Digitaalinen kaksonen – digital twin

Digitaalisen kaksosen (Digital twin) konseptin esitti ensimmäisenä tohtori Michael Grieves vuonna 2003 tuotetiedonhallinnan luennollaan Michiganin yliopistossa (Grieves, 2014). Digitaalisen kaksosen konsepti on yksinkertaisuudessaan fyysisestä tuotteesta tehty digitaalinen kuvaus, joka keräsi dataa fyysisestä osasta, ja jonka avulla voitiin siirtää informaatiota takaisin fyysiseen osaan (Grieves, 2014). Alla kuvassa on esitetty digitaalisen kaksosen perusperiaate.

Digitaalisen kaksosen konsepti on pysynyt yli viidentoista vuoden ajan pääpiirteiltään samana. Grieves (2014) ja Liu et al. (2020) kuitenkin toteavat, että digitaalisen kaksosen määritelmä on monipuolistunut ja tarkentunut teknologisen kehityksen myötä. Uudemmat määritelmät ovat alkuperäistä määritelmää kattavampia ja niissä on korostettu lisäksi esimerkiksi reaaliaikaisuutta (Batty, 2018) tai digitaalisen kaksosen käyttökohteita (Madni et al., 2019).

Madni et al. (2019) toteavat, että teknologian kehittyessä on tärkeää määritellä, mitä voidaan nimittää digitaaliseksi kaksoseksi ja miten digitaalinen kaksonen kehittyy. Mallissa on määritelty neljä eri kypsyystasoa; digitaalisen kaksosen esiaste, digitaalinen kaksonen, soveltava digitaalinen kaksonen ja älykäs digitaalinen kaksonen. Viitekehyksessä kukin taso on askel yksinkertaisimmasta mahdollisesta digitaalisesta mallista kohti määritelmien monimutkaisimpia ja kehittyneimpiä kuvauksia. Digitaalisten kaksosten, eli mallissa tasojen 2-4 mukaisten mallinnuksien keskinäinen ero on mallin monimutkaisuudessa, datan määrässä, siirtonopeudessa ja ajankohtaisuudessa, teknologian autonomisuudessa sekä mallin tarjoaman hyödynnettävän informaation määrässä. Mallin tasot kriteereineen on esitetty kuvassa 2. Madni et al. (2019)

Tason 1 esi-digitaalinen kaksonen on tyypillinen digitaalinen malli, joka on tyypillisesti ennen fyysisen laitteen valmistusta rakennettava virtuaalinen prototyyppi. Tason 1 virtuaalista prototyyppiä voidaan hyödyntää tiettyjen valintojen tekemisessä ja riskien minimoimisessa suunnittelun aikaisessa vaiheessa. Tason 1 mallilla voidaan simuloida mekaanisia ja tietoteknisiä toimintoja, mutta mallilla ei ole fyysistä kaksosta, johon se olisi yhteydessä. (Madni et al., 2019)

Tason 2 digitaalisella kaksosella on fyysinen osa, jolta virtuaalinen osa saa dataa paketeissa, jonka mukaan digitaalinen malli päivittää tietojaan. Tason 2 digitaalista kaksosta käytetään fyysisen osan skenaarioanalyysien tekemiseen, joista saatua tietoa voidaan käyttää ennakoimiseen ja fyysisen osan muokkaamiseen skenaarioista saadun informaation perusteella. (Madni et al., 2019)

Tason 3 soveltavassa digitaalisessa kaksosessa on sovellettava käyttöliittymä sekä fyysiselle että virtuaaliselle osalle. Käyttöliittymä osaa ottaa huomioon käyttäjän preferenssejä ja valintoja suhteessa monenlaisiin tilanteisiin, mikä perustuu valvottuun koneoppimis-algoritmiin. Soveltavan digitaalisen kaksosen virtuaaliseen malliin saadaan dataa jatkuvasti ja ajantasaisesti fyysisestä osasta, minkä lisäksi dataa voidaan tuoda paketeissa käytön jälkeen. Tämän tason digitaalista kaksosta voidaan hyödyntää oikea-aikaisessa suunnittelussa ja päätöksenteossa. (Madni et al., 2019)

Tason 4 älykäs digitaalinen kaksonen sisältää kaikki tason 3 ominaisuudet, minkä lisäksi siinä käytetään edistyksellisempää koneoppimista. Älykkäällä digitaalisella kaksosessa on alempaan tasoon verrattuna korkeampi itsenäisyys, ja se käyttää koneoppimista uusien asioiden ja kuvioiden havaitsemiseen. Älykäs digitaalinen kaksonen voi analysoida tarkemmin fyysisestä osasta saatavaa dataa. (Madni et al., 2019)

