En digital dobbeltgænger

Digitale tvillinger er det virtuelle modstykke til den fysiske verden. De data, de er baseret på, indsamles og visualiseres automatisk og ideelt set i realtid. De virkelige og de virtuelle versioner er konstant forbundet – og allerhelst interagerer de med hinanden.

En digital tvilling kan repræsentere individuelle genstande som maskiner, køretøjer og bygninger såvel som hele processer – for eksempel på produktionslinjer og lagre og endda interkontinentale transportnetværk. Inden for logistik registrerer og viser digitale tvillinger primært genstandes aktuelle placering og status i et defineret område.

Disse digitale repræsentationer af den virkelige verden er mulige i kraft af en stadig kraftigere og mere omkostningseffektiv elektronisk sensorteknologi. Små, energieffektive elektroniske mikrosensorer registrerer automatisk temperatur, acceleration, lysindfald og andre forhold i realtid. Forskellige lokaliseringsmetoder baseret på radiosignaler kan også bruges til at bestemme genstandes position, det være sig ved hjælp af private lokale sendere i bygninger og depoter eller i det offentlige rum ved hjælp af mobilnettet og satellitsignaler. Antallet af tilgængelige radiobaserede teknologier er steget støt de seneste år. Blandt de bedst kendte eksempler kan nævnes RFID, BLE (Bluetooth Low Energy), WLAN, 4G/5G og GPS, som alle bruges i stor udstrækning i dag.

I de senere år har en anden vigtig teknologi, som er en af forudsætningerne for digitale tvillinger, vundet frem – nemlig optiske systemer, der kombinerer billed- og videooptagelse med software baseret på maskinlæring. Baseret på billeddataene kan systemerne ikke blot identificere individuelle genstande, de kan også beregne genstandenes position i rummet, deres størrelse og endda deres natur ved hjælp af yderligere logik. På steder, hvor det er vanskeligt eller umuligt for kameraer at registrere omgivelserne, kan virksomheder vælge todimensionelle koder som QR eller datamatrix (DMC). De store mængder data, der genereres ved analyse af billeder og videoer, håndteres normalt af kraftige grafikkort, som præsterer den nødvendige databehandlingshastighed. Stadig oftere behandles data direkte i den optiske scanningsenhed eller på en lokal server ("edge computing"). Det betyder, at kun en lille mængde data skal overføres til forbindelsen eller ideelt set interaktionen.

Synliggør fejl

Den primære fordel ved en digital tvilling er visualiseringen af genstandes og processers status i realtid. Med denne gennemsigtighed er det for eksempel muligt at synliggøre fejl øjeblikkeligt, så de kan afhjælpes hurtigere. Det har en positiv indflydelse på tidsforbruget og kvaliteten i forsyningskæder. Inden for få sekunder kan virksomheder identificere det sted, hvor en defekt maskine har brug for vedligeholdelse, eller det punkt, hvor en proces sandsynligvis vil slå fejl, og straks træffe de rette foranstaltninger. Med digitale tvillinger bliver manuelle processer til dataindsamling og -analyse forældede.

Præskriptive analyser tager anvendelsen af digitale tvillinger et skridt videre. Det er et værktøj, som bruger den digitale tvillings realtidsdata til at simulere og evaluere fremtidige tilstande og hændelser. På den måde kan værktøjet automatisk præsentere forslag, der kan forhindre uønskede statusser, eller endda automatisk træffe beslutninger, der helt kan forebygge sådanne hændelser. Kombineret med tidligere data og intelligente algoritmer kan præskriptive analyser for eksempel bruges inden for transportlogistik som en hjælp til at optimere brugen af køretøjer.

En digital tvilling giver også folk mulighed for at betjene genstande på afstand, eksempelvis ved at kontrollere køretøjer over lange afstande i komplekse miljøer. Ved hjælp af et virtuelt genereret 3D-miljø baseret på data fra den digitale tvilling kan brugerne danne sig et optimalt overblik over fjernplaceringen og styre en lastbil på en virksomheds område. Inden for logistik kan metoden bruges som nødløsning ved brug af selvkørende køretøjer. Samme teknologi kan også bruges til at træne både mennesker og AI-algoritmer. Især ekstreme situationer kan "læres" med begrænset indsats og uden at udsætte mennesker for fare.