Digital Twin and the Information Problem
Résumé
The Digital Twin is strongly associated with the evolution of sensing and actuation capabilities; Data Management, Big data and Artificial Intelligence techniques; and Service Platform for development and execution of large applications over widely distribute Edge Cloud systems.
The concept is also an enabler for the development of many applications in disparate problem domains and fields. And it has, usually, important business benefits. A Digital Twin implementation spans over different phases of a system lifecycle and requires a dedicated support from different teams and groups within the organization that is developing or using it.
The basic concept behind the Digital Twin is the ability to represent by software all the peculiarities and behavior of a physical or object systems within an operation environment. This representation is based on descriptive modeling, i.e., the ability to define and describe data models encompassing all the information needed for the working of the DT; and a prescriptive model, i.e., the ability to fully describe the intended, expected behavior of the DT reflecting the actual one of the physical system. The definition, development and operation of a Digital Twin require a wealth of data and the mapping of these data to the behavior. A great development effort is required along time to arrive to a correct Digital Twin implementation.
This document describes several attempts to ease the modeling and the development of DT based solutions taking advantages from existing descriptive models, prescriptive modeling tools and the definition of behavior templates, and the ability to use the combination of General Purpose and Synthetic Sensing to gain access to all the needed data for support a DT representation of a physical system. General Purpose Sensing is the ability to use sensors in such a way to capture as many as possible information in the environment and to use AI technologies for transforming these data into actionable information. This transformation phase made possible by AI is named Synthetic Sensing to indicate the fact that the newly generated content has been inferred and has not actually been measured on the terrain.
The report explores the possible paths and the consequences of adopting these technologies for the development of Digital Twins and the needs to extend the available platforms to support of this approach.
Le jumeau numérique est étroitement associé à l'évolution des capacités de détection et d'actionnement, à la gestion des données, au big data et aux techniques d'intelligence artificielle, ainsi qu'aux plateformes de service pour le développement et l'exécution de grandes applications sur des systèmes de edge - cloud largement distribués.
Le concept permet également le développement de nombreuses applications dans divers domaines et secteurs, offrant souvent des avantages commerciaux significatifs. La mise en œuvre d'un jumeau numérique couvre différentes phases du cycle de vie d'un système et nécessite un soutien dédié de la part de diverses équipes et groupes au sein de l'organisation qui le développe ou l'utilise.
Le concept de base du jumeau numérique est la capacité de représenter, par le biais de logiciels, toutes les caractéristiques et comportements d'un objet ou système physique dans un environnement (opérationnel). Cette représentation repose sur la modélisation descriptive, qui consiste à définir et décrire des modèles de données englobant toutes les informations nécessaires au fonctionnement du jumeau numérique, et sur la modélisation prescriptive, qui consiste à décrire pleinement le comportement prévu et attendu du jumeau numérique, reflétant celui du système physique réel. La définition, le développement et l'exploitation d'un jumeau numérique nécessitent une quantité importante de données et l'association de ces données avec le comportement du système. Un effort de développement considérable est requis au fil du temps pour aboutir à une mise en œuvre correcte du jumeau numérique.
Ce document décrit plusieurs tentatives visant à faciliter la modélisation et le développement de solutions basées sur les jumeaux numériques a parti des modèles descriptifs existants, des outils de modélisation prescriptive, de la définition de modèles de comportement, ainsi que de la capacité à combiner "general-purpose and synthetic sensing" pour accéder à toutes les données nécessaires pour soutenir une représentation numérique d'un système physique. La détection à usage général fait référence à la capacité d'utiliser des capteurs de manière à capturer autant d'informations que possible de l'environnement et à appliquer des technologies d'intelligence artificielle pour transformer ces données en informations exploitables. Cette phase de transformation rendue possible par l'IA est appelée détection synthétique pour indiquer que le contenu nouvellement généré a été inféré et n'a pas été directement mesuré sur le terrain.
Le rapport explore les voies possibles et les conséquences de l'adoption de ces technologies pour le développement de jumeaux numériques, ainsi que la nécessité d'étendre les plateformes disponibles pour soutenir cette approche.
Origine | Fichiers produits par l'(les) auteur(s) |
---|---|
licence |