Cyfrowa rama bliźniaka dla proaktywnego zarządzania przedsiębiorstwem: Badania nad podejmowaniem decyzji operacyjnych integrujących dane IoT i modelowanie obliczeniowe

Hongxiao Liu

doi:10.3791/71231

Artykuł metodologiczny

Cyfrowa rama bliźniaka dla proaktywnego zarządzania przedsiębiorstwem: Badania nad podejmowaniem decyzji operacyjnych integrujących dane IoT i modelowanie obliczeniowe

DOI:

10.3791/71231

⸱

22 czerwca 2026

Hongxiao Liu¹

¹School of Management, Zhengzhou Business University

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie demonstruje cyfrowy przepływ pracy oparty na bliźniaczych cyfrowych technologiach dla proaktywnego zarządzania przedsiębiorstwem, integrując dane IoT, modelowanie nieliniowe, estymację stanu, propagację niepewności oraz kontrolę predykcyjną w celu obliczeniowego zbadania stabilności operacyjnej, redukcji ryzyka i zachowania wsparcia decyzyjnego opartego na danych w środowisku symulacyjnym.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Technologia bliźniaka cyfrowego zapewnia potężne podejście obliczeniowe do reprezentacji i kontroli złożonych systemów przedsiębiorstw poprzez ciągłą integrację czuwania w czasie rzeczywistym z modelowaniem dynamicznym i analizą predykcyjną. Głównym celem niniejszego badania jest opracowanie i zademonstrowanie reprodykowalnego protokołu budowy bliźniaka cyfrowego wspartego przez IoT, który umożliwia proaktywne zarządzanie przedsiębiorstwem oparte na danych. Metodologia integruje modelowanie dynamiczne nieliniowe, estymację stanu opartą na obserwatorze, propagację niepewności, ilościową klasyfikację ryzyka oraz sterowanie predykcyjne stochastyczne w ujednolicony cyberfizyczny framework decyzyjny. Symulowane pomiary czujników są asymilacji przez estymator stanu w celu synchronizacji bliźniaka cyfrowego z modelowanym systemem przedsiębiorstwa, umożliwiając predykcje opartą na symulacji przyszłych stanów operacyjnych w obrębie zdefiniowanego środowiska obliczeniowego. Miary niepewności i ryzyka są propagowane przez model dynamiczny, aby zidentyfikować pojawiające się niestabilności przed ich eskalacją do krytycznych awarii. Warstwa predykcyjnego sterowania optymalizuje wielokryterialną wydajność, generując działania kontrolne mające na celu zmniejszenie ryzyka operacyjnego, ustabilizowanie zachowania systemu i ocenę potencjalnych długoterminowych popraw w wydajności operacyjnej w obrębie symulowanego scenariusza. Wyniki reprezentatywne uzyskane z uproszczonego modelu symulacji produkcji-magazynu-energii demonstrują potencjalne zalety metody opartej na bliźniaku cyfrowym w porównaniu z konwencjonalnymi strategiami reaktywnymi. Przykład obliczeniowy pokazuje bardziej płynne trajektorie operacyjne, niższe kumulatywne ryzyko, zmniejszoną niepewność i poprawę wydajności kontroli w kilku ocenionych wymiarach wydajności. Jednak te wyniki są oparte na zdefiniowanym przepływie symulacji i powinny być interpretowane jako demonstracja koncepcji, a nie bezpośredni dowód uniwersalnej wydajności w rzeczywistości. Chociaż protokół jest obliczeniowy, niezależny od platformy i potencjalnie może być dostosowany do domen przedsiębiorstw, takich jak produkcja, logistyka, operacje łańcucha dostaw i energochłonne systemy, szersze wdrożenie w praktycznych środowiskach przemysłowych wymagałoby dodatkowej weryfikacji przy użyciu rzeczywistych zestawów danych operacyjnych i dużych badań implementacyjnych. Stosując się do tej procedury, naukowcy i praktycy mogą reprodukować i dalej oceniać skalowalną, opartą na danych i świadomą ryzyka ramę bliźniaka cyfrowego dla aplikacji wsparcia decyzji przedsiębiorstwa.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nowoczesne przedsiębiorstwa działają w coraz bardziej złożonych środowiskach, które charakteryzują się dużymi ilościami danych, powiązanymi procesami operacyjnymi i znaczną niepewnością. Tradycyjne reaktywne strategie zarządzania często mają problem z utrzymaniem stabilności operacyjnej i odporności w takich warunkach, szczególnie gdy systemy przedsiębiorstw zawierają ściśle powiązane procesy, takie jak planowanie produkcji, koordynacja logistyki, zarządzanie zapasami, wykorzystanie energii i zarządzanie ryzykiem¹^,²^,³. Te procesy często wykazują nieliniowe interakcje i wieloskalowe zależności, które dynamicznie ewoluują w czasie. W miarę przechodzenia organizacji w kierunku infrastruktur cyberfizycznych wspierających powiązane systemy sensoryczne i rozproszoną inteligencję cyfrową, utrzymanie dokładnej i aktualnej świadomości stanu systemu staje się krytycznym wymogiem dla skutecznego podejmowania decyzji⁴^,⁵^,⁶^,⁷.

