Gêmeos Digitais na AWS: Acelerando resultados de negócio

Um desafio, no entanto, é que o termo Gêmeos Digitais é frequentemente aplicado de forma ampla para descrever qualquer modelo virtual, incluindo métodos tradicionais, como simulações de engenharia, modelos CAD, painéis de IoT ou ambientes de jogos. Isso causou confusão para os clientes, que estão pensando em como a simples renomeação dos métodos existentes gerará um novo valor de negócio. Para esclarecer, os gêmeos digitais são mais do que apenas um novo termo de marketing para métodos legados, mas sim uma nova tecnologia que só se tornou viável nos últimos anos com a convergência de computação em escala, métodos de modelagem e conectividade de IoT. Ao embarcar em sua jornada com gêmeos digitais, o primeiro lugar para começar é entender o que são gêmeos digitais, como integrar os métodos de modelagem existentes a eles, e como trabalhar a partir do seu caso de negócio para implantar a tecnologia correta para sua solução.

Para ajudar os clientes a navegar por esse espaço, desenvolvemos uma estrutura que permite que os profissionais entendam seus casos de uso e obtenham o valor comercial que buscam. A primeira parte dessa estrutura é uma definição concisa de gêmeos digitais e a segunda é um índice de nivelamento para ajudar os clientes a categorizar seus casos de uso e entender os serviços, tecnologias, dados e modelos necessários para criar e implantar seu gêmeo digital em grande escala.

Nesta primeira parte de nossa série de blogs, vamos nos concentrar em nossa definição e índice de nivelamento para discutir gêmeos digitais, juntamente com exemplos de casos de uso para cada um dos níveis. Os blogs subsequentes demonstrarão cada um dos níveis em detalhes, trabalhando com um exemplo de veículo elétrico.

Definindo um Gêmeo Digital

Ao entender as interpretações de nossos clientes sobre os gêmeos digitais, encontramos uma série de conceitos, incluindo análise de um único componente físico, manutenção preditiva de um equipamento, otimização do desempenho de um processo, orientações virtuais em 3D de uma fábrica com operações automatizadas e tudo mais. no meio. O que todas essas ideias têm em comum é que um gêmeo digital consiste em uma representação digital de algo no mundo físico, é atualizado com dados ao vivo e gera resultados comerciais. Com esse pano de fundo, definimos Gêmeo Digital da seguinte forma:

Um Gêmeo Digital é uma representação digital viva de um sistema físico individual que é dinamicamente atualizado com dados para imitar a verdadeira estrutura, estado e comportamento do sistema físico, a fim de impulsionar os resultados comerciais.

Os quatro elementos principais de um gêmeo digital são o sistema físico, a representação digital, a conectividade entre os dois e o resultado comercial. O primeiro elemento, o próprio sistema físico, pode ser uma entidade física individual, um conjunto de entidades físicas, um processo físico ou até mesmo uma pessoa. Também não precisa ser um sistema industrial, pois pode ser biológico, químico, ecológico ou qualquer outro sistema. A segunda é a representação digital, que é o modelo em si. Nesse caso, por modelo, não queremos dizer apenas uma coleção de dados, como um modelo de dados, que é necessário para representar a estrutura (ou configuração) do sistema físico, ou um painel de dados de IoT, que é útil para representar o estado atual do sistema físico. Queremos dizer um modelo que emula o comportamento do sistema físico, como uma simulação, de forma que, quando você fornece uma entrada, o modelo retorna uma resposta. Isso leva ao terceiro elemento, a conectividade, que é enfatizado pela referência ao termo “representação digital viva” usado na definição de DT. O modelo deve ser atualizado regularmente com dados do sistema físico (por exemplo, de sensores) para ser um gêmeo digital. Um modelo validado fornece um instantâneo do comportamento do sistema físico em um momento, mas um gêmeo digital estende o modelo para escalas de tempo em que o comportamento do sistema físico muda significativamente em relação à época original. A frequência das atualizações é ditada pela taxa na qual os fenômenos subjacentes evoluem. Alguns casos de uso exigem atualizações quase em tempo real, enquanto outros exigem apenas atualizações semanais. Por fim, o gêmeo digital deve gerar um resultado específico — algum tipo de valor econômico ou comercial.

