Цифровая рамка-двойник для проактивного управления предприятием: исследование операционного принятия решений с интеграцией данных IoT и вычислительного моделирования

Краткое содержание

Это исследование демонстрирует рабочий процесс на основе цифровых двойников для проактивного управления предприятием, интегрирующий данные IoT, нелинейное моделирование, оценку состояния, распространение неопределённости и предиктивный контроль для вычислительного изучения операционной стабильности, снижения рисков и поведения при поддержке принятия решений на основе данных в среде моделирования.

Аннотация

Технология цифровых двойников предоставляет мощный вычислительный подход для представления и управления сложными корпоративными системами, постоянно интегрируя датчики в реальном времени с динамическим моделированием и предиктивной аналитикой. Основная цель этого исследования — разработать и продемонстрировать воспроизводимый протокол для создания цифрового двойника с поддержкой IoT, который обеспечивает проактивное управление предприятием на основе данных. Методология интегрирует нелинейное динамическое моделирование, оценку состояния на основе наблюдателей, распространение неопределённости, количественную оценку риска и стохастическое предиктивное управление моделями в единую кибер-физическую систему принятия решений. Симулированные измерения датчиков ассимилируются оценщиком состояния для синхронизации цифрового двойника с смоделированной корпоративной системой, что позволяет на основе симуляции предсказывать будущие операционные состояния в определённой вычислительной среде. Показатели неопределённости и рисков распространяются через динамическую модель для выявления возникающих нестабильностей до их эскалации в критические сбои. Прогностический уровень управления затем оптимизирует многоцелевую производительность, генерируя управляющие действия, направленные на снижение операционного риска, стабилизацию поведения системы и оценку потенциальных долгосрочных улучшений операционной эффективности в смоделируемом сценарии. Репрезентативные результаты, полученные из упрощённой модели моделирования производства–запасов–энергии, демонстрируют потенциальные преимущества метода, управляемого цифровыми двойниками, по сравнению с традиционными реактивными стратегиями. Вычислительный пример показывает более плавные операционные траектории, снижение накопленного риска, снижение неопределённости и повышение эффективности управления по нескольким оценённым показателям производительности. Однако эти результаты основаны на осмысленном рабочем процессе симуляции и должны интерпретироваться как демонстрация концепции, а не как прямое доказательство универсальной реальной производительности. Хотя протокол является вычислительным, независимым от платформы и потенциально адаптируемым к корпоративным сферам, таким как производство, логистика, операции цепочки поставок и энергоёмкие системы, более широкое внедрение в практических промышленных условиях потребует дополнительной валидации с использованием реальных операционных наборов данных и масштабных исследований внедрения. Следуя этой процедуре, исследователи и практики могут воспроизводить и дополнительно оценивать масштабируемую, основанную на данных и учитывающую риски фреймворк цифровых двойников для корпоративных приложений поддержки принятия решений.

Введение

Современные предприятия работают в всё более сложных средах, характеризующихся большими объемами данных, взаимосвязанными операционными процессами и значительной неопределённостью. Традиционные стратегии реактивного управления часто испытывают трудности с поддержанием операционной стабильности и устойчивости в таких условиях, особенно когда корпоративные системы включают тесно связанные процессы, такие как планирование производства, координация логистики, управление запасами, использование энергии и снижение рисков ^1,2,3. Эти процессы часто демонстрируют нелинейные взаимодействия и многомасштабные зависимости, которые динамически развиваются со временем. По мере перехода организаций к киберфизическим инфраструктурам, поддерживаемым взаимосвязанными системами сенсоров и распределённой цифровой разведкой, поддержание точной и своевременной осведомлённости о состоянии системы становится критически важным требованием для эффективного принятия ^{решений} 4,5,6,7.