Technologia bliźniaczych cyfrowych kopii wyłoniła się jako obiecujący paradygmat do radzenia sobie z tymi wyzwaniami. Bliźniaczą cyfrową kopię można zdefiniować jako ciągle ewoluującą wirtualną reprezentację fizycznego zasobu, procesu lub systemu przedsiębiorstwa, która pozostaje zsynchronizowana z jego fizycznym odpowiednikiem poprzez integrację danych w czasie rzeczywistym i dynamicznych modeli systemu⁸^,⁹^,¹⁰. W przeciwieństwie do konwencjonalnych statycznych ram symulacji, bliźniacze cyfrowe kopie funkcjonują jako dynamiczne ekosystemy obliczeniowe zdolne do monitorowania warunków operacyjnych, prognozowania zachowania systemu i wspierania podejmowania decyzji opartych na optymalizacji¹¹^,¹². Rozległe badania wykazały wartość bliźniaczych cyfrowych kopii w różnorodnych dziedzinach, w tym w zaawansowanych systemach produkcyjnych, inteligentnych sieciach logistycznych, optymalizacji łańcucha dostaw i infrastrukturach zarządzania energią¹³^,¹⁴^,¹⁵^,¹⁶^,¹⁷. Te badania sugerują potencjał bliźniaczych cyfrowych kopii w zwiększaniu świadomości sytuacyjnej, poprawianiu efektywności operacyjnej i wspieraniu strategii zarządzania predykcyjnego w środowiskach symulacyjnych i eksperymentalnych. Pomimo tych osiągnięć, wdrażanie technologii bliźniaczych cyfrowych kopii dla wsparcia decyzji na poziomie przedsiębiorstwa pozostaje wyzwaniem. Systemy przedsiębiorstw często obejmują heterogeniczne podsystemy, które współdziałają poprzez złożone nieliniowe relacje, podczas gdy dane operacyjne zbierane z infrastruktury sensorycznej mogą zawierać opóźnienia, szum lub braki. Czynniki te mogą znacząco zmniejszać niezawodność konwencjonalnych strategii monitorowania lub kontroli. Rozwiązanie tych wyzwań wymaga zintegrowanych ram, które łączą modelowanie dynamiczne systemów, asymilację danych, ilościową kwantyfikację niepewności i optymalizację predykcyjną w jednolitej architekturze¹⁸^,¹⁹^,²⁰^,²¹^,²². Ostatnie badania podkreślały więc znaczenie łączenia w czasie rzeczywistym sensoryki z zaawansowanymi metodami estymacji i technikami kontroli predykcyjnej w celu stworzenia zamkniętych systemów decyzyjnych cyberfizycznych zdolnych do ciągłej adaptacji do zmieniających się warunków operacyjnych²³^,²⁴^,²⁵^,²⁶.