A principal diferença entre um gêmeo digital e os métodos de modelagem existentes, como modelagem 3D tradicional (CAD), simulações baseadas em física, mundos virtuais (3D/AR/VR), painéis de IoT de dados de sensores de streaming e ambientes de jogos realistas, é o fluxo de informações entre os sistemas digital e físico. Um equívoco comum é que uma representação virtual mais complexa e de maior fidelidade é o que faz um gêmeo digital. Em vez disso, é a atualização regular que é fundamental e afeta diretamente a forma como os dados são coletados ao longo do ciclo de vida e como os gêmeos digitais são construídos. Um gêmeo digital deve consumir os fluxos de dados para entender o estado atual do sistema, aprender e se atualizar (ou ser atualizável) com novas observações do sistema e ser capaz de fazer previsões sobre seu comportamento atual e futuro.

Por exemplo, um gêmeo digital de uma pá de turbina a gás ingere dados de IoT de temperatura e pressão para prever o comprimento de fissura, um valor não observável durante a operação. Os resultados de inspeções visuais periódicas de um boroscópio são usados para atualizar o gêmeo digital. Este é então usado para fazer previsões da taxa de crescimento de fissuras e da vida útil restante (RUL) sob diferentes condições operacionais e cenários de manutenção, permitindo que o operador selecione o melhor cronograma de despacho e plano de manutenção. Informações advindas do gêmeo digital, como o comprimento da fissura ou a RUL, pode então ser mostradas ao usuário por meio de um painel, uma renderização 3D mostrando a rachadura in situ ou de alguma outra maneira relevante ao contexto. Embora os modelos CAD, painéis de IoT, renderizações 3D com orientações imersivas e ambientes de jogos não sejam gêmeos digitais, eles constituem blocos de construção de visualização úteis em soluções desse tipo, e geralmente representam os primeiros passos em uma jornada de gêmeos digitais do cliente.

Por que agora é a hora para Gêmeos Digitais?
Ao analisarmos a definição de gêmeos digitais, começamos a entender as quatro tecnologias principais necessárias para o desenvolvimento e implantação em grande escala: dados do sistema físico, conectividade de IoT, métodos de modelagem e computação em escala. Cada um deles foi desenvolvido em paralelo nos últimos 20 anos, e é somente na década de 2020, no entanto, que estamos vendo a convergência dessas tecnologias necessárias para os gêmeos digitais em grande escala.

A primeira tecnologia tem a ver com medições. Com os sensores de IoT em particular, o custo médio caiu 50% de 2010 a 2020 e continua diminuindo. Medições que eram proibitivas em termos de custos há apenas 10 anos agora estão se tornando commodities. Isso continuará fazendo com que mais sensores coletem ainda mais dados. Em segundo lugar, está a capacidade de transmitir esses dados para que possam ser analisados e e ações possam ser tomadas a partir deles. Se considerarmos a conectividade sem fio como um exemplo, em 2010 o 3G era o padrão, com menos de 1 Mbps de banda. Ao longo da década de 2010, ele foi substituído por 4G a 100 Mbps, e agora o 5G a 10 Gbps está se tornando a norma. Isso representa um aumento de mais de 10.000 vezes na velocidade de transmissão. E o 5G quebra limites históricos para dispositivos de IoT, pois é rápido o suficiente para coletar dados de IoT quase em tempo real (latência abaixo de 10 ms).

