом" языке. Как плюс работа с кластером построена на платформе AWS. На курсах не скучно, рекомендую! read more

Я узнал много нового посетив курс уважаемого Николая Комиссаренко по айзелону. Очень грамотный специалист обучение было очень полезным и грамотным. Спасибо вам большое read more

Читайте также: