Digital Twins

        運用

　　隨著目前越來越高的客戶滿意度要求，為了更好的滿足客戶需求，增加公司的市場知名度，存在感以進一步占領市場，我們的供應鏈網絡變得越來越復雜。

　　復雜的供應鏈，通常存在比較差的可見性，對供應鏈的低可見性，可能會產生負面影響對組織核心業務的影響。然而，業務依然要求我們預知可能發生的，提前避免風險，低可見性卻要求高預知性，顯然是不可能的。

　　數字孿生-Digital Twins可以提高可見性，我們可能在以下方面獲得好處：改進物理資產的分析、診斷、預測和描述的指標。

　　在數字孿生和人工智能的幫助下，可能會出現整個物流供應鏈網絡的智能模型。以下講描述數字雙胞胎在物流中的可能應用，以及為什么數字雙胞胎具有釋放AI先進可能性的潛力。拓展思路，準備未來。（來源：Digital twins and Artificial Intelligence in logistics（J?rn Petereit））

　　數字孿生和人工智能

　　數字孿生正在進入越來越多的行業，并與人工智能（AI）一起開發其全部潛力。但是，盡管許多最重要的基本技術已經得以運用，但它們尚未在整個物流行業中廣泛使用。比如，目前傳感器被用于跟蹤貨物，物流部門越來越依賴開放 API 策略和遷移到云。物流公司正在應用機器學習和高級分析技術，以優化其供應鏈并從歷史運輸和運營數據中獲得新見解。物流專家還在為倉庫揀選和車輛裝載等任務實施增強、混合和虛擬現實應用程序。總而言之，這是在物流領域創建數字孿生的理想數據基礎。但是數字孿生在物流領域提供了哪些具體的應用可能性？

　　在包裝和貨柜領域的運用

　　大多數通過物流網絡運輸的產品都采用某種形式的包裝。我們使用大量一次性包裝以及專用或通用可重復使用容器。包裝和容器的開發，監視和管理對物流部門提出了許多挑戰。一方面，由于電子商務的持續增長，可以看到對包裝和容器的需求不斷增加（不僅是從COVID-19開始）。另一方面，存在季節性波動和包裝種類繁多。由于容量利用率低，這會導致大量浪費并降低運營效率。

　　通過結合使用數字孿生和計算機視覺技術，可以快速創建容器的詳細模型，并可以自動檢測到諸如凹痕和裂縫之類的潛在問題。可以將這些信息與有關容器運動的歷史數據結合起來，以創建一個數字孿生子，該孿生子將影響有關何時應該使用，維修或報廢某個特定容器的決定。此外，在整個集裝箱船隊中匯總此類數據可以幫助船東對船隊的大小和分布做出最佳決策，并確定可能的諸如集裝箱故障等潛在問題的趨勢。數字孿生還可用于開發更堅固、更輕、更環保的包裝材料，并幫助更有效地管理集裝箱車隊。

        在貨運領域的運用

　　下一步將是在數字雙胞胎中包含容器的內容。運送敏感的高價值產品（例如藥品或電子組件）時，已經裝有監視溫度，沖擊和振動等參數的傳感器，這已經是常見的做法。裝運中的數字孿生體將充當這些傳感器收集的數據的“存儲庫”，并有可能以新的方式使用此數據。例如，包含包裝的隔熱和減震特性的模型可以允許從外部傳感器收集的數據推斷出容器內部的狀況。

　　結合產品和包裝數據可以通過優化包裝選擇和容器包裝策略的自動化來幫助公司提高效率，從而最大程度地減少空余空間和裝運污染。

　　在倉儲的運用

　　數字孿生的另一個激動人心的應用領域出現在倉庫和調度中心的設計，運營和優化中。倉庫數字雙胞胎可以通過將設施的3D模型與IoT數據以及庫存和運營數據（例如物品的大小，數量和需求特征）相結合來支持新設施的設計和布局，從而通過模擬來優化空間利用率產品，人員和材料的移動。數字孿生還可以在倉庫運營期間使用來自自動化技術的數據進行更新，例如基于無人機的庫存盤點系統、無人駕駛運輸系統，甚至自動存儲和檢索設備。這些數字雙胞胎可用于進一步優化這些自動化系統的性能。