O valor dos gêmeos digitais está em usar esses dados para obter insights acionáveis, o que é obtido por meio de modelagem e computação em escala, representando a terceira e a quarta tecnologias-chave. O termo “modelo” aqui é usado em vários contextos. Para aplicações que envolvem previsão de estados futuros e planejamento de cenários hipotéticos, precisamos de técnicas de modelagem científica para prever vários fenômenos (seu comportamento), como dinâmica de fluidos, deformação estrutural, processos bioquímicos, clima e logística. Métodos como Machine Learning, computação de alto desempenho (HPC) e abordagens híbridas, como redes neurais inspiradas na física, estão se tornando práticos para se implementar em grande escala, devido à capacidade computacional disponível. Outro tipo de modelagem é usado para visualização e criação de ambientes imersivos realistas. Na última década, os avanços nos algoritmos de computação espacial para criar e manipular conteúdo 3D estão possibilitando a realidade aumentada imersiva, a realidade virtual e o metaverso.

Por fim, o poder da computação em grande escala foi amplamente possibilitado pela nuvem. Vimos o poder computacional crescer exponencialmente, tanto no nível do chip em si, quanto conectando todos os chips para uma computação em nuvem altamente escalável, até o ponto em que a computação sob demanda em grande escala está se tornando uma mercadoria. Não mais limitadas a governos e grandes corporações, agora pequenas startups e até mesmo indivíduos podem acessar a computação necessária para inovar, inventar novos produtos e serviços e melhorar nossas vidas diárias.

Contextualizando os casos de uso de Gêmeos Digitais no índice de nivelamento
Em nossas discussões com os clientes, encontramos uma grande variedade de casos de uso que exigem diferentes serviços, tecnologias e dados da AWS necessários para habilitá-los. Para ajudar nossos clientes a navegar nesse espaço, desenvolvemos um índice de nivelamento gêmeo digital com 4 níveis: 1/ Descritivo, 2/ Informativo, 3/ Preditivo e 4/ Vivo, com o Nível 4 consistente com a definição descrita anteriormente. Os níveis 1 a 3 se aplicam a diferentes casos de uso com diferentes níveis de complexidade, cada um gerando seu próprio valor comercial. De muitas maneiras, esse índice de nivelamento é análogo ao que vemos no espaço de carros autônomos, que usa um sistema de L0 a L5, onde L0 é direção manual, L1 é piloto automático e L5 é um verdadeiro carro autônomo sem volante. Como cliente, mapear seus casos de uso para o nível adequado ajudará você a entender serviços e padrões específicos que podem acelerar o valor comercial e fornecer um caminho para o crescimento futuro.

O primeiro nível, L1 Descritivo, é focado no projeto de engenharia e na representação visual do sistema físico (sua estrutura). Pode ser um diagrama de engenharia 2D (como um diagrama de processo ou P&ID), um modelo de informações de construção (BIM) ou um modelo complexo 3D/AR/VR de alta fidelidade. Também inclui análises de engenharia realizadas, como análise 1D, dinâmica de sistemas, fluidodinâmica computacional e mecânica estrutural. O objetivo é entender o sistema físico e seus componentes.

Os casos de uso típicos incluem a avaliação de novos projetos, a avaliação de reconfigurações de locais abandonados e o treinamento de pessoal em diferentes cenários. Por exemplo, o L1 inclui a análise do sistema de uma turbina eólica, a análise CFD do fluxo de ar sobre as pás, bem como a renderização 3D/VR ou a passagem imersiva do interior da turbina eólica. Para os casos de uso da análise de engenharia, os principais serviços e soluções relacionados à Computação de Alta Performance (HPC) da AWS, que incluem AWS Batch, AWS ParallelCluster, Elastic Fabric Adapter (EFA), Amazon FSx For Lustre, NICE EnginFrame e NICE DCV, além de instâncias EC2 otimizadas para computação (por exemplo, HPC6a, C5n, C6i, P 4d). Para casos de uso imersivos (AR/VR), os clientes podem aproveitar nossas soluções de computação espacial, incluindo gerenciamento de ativos 3D e soluções de parceiros para treinamento em AR/VR (Motive, Innoactive), assistência ao trabalhador de AR (Scope AR), colaboração imersiva (Cavrnus), streaming XR (HoloLight, NVIDIA CloudXR) e experiências baseadas em local (Immersal).