Jednak ważna ograniczenie metodologiczne pozostaje niewystarczająco rozwiązane w wielu istniejących ramach bliźniaczych cyfrowych kopii i predykcyjnej kontroli modelowej. Znaczną część obecnych badań koncentruje się albo na izolowanych algorytmach predykcyjnej optymalizacji, statycznych środowiskach symulacyjnych, albo na specyficznych dla danej domeny implementacjach bliźniaczych cyfrowych kopii bez zapewnienia reprodukowalnego i zjednoczonego przepływu pracy, który integruje dynamiczne modelowanie przedsiębiorstwa, estymację stanu, propagację niepewności, ewaluację ryzyka probabilistycznego i optymalizację decyzji predykcyjnych w pojedynczym protokóle operacyjnym. Dodatkowo wiele raportowanych ram zapewnia architekturę koncepcyjną bez jasnego opisu, jak dane sensoryczne, procedury estymacji, modelowanie niepewności i optymalizacja kontroli współdziałają iteracyjnie w zamkniętym przepływie obliczeniowym, który jest odpowiedni dla wsparcia decyzji na skalę przedsiębiorstwa. To ograniczenie zmniejsza praktyczną reprodukowalność i transferowalność wielu istniejących podejść między różnymi aplikacjami przedsiębiorstw. W rezultacie istnieje potrzeba przejrzystego i obliczeniowo reprodukowalnego protokołu, który systematycznie pokazuje, jak te powiązane komponenty mogą być zintegrowane w spójne cyberfizyczne ramy zarządzania przedsiębiorstwem, zdolne do wspierania proaktywnej analizy operacyjnej i podejmowania decyzji.

Kolejne kluczowe wyzwanie wynika z obecności

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Zdefiniowanie i inicjalizacja systemu cyfrowego bliźniaka przedsiębiorstwa.

Zdefiniuj zmienne systemu przedsiębiorstwa.
1. Zdefiniuj wektor stanu przedsiębiorstwa:
  x(t) = [x₁,x₂,x₃]^T
2. Dla reprodukowalności, użyj przykładu przedsiębiorstwa produkcji-magazynu-energii, gdzie x₁ = tempo produkcji (jednostki/h), x₂ = poziom zapasów (jednostki), i x₃ = zużycie energii (kWh).
3. Zdefiniuj wektor wejścia sterującego:
  u(t) = [u₁,u₂]^T
4. Zdefiniuj u₁ = korekta produkcji i = sterowanie alokacją energii.
5. Zdefiniuj zaburzenia stochastyczne:
6. Ustaw losowe ziarno przed wykonaniem symulacji:
  MATLAB: rng(1)
  Python: numpy.random.seed(1)
Skonstruuj dynamiczny model przedsiębiorstwa.
1. Zaimplementuj nieliniową dynamikę przedsiębiorstwa:
2. Zdefiniuj:
3. Zdefiniuj proces szumów:
4. Użyj numerycznej integracji Eulera:
5. Ustaw horyzont symulacji: T = 1,000 iteracji.
  Δt = 0.1
6. Zapisz wszystkie parametry w plikach konfiguracyjnych:
  config.mat (MATLAB)
  config.json (Python)
Inicjuj stany systemu.
1. Inicjuj:
  x(0) = [10,50,20]^T
2. Inicjuj estymację cyfrowego bliźniaka:
3. Inicjuj kowariancję:
  Σ_x(0) = 0.1I
4. Prealokowaj macierze przechowywania:
  X(T,3),Xhat(T,3),U(T,2),Risk(T,1),Covariance(T,3)
Skonfiguruj środowisko oprogramowania.
1. Zaimplementuj MATLAB R2023a z wykorzystaniem Optimization Toolbox i Control System Toolbox.
2. Zaimplementuj Python 3.11 z wykorzystaniem NumPy, SciPy, cvxpy, matplotlib i pandas.
3. Użyj quadprog (MATLAB) lub rozwiązacza OSQP w cvxpy (Python).