Merkittävimmät erot eri tasojen digitaalisten kaksosten välillä riippuvat siis siitä, onko fyysinen osa olemassa, miten sen ja virtuaalisen osan yhteys toimii ja kuinka autonominen ja itseoppiva järjestelmä on kyseessä. Mitä tehokkaammin ja oikea-aikaisemmin data ja informaatio siirtyvät fyysisen ja virtuaalisen osan välillä, sitä enemmän järjestelmän on mahdollista olla autonominen. Suurimmat hyödyt digitaalisesta kaksosesta saadaan, kun se toteutetaan korkeimmilla tasoilla.

Digitaalista kaksosta kehitetään 2020-luvulla monella eri alalla, kuten rakennusalalla (Khajavi et al., 2019), toimitusketjujenhallinnassa (Tao et al., 2019) ja vaateteollisuudessa (Riedelsheimer et al., 2020). Eniten digitaalisia kaksosia on kuitenkin tutkittu ja kehitetty valmistavassa teollisuudessa (Jones et al., 2020). Madni et al. (2019) mukaan digitaalinen kaksonen voi kuvata systeemiä, prosessia tai tuotetta. Qi et al. (2019) puolestaan määrittelivät digitaalisen kaksosen mallinnuksen kohteiksi palvelun, prosessin tai tuotteen. Teollisuuteen liittyvässä tutkimuksessa on myös todettu, että digitaalisen kaksosen voi tehdä laitteen osasta, laitteesta, tuotannon osasta tai koko tuotannosta.

Digitaalinen kaksonen on monipuolinen työkalu, joka viitoittaa tietä kyber-fyysiselle interaktiolle (Qinglin & Tao, 2018). Teknologian kehittyessä digitaalisen kaksosen perusperiaate on säilynyt samana, mutta digitaalista kaksosta voidaan hyödyntää aikaisempaa monipuolisemmin ja laajemmin. Digitaalisen kaksosen tarjoamat hyödyt riippuvat käyttökohteesta sekä digitaalisen kaksosen tasosta. Digitaalisen kaksosen hyötyjä sekä tulevaisuusskenaarioita esitellään tämän blogisarjan seuraavissa osissa.

• Batty, M. (2018). Digital twins. Environment and Planning B: Urban Analytics and City Science, 45(5), 817–820.
• Grieves, M. (2014). Digital Twin: Manufacturing Excellence through Virtual Factory Replication. In A Whitepaper by Dr. Michael Grieves.
• Jones, D., Snider, C., Nassehi, A., Yon, J., & Hicks, B. (2020). Characterising the Digital Twin: A systematic literature review. CIRP Journal of Manufacturing Science and Technology, 29(3), 36–52.
• Khajavi, S. H., Motlagh, N. H., Jaribion, A., Werner, L. C., & Holmstrom, J. (2019). Digital Twin: Vision, benefits, boundaries, and creation for buildings. IEEE Access, 7(1), 147406–147419.
• Liu, M., Fang, S., Dong, H., & Xu, C. (2021). Review of digital twin about concepts, technologies, and industrial applications. Journal of Manufacturing Systems, 58(1), 346–361.
• Madni, A., Madni, C., & Lucero, S. (2019). Leveraging Digital Twin Technology in Model-Based Systems Engineering. Systems, 7(1), 7.
• Qi, Q., Tao, F., Hu, T., Anwer, N., Liu, A., Wei, Y., Wang, L., & Nee, A. Y. C. (2019). Enabling technologies and tools for digital twin. Journal of Manufacturing Systems, 58(1), 3–21.
• Qinglin, Q., & Tao, F. (2018). Digital Twin and Big Data Towards Smart Manufacturing and Industry 4.0: 360 Degree Comparison. IEEE Access, 6(1), 3585–3593.
• Riedelsheimer, T., Dorfhuber, L., & Stark, R. (2020). User centered development of a digital twin concept with focus on sustainability in the clothing industry. Procedia CIRP, 90, 660–665.
• Tao, F., Zhang, H., Liu, A., & Nee, A. Y. C. (2019). Digital Twin in Industry: State-of-the-Art. IEEE Transactions on Industrial Informatics, 15(4), 2405–2415.