O segundo nível, L2 Informativo, se concentra na integração de sensores de IoT e dados de manutenção do sistema físico, e em exibi-los para o usuário final de maneira relevante ao contexto, como um painel 2D ou uma visualização contextual 3D. Ele permite que o usuário final compreenda a condição atual do sistema físico e pode incluir análises simples para acionar alarmes. No mundo industrial, esse é o domínio de IoT e de ativos integrados aos sistemas de gerenciamento de ativos corporativos (EAM) ou planejamento de recursos corporativos (ERP) para mostrar a configuração de ativos, o histórico de manutenção e as próximas ordens de serviço em um único painel.

Os casos de uso típicos envolvem monitoramento e alarmes em tempo real, análise de causas raiz e treinamento de pessoal. Como exemplo, o L2 inclui um painel de IoT ou renderização 3D mostrando dados de temperatura de uma caixa de engrenagens com alarmes baseados em regras à medida que a turbina eólica opera. Outro exemplo é uma sobreposição de realidade aumentada (AR) de dados de engenharia e histórico de serviços para um técnico que usa um dispositivo móvel/tablet ou usa óculos de realidade aumentada enquanto faz reparos, juntamente com a capacidade de transmitir remotamente o que está vendo em tempo real para um especialista remoto que fornece assistência adicional. Isso pode parecer futurista, mas está acontecendo hoje, com um de nossos parceiros da AWS, a Scope AR, oferecendo essa capacidade de conhecimento visual de realidade aumentada para seus clientes finais nos setores aeroespacial, de energia, manufatura e saúde. Para criar sua aplicação nível L2, alguns dos principais serviços da AWS incluem AWS IoT TwinMaker, AWS IoT Core, AWS IoT Greengrass, AWS IoT SiteWise, AWS IoT Analytics, Amazon QuickSight, Amazon Textract, Amazon Rekognition, Amazon DynamoDB e Amazon S3.

O terceiro nível, L3 Preditivo, se concentra em predições de quantidades não medidas (por exemplo, sensores virtuais e detecção de anomalias baseada em Machine Learning), bem como no uso de modelos preditivos para entender estados futuros de operações contínuas em que o comportamento futuro é igual ao comportamento passado. Esses modelos podem ser baseados em princípios científicos, puramente orientados por dados (por exemplo, usando IA/ML) ou um híbrido dos dois.

Os casos de uso típicos incluem planejamento operacional e manutenção preditiva (gerenciamento de desempenho de ativos), bem como gerenciamento de frota. Como exemplo, o L3 inclui modelos híbridos para prever quantidades como saúde (sensor virtual) e prever a vida útil restante (RUL) em operações contínuas. As previsões dos modelos podem ser exibidas em visualizações relevantes no contexto (por exemplo, painel 2D/3D/AR/VR) do L1. Um exemplo único é nos mercados de commodities agrícolas. A AWS apoia um de nossos clientes, o Descartes Labs, que usa imagens de satélite para analisar a saúde da safra em escala continental, juntamente com preços, oferta e demanda e outros dados de mercado para produzir previsões do mercado de commodities. Essas previsões são usadas por seus clientes finais para decidir as melhores estratégias de hedge ou negociação – que podem facilmente se traduzir em milhões de dólares em economias ou lucros comerciais. Ao criar suas aplicações preditivas L3, os principais serviços da AWS incluem nosso portfólio de IA industrial (Amazon Lookout For Equipment, Amazon Lookout for Vision, Amazon Monitron, AWS Panorama), bem como nossos serviços relacionados à computação de alta performance (HPC) da AWS, Amazon SageMaker, AWS Deep Learning AMIs e AWS Deep Learning Containers para criar e implantar seus próprios modelos personalizados de machine learning.

O nível L4 Vivo se concentra em modelos atualizáveis para gerar insights acionáveis no nível da entidade individual. O nível L4 representa o ponto culminante da jornada do gêmeo digital, consistente com nossa definição completa de Digital Twin. A principal distinção entre o L3 Preditivo e o L4 Vivo é a capacidade de o próprio modelo ser atualizado com base nos dados da entidade física e do ambiente. Do ponto de vista comercial, a capacidade de atualização do modelo de um gêmeo digital L4 estende seu uso a escalas de tempo nas quais o comportamento do sistema físico muda significativamente, enquanto um gêmeo digital L3 é útil para previsões em um momento (ou em escalas de tempo muito curtas a partir de então). Uma forma de entender é que um modelo preditivo treinado em dados históricos é, por definição, impreciso no dia em que é implantado, já que a mudança no sistema físico não está no conjunto de dados de treinamento. Usar esse modelo impreciso para uma previsão direta, na prática, resulta em uma propagação de erros, de forma que a previsão se torna inútil com o tempo.

Os casos de uso típicos incluem análise de cenários (“o que aconteceria se”) e orientação prescritiva sobre as melhores ações a serem tomadas. Como exemplo, o L4 inclui uma previsão da RUL da caixa de engrenagens da turbina eólica junto com a incerteza da previsão. Os parâmetros dentro do modelo (por exemplo, desalinhamento do eixo, desgaste do rolamento, espessura do filme de lubrificação) são atualizados com base nos dados da IoT para refletir com precisão o estado de degradação, em oposição ao estado inicial quando novo. Esse modelo é então usado na análise de cenários para determinar o melhor plano de manutenção preventiva. É melhor criar gêmeos digitais L4 Vivo usando uma variedade de métodos de estimativa probabilística (que descreveremos em um futuro blog), e os principais serviços da AWS necessários serão Amazon EC2, Amazon S3, Amazon DynamoDB, AWS Lambda, Amazon SageMaker, AWS Deep Learning AMIs e AWS Deep Learning Containers.

O que vem por aí para gêmeos digitais?

Hoje, muitos de nossos clientes ainda estão no início de sua jornada com gêmeos digitais. Eles estão trabalhando extensivamente para conectar seus dados a fontes diferentes e poder visualizá-los contextualmente em um painel ou em um ambiente imersivo (L2). Até o momento, as primeiras aplicações eram altamente personalizadas e só faziam sentido financeiro para casos de uso de alto valor, como operações de motores a jato, usinas e instalações industriais. Nos próximos anos, esperamos ver serviços como o AWS IoT TwinMaker reduzirem os custos e simplificarem a implantação. Essa comoditização impulsionará a adoção em uma ampla variedade de casos de uso diário de visualização contextual. Paralelamente, também esperamos ver os métodos avançados de modelagem preditiva (L4) se tornarem mais acessíveis para casos de uso direcionados de alto valor. Hoje, esses métodos estão disponíveis na literatura acadêmica e estão sendo usados por equipes de P&D de nicho. No futuro, esses métodos também se tornarão populares e facilmente aplicados nos casos de uso diário, permitindo que qualquer pessoa faça um gêmeo digital L4 vivo.

Resumo

Neste blog, fornecemos uma visão geral da definição da AWS para Gêmeo Digital/Digital Twin, bem como do índice de nivelamento L1-L4 para ajudar os clientes a categorizar seus casos de uso. Em blogs futuros, veremos um exemplo de veículo elétrico (EV) para demonstrar gêmeos L1 – Descritivo, L2 – Informativo, L3 – Preditivo e L4 – Vivo.

Traduzido e adaptado de https://aws.amazon.com/blogs/iot/digital-twins-on-aws-unlocking-business-value-and-outcomes/

Tradução e adaptação

Breno Silva é Arquiteto de Soluções na AWS, trabalhando para o setor Enterprise. Atuou com clientes de CPG, varejo, manufatura e automotivo. Faz parte de comunidades de Cyber-Security e de IoT. No tempo livre gosta de automatizar sua casa, tocar guitarra e praticar esportes ao ar livre.