Технология цифровых двойников стала перспективной парадигмой для решения этих проблем. Цифровой двойник можно определить как постоянно развивающееся виртуальное представление физического актива, процесса или корпоративной системы, которое остаётся синхронизированным с физическим аналогом через интеграцию данных в реальном времени и динамических системных^{моделей 8,9,10}. В отличие от традиционных рамок статического моделирования, цифровые двойники функционируют как динамические вычислительные экосистемы, способные отслеживать операционные условия, прогнозировать поведение систем и поддерживать принятие решений на основе^{оптимизации 11,12}. Обширные исследования продемонстрировали ценность цифровых двойников в различных областях, включая передовые производственные системы, умные логистические сети, оптимизацию цепочек поставок и инфраструктуры управления энергопотреблением^{13, 14, 15, 16, 17}. Эти исследования указывают на потенциал цифровых двойников для повышения ситуационной осведомлённости, повышения операционной эффективности и поддержки стратегий предиктивного управления в симуляционных и экспериментальных средах. Несмотря на эти достижения, внедрение технологии цифровых двойников для поддержки принятия решений на корпоративном уровне остаётся сложной задачей. Корпоративные системы часто включают гетерогенные подсистемы, взаимодействующие через сложные нелинейные связи, тогда как операционные данные, собранные с сенсорных инфраструктур, могут содержать задержки, шум или отсутствующие значения. Эти факторы могут значительно снизить надежность традиционных стратегий мониторинга или контроля. Решение этих задач требует интегрированных фреймворков, объединяющих динамическое системное моделирование, ассимиляцию данных, количественную оценку неопределённости и прогнозную оптимизацию в единой^{архитектуре} 18,19,20,21,22. Поэтому недавние исследования подчеркнули важность сочетания зондирования в реальном времени с продвинутыми методами оценки и методами прогнозного управления для создания замкнутых кибер-физических систем принятия решений, способных непрерывно адаптироваться к изменяющимся^{операционным условиям} 23,24,25,26.

Однако важное методологическое ограничение остаётся недостаточно учтёным во многих существующих фреймворках прогнозирования цифровых двойников и моделей. Значительная часть современных исследований сосредоточена либо на изоляционных алгоритмах предиктивной оптимизации, статических средах моделирования, либо на конкретных реализациях цифровых двойников, специфичных для области, без предоставления воспроизводимого и единого рабочего процесса, интегрирующего динамическое корпоративное моделирование, оценку состояния, распространение неопределённости, вероятностную оценку рисков и прогнозную оптимизацию принятия решений в рамках единого операционного протокола. Кроме того, многие представленные фреймворки предоставляют концептуальные архитектуры без чёткого описания того, как сенсорные данные, процедуры оценки, моделирование неопределённости и оптимизация управления итеративно взаимодействуют в замкнутом вычислительном процессе, подходящем для поддержки принятия решений в корпоративном масштабе. Это ограничение снижает практическую воспроизводимость и переносимость многих существующих подходов в различных корпоративных приложениях. Следовательно, по-прежнему необходим прозрачный и вычислительно воспроизводимый протокол, который систематически демонстрирует, как эти взаимосвязанные компоненты могут быть интегрированы в целостную кибер-физическую структуру управления предприятием, способную поддерживать проактивный операционный анализ и принятие решений.

Ещё одной ключевой проблемой является наличие неопределённости и операционных рисков в корпоративных средах. Производственные системы, цепочки поставок и энергетические сети по своей природе подвержены стохастическим нарушениям, включая колебания спроса, деградацию оборудования, перебои в поставках и человеческие факторы. Без явных механизмов моделирования неопределённости и количественной оценки рисков стратегии управления предприятиями могут не выявить ранние признаки нестабильности или операционной^{деградации} 27,28,29,30. Внедрение вероятностного моделирования и оценки рисков в рамках цифровых двойников играет ключевую роль в обеспечении проактивного управления предприятием и повышении долгосрочной устойчивости систем.

Методы предиктивного управления обеспечивают естественный механизм принятия решений для цифровых двойников, работающих в условиях неопределённости. Используя прогнозы, полученные моделью цифровых двойников, стратегии предиктивного управления могут вычислять ориентированные на будущее действия управления, оптимизирующие операционную производительность при соблюдении системных ограничений. По сравнению с традиционными стратегиями на основе правил или пропорционального контроля, методы предиктивного управления продемонстрировали превосходные возможности в управлении нелинейной динамикой, балансировке нескольких целей и поддержании стабильной работы в сложных кибер-физических^{условиях} 31,32,33,34,35 . Тем не менее, многие существующие реализации в первую очередь делают упор на эффективность оптимизации управления, уделяя сравнительно ограниченное внимание интегрированному взаимодействию между реконструкцией состояния, эволюцией неопределённости, вероятностным распространением рисков и адаптивным мониторингом предприятий. Практическая полезность корпоративных цифровых двойников зависит не только от точности предсказательного управления, но и от способности непрерывно усваивать операционную информацию, оценивать неопределённость, количественно оценивать новые условия риска и обновлять решения управления в рамках воспроизводимого вычислительного рабочего процесса. На рисунке 1 изображен итеративный рабочий процесс, показывающий двусторонний обмен между физической системой, слоем IoT-сенсора, моделью цифровых двойников, оценщиком состояния, движком оптимизации и модулями оценки производительности.

Основная цель данного исследования — разработать воспроизводимый протокол для реализации фреймворка на основе цифровых двойников, который поддерживает проактивное управление предприятием через интегрированное динамическое моделирование, оценку состояния, распространение неопределённости и прогнозную оптимизацию принятия решений. Предлагаемый протокол объединяет нелинейное моделирование корпоративных систем, восстановление состояния на основе данных, вероятностную оценку рисков и предиктивное управление в единый киберфизический рабочий процесс, который непрерывно контролирует и стабилизирует операции предприятия. В отличие от многих существующих концептуальных или специализированных фреймворков, предлагаемая методология явно демонстрирует последовательное взаимодействие между сенсорными входами, оценкой состояния, распространением неопределённости, количественной оценкой рисков, прогнозной оптимизацией и оценкой производительности в рамках прозрачного вычислительного протокола, который можно систематически воспроизводить и адаптировать к различным корпоративным сценариям. Интегрируя эти компоненты в замкнутую схему, цифровой двойник может прогнозировать развитие операций и рекомендовать меры управления, снижающие риски, повышающие эффективность и повышающие стабильность системы.

Концепция, представленная в этой работе, разработана так, чтобы быть адаптируемой к широкому спектру корпоративных контекстов, включая производственные среды, сети цепочек поставок, логистические операции и энергоёмкие производственные системы. Репрезентативные результаты показывают, что предлагаемая методология, управляемая цифровыми двойниками, обеспечивает более плавные операционные траектории, повышенную точность оценки, снижение распространения неопределённости и меньший накопительный операционный риск по сравнению с традиционными стратегиями реактивного управления в рамках определённого вычислительного примера, рассмотренного в данном исследовании. Помимо демонстрации производительности прогнозной оптимизации, предлагаемый рабочий процесс предоставляет практически полезный протокол для иллюстрации того, как корпоративные цифровые двойники могут интегрировать датчики, оценку, анализ неопределённости, оценку рисков и оптимизацию принятия решений в единую вычислительную структуру, подходящую для оценки предприятий на основе моделирования и будущего реального расширения. Эти результаты подтверждают растущее осознание того, что тесно интегрированные цифровые двойники, передовые методы оценки и стратегии прогнозной оптимизации являются фундаментальными компонентами для обеспечения устойчивого, интеллектуального и ориентированного на данные управления предприятием в современных киберфизических^{условиях 36, 37, 38, 39}.

Протокол

1. Определить и инициализировать корпоративную систему цифровых двойников.

1. Определите переменные корпоративной системы.
   1. Определим вектор состояния предприятия:
      x(t) = [x_{1,x 2,x 3}]^T
   2. Для воспроизводимости возьмём пример предприятия «производство–запасы–энергетика», где x₁ = скорость производства (единицы/ч), x₂ = уровень запасов (единицы) и _{x 3} = энергопотребление (кВт·ч).
   3. Определим управляющий входный вектор:
      u(t) = [u 1,u ₂]^T
   4. Определите u1 = регулировка производства и = контроль распределения энергии.
   5. Определим стохастические возмущения:
      
   6. Задайте случайное засечка перед выполнением симуляции:
      MATLAB: случайность(1)
      Python: numpy.random.seed(1)
2. Постройте динамичную модель предприятия.
   1. Реализовать нелинейную динамику предприятия:
      
   2. Определить:
      
      
      
   3. Определите процесс шума:
      
   4. Используйте численное интегрировање Эйлера:
      
   5. Задайте горизонт симуляции: T = 1 000 итераций.
      Δt = 0,1
   6. Храните все параметры в конфигурационных файлах:
      config.mat (MATLAB)
      config.json (Python)
3. Инициализируйте состояния системы.
   1. Инициализировать:
      x(0) = [10,50,20]^T
   2. Инициализуйте оценку цифровых двойников:
      
   3. Инициализация ковариации:
      Σ_x(0) = 0,1I
   4. Матрицы предварительного распределения хранения:
      X(T,3),Xhat(T,3),U(T,2),Риск(T,1),Ковариация(T,3)
4. Настройте программную среду.
   1. Реализуйте MATLAB R2023a с помощью Optimization Toolbox и Control System Toolbox.
   2. Реализуйте Python 3.11 с использованием NumPy, SciPy, cvxpy, matplotlib и pandas.
   3. Используйте quadprog (MATLAB) или OSQP-решатель в cvxpy (Python).

2. Интегрировать синтетические измерения IoT в цифровой двойник.

1. Генерируйте корпоративные измерительные данные.
   1. Определим модель измерения:
      
   2. Используйте h(x) = x.
   3. Определите шум измерения:
      
   4. Имитируйте шумные измерения на каждой итерации.
   5. Храните измерения в матрице Y(T,3).
2. Предварительные измерения.
   1. Применить фильтр движущегося среднего: размер окна = 3 образца.
   2. Удалять аномальные измерения, превышающие порог 3\сигма.
3. Настройте наблюдатель цифрового двойника.
   1. Реализовать наблюдатель:
      
   2. Определим усиление наблюдателя:
      K = диаг(0.5,0.5,0.5)
   3. Обновление наблюдателя численно с помощью интеграции Эйлера.
4. Выполнить рабочий процесс вычислительной оценки.
   1. Для каждой итерации моделирования k:
      1. Моделировать динамику физического предприятия.
      2. Генерируйте шумные IoT-измерения.
      3. Применяйте фильтрацию.
      4. Обновить оценку наблюдателей.
      5. Распространять ковариацию.
      6. Вычислите метрики риска.
      7. Решите задачу оптимизации MPC.
      8. Примените действие первого контроля.
      9. Сохраняйте выходные данные для визуализации.
   2. Ошибка синхронизации вычислений:
      
   3. Сохранить траекторию ошибки синхронизации.

3. Оценить неопределённость предприятия и операционные риски.

1. Распространять неопределённость.
   1. Обновление ковариации:
      
   2. Используйте Q = 0.01I.
   3. Вычислите матрицу Якобиана численно.
   4. Сохраняйте диагональные элементы ковариации для построения графиков.
2. Рассчитайте операционный риск.
   1. Определим функцию опасности:
      λ(t) = 0,01x₂(t)
   2. Вычислите кумулятивную вероятность отказа:
      
   3. Численное интегрирование с помощью трапециевидного интегрирования.
   4. Траектории риска в магазинах.

4. Реализовать предиктивное управление моделями.

1. Определите задачу оптимизации MPC.
   1. Определим функцию затрат:
      
   2. Установить a = 1, β = 0,5, y = 2, δ = 0,1.
   3. Задайте горизонт прогнозирования: .
   4. Определим переменные оптимизации:
      U = [u₁(1), u₂(1),..., u₁(H),u₂(H)]
2. Определите операционные ограничения.
   1. Применяйте 0 < u₁ <20 и 0 <u₂ <10.
   2. Принудительно применяйте 0 < x₂ <100 и 0 <x₃ <50.
3. Решите проблему MPC.
   1. Линеаризуйте динамику локально на каждой итерации.
   2. Формулируйте задачу квадратичного программирования.
   3. Решите с помощью следующих методов:
   4. Квадрог MATLAB:
      Алгоритм = внутренняя точка выпуклой
      Python cvxpy:
      Решатель = OSQP
   5. Используйте максимальные итерации решателя: 1000.
   6. Применяйте только первое оптимальное действие управления.
4. Выполнить петлю с отходящим горизонтом.
   1. Обновить состояние предприятия.
   2. Горизонт прогнозирования сдвигов.
   3. Перевычисление оптимизации.
   4. Повторяйте, пока k=T.

5. Выполнить многоцелевую оптимизацию.

1. Определите цели.
   1. Оценивайте операционные затраты, энергопотребление, уровень риска, отклонение запасов.
   2. Нормализуйте все цели перед оптимизацией.
2. Выполнить оптимизацию взвешенной суммы.
   1. Генерируйте 10 комбинаций весов:
      
   2. Решите оптимизацию для каждой комбинации весов.
   3. Храните решения с оптимальными параметрами Парето.
   4. Оценивайте решения на основе общей стоимости и снижения рисков.

6. Проверьте стабильность цифровых двойников.

1. Определим функцию Ляпунова.
   1. Используйте V(e) =^{e T}Pe.
   2. Множество P = I.
2. Проверьте сходимость.
   1. Вычислить |Яe(t)I|₂.
   2. Проверьте |Яe(t)I|→0.
   3. Храните метрики сходимости.

7. Генерируйте цифры и отображаемые результаты.

1. Траектории магазина.
   1. Траектории сохранения состояния, оценочные состояния, входные данные, эволюция ковариации, кривые риска, ошибки синхронизации.
   2. Генерируйте графики.
   3. Используйте MATLAB plot() или Python matplotlib.pyplot.
   4. Генерировать производственные траектории, эволюцию запасов, энергопотребление, вероятность риска, эволюцию ковариации, контрольные действия, парето-фронтовые графики.
   5. Экспортные данные: формат PNG, разрешение 600 dpi.
   6. Сохранение фигур: Figure_1.png, Figure_2.png, ..., Figure_N.png.
2. Экспортировать дополнительные файлы.
   1. Загружайте скрипты MATLAB (.m), скрипты на Python (.py), файлы конфигурации, сгенерированные наборы данных, скрипты генерации фигурок.
   2. Включайте документацию README для инструкций воспроизведения и предоставляйте полную вычислительную реализацию, конфигурационные файлы, сгенерированные наборы данных и скрипты для генерации фигурок в виде дополнительного файла 1.

Результаты

Выполнение предлагаемого протокола создаёт набор измеримых показателей эффективности, иллюстрирующих, как фреймворк цифровых двойников улучшает операционную стабильность предприятия, точность прогнозирования и снижение рисков по сравнению с традиционной стратегией реактивного управления. Все результаты получаются с использованием явно определённой системы производства–инвентаризация–энергии, описанной в протоколе, с начальными условиями

Обсуждение

Протокол, представленный в этом исследовании, демонстрирует структурированный рабочий процесс для внедрения цифрового двойника, способного поддерживать проактивное управление предприятием через интегрированное моделирование, оценку, оценку рисков и прогнозную оптимизацию. Критически важным аспектом протокола является точное определение корпоративной динамической модели и переменных состояния на этапе инициализации. Представление состояний предприятия, управляющих входов и возмущений опре...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Высокопроизводительная рабочая станция	Dell Technologies, Round Rock, TX, USA	DELL-PREC-T5820	Многоядерная вычислительная рабочая станция, используемая для выполнения симуляций, алгоритмов оценки и вычислений предсказательного управления
Индустриальные сенсоры IoT (Опционально для будущего развертывания в реальном мире)	Siemens AG, Мюнхен, Германия	SI-IOT-SEN-100	Промышленные сенсоры, используемые для сбора оперативных измерений, таких как скорость производства, потребление энергии и условия окружающей среды
MATLAB R2024a	MathWorks Inc., Natick, MA, USA	ML-R2024a	Численная вычислительная среда, используемая для реализации динамических моделей предприятия, выполнения симуляций и оценки стратегий управления
MQTT Шлюз IoT (Опционально для будущего развертывания в реальном мире)	Eclipse Foundation	MQTT-3.1.1	Шлюз протокола обмена сообщениями, используемый для приема и передачи потоков данных сенсоров в реальном времени между устройствами и системой цифрового двойника
NumPy	Разработчики NumPy	NP-1.26	Библиотека для научных вычислений, предоставляющая операции с массивами и методы линейной алгебры для числовых симуляций
Оптимизационный инструментарий	MathWorks Inc., Natick, MA, USA	OPT-TBX-2401	Инструментарий, используемый для формулирования и решения задач оптимизации с ограничениями в предсказательном управлении
Pandas	Команда разработчиков Pandas	PD-2.1	Библиотека для анализа данных, используемая для предварительной обработки, управления и анализа временных рядов данных предприятия
Python 3.11	Python Software Foundation, Wilmington, DE, USA	PY-311	Открытое программное окружение, используемое в качестве альтернативной платформы для числового моделирования и реализации цифрового двойника
SciPy	Разработчики SciPy	SP-1.11	Библиотека для научных вычислений, используемая для решения дифференциальных уравнений, обработки сигналов и оптимизационных операций
Simulink	MathWorks Inc., Natick, MA, USA	SL-10.8	Графическая среда блочно-схемного моделирования, используемая для создания моделей динамических систем и моделирования рабочих процессов управления
Статистический и машинно-обучающий инструментарий	MathWorks Inc., Natick, MA, USA	ST-ML-2401	Инструментарий, используемый для вероятностного моделирования, распространения неопределенности и статистического анализа состояний системы