　　總而言之，數字孿生可用于通過識別全面的數據來不斷提高倉庫和調度中心的績效-從庫存，設備和人員的流動到倉庫運營中的識別和消除浪費（例如，揀選錯誤）。在實際操作中進行更改之前，可以使用模擬來測試和評估更改布局和流程或引入新設備的潛在影響。尤其是在預計數量和庫存結構會快速變化的區域（例如，在實現電子商務方面），數字雙胞胎可以通過動態優化流程（從存儲位置和人員配備到設備分配）來提供支持。

        數字孿生和人工智能

　　數字孿生的真正繁榮來自于AI及其預測能力。過去，以數字方式創建空間模型非常令人興奮-但僅是一種靜態可視化對象的方法。今天，我們從傳感器，歷史性能以及行為輸入中獲得的所有數據都可以鏈接到空間模型，并通過更改不同的輸入來預測未來的行為。事實上，數據和預測能力使空間模型栩栩如生。

　　數字孿生的第一個優勢是能夠生成模擬數據。虛擬環境可能會受到無數次重復和場景的影響。然后可以將生成的模擬數據用于訓練AI模型（例如，作為AI開發平臺的一部分）。這樣，可以向AI系統學習潛在的現實條件，否則這些條件可能很少發生或仍處于測試階段。

　　第二個優點是可以計劃和測試新功能。數字雙胞胎應該描繪現實——但它也可以提供對未來的一瞥。是否應該在新的倉庫和配送中心進行投資？還是正在考慮使用機器學習來增加新的數據操作？這樣做的最大好處是：您可以虛擬地創建明天的世界并測試各種場景。可以對測試進行優化，并根據需要運行多次，以找到最佳解決方案。

　　最后，將機器學習添加到工業過程中將通過獲取更準確的數據和預測以及理解視覺和非結構化數據來使過程更智能。將機器學習集成到工作流程中不僅為發現數據中以前看不見的模式提供了機會，而且還為優化流程創造了新的可能性。

　　如今，大多數機器學習都是監督學習。該模型從標記的示例中學習。還有其他形式的學習，可以在數據中找到無法預料的模式。其中一種被稱為強化學習，即無監督模型在給定（模擬）環境中采取行動時從經驗中學習。

　　但是，在大多數廣為人知的強化學習案例中，這些條件在現實世界中是不可能的。即使是最先進的強化學習模型也需要大量的經驗才能變得有效。舉個例子：開放智能五神經網絡系統需要180年的有效時間來進行訓練。

　　到目前為止，大部分現代強化學習僅在游戲中有效，因為在現實生活中不可能有大量的重復。在數字雙胞胎環境中，您可以重復場景或進行測試，而無需不斷中斷系統，以便強化學習代理可以找到獲得經驗的新方法。在實踐中，這個程序可以很好地建立起來。例如，作為一種優化物流網絡的方法，因此在性能方面遠遠超過了傳統的優化算法。

　　倉儲和調度中心僅占整個物流的一小部分。貨物從源頭到目的地的流動取決于各種要素的編排，包括船舶，卡車和飛機，訂單和信息系統，尤其是人員。可以在主要的全球物流樞紐（例如貨運機場和集裝箱港口）最清晰地分析這種復雜的，多方利益相關者的環境。在這些設施中，目前不完善的信息共享系統加劇了高效運營的挑戰，其中許多參與者依賴于容易出錯的離線流程。

　　借助數字雙胞胎與AI的結合，可以形成整個供應鏈網絡的智能模型，并為所有合作伙伴同時提供信息，以提高其供應鏈的透明度。其基礎將是使用所有內部和外部數據來控制供應鏈以及訪問非結構化外部數據（例如，從IoT和社交媒體應用程序以及客戶數據）。

　　一個重要的先決條件是來自不同生態系統的數字孿生之間的通信和信息交換的標準化，例如，微軟正在嘗試使用基于JSON-LD的數字孿生定義語言（DTDL）。

　　未來，數字孿生和人工智能將在優化物流網絡方面發揮決定性的競爭優勢。