2. Zintegruj syntetyczne pomiary IoT z cyfrowym bliźniakiem.

Generuj dane pomiarowe przedsiębiorstwa.
1. Zdefiniuj model pomiarowy:
2. Użyj h(x) = x.
3. Zdefiniuj szum pomiarowy:
4. Symuluj pomiary z szumemm na każdej iteracji.
5. Zapisz pomiary w macierzy Y(T,3).
Przedprzetwarzaj pomiary.
1. Zastosuj filtr średniej kroczącej: Rozmiar okna = 3 próbki.
2. Usuń nienormalne pomiary przekraczające próg 3\sigma.
Skonfiguruj obserwator cyfrowego bliźniaka.
1. Zaimplementuj obserwator:
2. Zdefiniuj zysk obserwatora:
  K = diag(0.5,0.5,0.5)
3. Aktualizuj estymator obserwatora numerycznie przy użyciu integracji Eulera.
Wykonaj obliczeniową procedurę estymacji.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wykonanie zaproponowanego protokołu generuje zestaw mierzalnych wskaźników wydajności, które ilustrują, jak cyfrowa bliźniacza rama poprawia stabilność operacyjną przedsiębiorstwa, dokładność prognoz i zarządzanie ryzykiem w porównaniu ze zwykłą strategią kontroli reaktywnej. Wszystkie wyniki są generowane przy użyciu wyraźnie zdefiniowanego systemu produkcji-magazynu-energii opisanego w protokole, z warunkami początkowymi figure-results-1 , horyzo...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Prezentowany protokół w niniejszym badaniu demonstruje zstrukturyzowany przepływ pracy do implementacji bliźniaka cyfrowego zdolnego do wspierania proaktywnego zarządzania przedsiębiorstwem poprzez zintegrowane modelowanie, estymację, ocenę ryzyka i optymalizację predykcyjną. Krytycznym aspektem protokołu jest dokładne zdefiniowanie dynamicznego modelu przedsiębiorstwa i zmiennych stanu na etapie inicjacji. Reprezentacja stanów przedsiębiorstwa, wejść sterujących i zakłóceń decyduje o tym, jak skutecznie bliźniak cyfrowy...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autor nie ma żadnych sporów interesów do zadeklarowania.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Praca ta była wspierana przez Narodowe Fundusze Nauki Przyrodniczej Chin (Numer grantu 2345678).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
High-Performance Workstation	Dell Technologies, Round Rock, TX, USA	DELL-PREC-T5820	Multi-core computing workstation used to execute simulations, estimation algorithms, and predictive control computations
Industrial IoT Sensors (Optional for future real-world deployment)	Siemens AG, Munich, Germany	SI-IOT-SEN-100	Przemysłowe sensory IoT (opcjonalne dla przyszłego wdrożenia w rzeczywistości)	Industrial sensors used to collect real-time operational measurements such as production rate, energy usage, and environmental conditions
MATLAB R2024a	MathWorks Inc., Natick, MA, USA	ML-R2024a	Środowisko obliczeń numerycznych używane do implementacji dynamicznych modeli przedsiębiorstwa, uruchamiania symulacji i oceny strategii sterowania
MQTT IoT Gateway (Optional for future real-world deployment)	Eclipse Foundation	MQTT-3.1.1	Brama protokołu przesyłania wiadomości używana do odbierania i przesyłania strumieni danych z czujników w czasie rzeczywistym między urządzeniami a systemem bliźniaczej cyfrowej reprezentacji
NumPy	NumPy Developers	NP-1.26	Biblioteka obliczeń naukowych zapewniająca operacje na tablicach i rutyny algebry liniowej do symulacji numerycznych
Optimization Toolbox	MathWorks Inc., Natick, MA, USA	OPT-TBX-2401	Zestaw narzędzi służący do formułowania i rozwiązywania ograniczonych problemów optymalizacyjnych w sterowaniu predykcyjnym
Pandas	Pandas Development Team	PD-2.1	Biblioteka analizy danych używana do przetwarzania wstępnego, zarządzania i analizowania danych czasowych przedsiębiorstwa
Python 3.11	Python Software Foundation, Wilmington, DE, USA	PY-311	Otwarte środowisko programistyczne używane jako alternatywna platforma do modelowania numerycznego i implementacji bliźniaczej cyfrowej reprezentacji
SciPy	SciPy Developers	SP-1.11	Biblioteka obliczeń naukowych używana do rozwiązywania równań różniczkowych, przetwarzania sygnałów i rutyn optymalizacji
Simulink	MathWorks Inc., Natick, MA, USA	SL-10.8	Graficzne środowisko blokowe używane do konstruowania dynamicznych modeli systemów i symulowania przepływów sterowania
Statistics and Machine Learning Toolbox	MathWorks Inc., Natick, MA, USA	ST-ML-2401	Zestaw narzędzi służący do modelowania prawdopodobieństwa, propagacji niepewności i analizy statystycznej stanów systemu

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Analityka predykcyjna estymacja stanu propagacja niepewno ci kwantyfikacja ryzyka sterowanie predykcyjne systemy cyber fizyczne

Cyfrowa rama bliźniaka dla proaktywnego zarządzania przedsiębiorstwem: Badania nad podejmowaniem decyzji operacyjnych integrujących dane IoT i modelowanie obliczeniowe

W tym artykule

Podsumowanie

Streszczenie

Wprowadzenie

Protokół

Wyniki

Dyskusja

Oświadczenia

Podziękowania

Materiały

Przedruki i uprawnienia

Tagi

Powiązane artykuły