Tiềm năng trong sản xuất
Sự phát triển nhanh chóng của công nghệ cảm biến thông minh, Internet vạn vật (IoT), điện toán đám mây (ĐTĐM) và trí tuệ nhân tạo (AI) đã và đang hiện thực hóa song sinh kỹ thuật số (Digital Twin của cả hệ thống và tiến trình sản xuất trong công nghiệp, nông nghiệp, y tế, viễn thông, xây dựng, kinh doanh. Song sinh kỹ thuật số (Digital Twin/DT hay còn gọi là bản sao kỹ thuật số) đang tiếp cận cả các lĩnh vực/khu vực có quy mô lớn như chính phủ thông minh, thành phố thông minh, quy hoạch đô thị trong thời đại số [1, 2, 3].
Hiệp hội Digital Twin đã được thành lập [4] để tập trung vào khả năng ứng dụng song sinh kỹ thuật số vào quy trình sản xuất trong các ngành công nghiệp khác nhau.
Lý do lớn nhất cho việc ứng dụng DT trong sản xuất đặc biệt trong nền công nghiệp 4.0, đó là các nhà sản xuất luôn tìm cách để các sản phẩm có thể được theo dõi và giám sát trong nỗ lực tiết kiệm thời gian và tiền bạc. Trong một hệ thống kết nối vật lý – số, song sinh kỹ thuật số và hệ thống vật lý kết nối bằng các cảm biến và công nghệ IoT. Song sinh kỹ thuật số tiếp nhận dữ liệu theo thời gian thực từ hệ thống vật lý, phân tích thông qua mô phỏng rồi chuyển các lệnh điều khiển hoạt động trở lại hệ thống vật lý. Sự đồng bộ giữa DT và hệ thống vật lý đảm bảo hệ thống sản xuất luôn ở trạng thái tối ưu do DT luôn nhận dữ liệu theo thời gian thực về tình trạng hoạt động của hệ thống vật lý. Hơn nữa, DT cho phép thử nghiệm những ý tưởng mới thông qua mô hình hóa, mô phỏng, phân tích và tối ưu; nghĩa là không cần lúc nào cũng phải có nguyên mẫu vật lý, điều này giúp tiết kiệm chi phí và thời gian sản xuất [2].
Những thành tố quan trọng của DT trong sản xuất
a) Mô phỏng
Chu kỳ của một sản phẩm hay một hệ thống bao gồm thiết kế, sản xuất, cung cấp dịch vụ, vận hành và kết thúc vòng đời. Mô phỏng đóng một vai trò quan trọng đối với song sinh kỹ thuật số, đặc biệt là giai đoạn trước, trong và sau sản xuất.
Trong giai đoạn trước sản xuất, mô phỏng được dùng để mô hình hóa và hoạch định việc bố trí trong nhà máy sao cho phù hợp yêu cầu của khách hàng và phân tích thị trường. Mô phỏng còn dùng để đánh giá sản phẩm và quy trình mới cũng như thực hiện phân tích độ nhạy, đánh giá sản phẩm, quy trình và cấu hình hệ thống. Kết quả phân tích giúp lựa chọn vật liệu, nhân công, thiết bị, dụng cụ, phương pháp xử lý vật liệu, yêu cầu bảo trì, chính sách bảo quản và tận dụng tài nguyên.
Trong quá trình sản xuất, mô phỏng là phương pháp để giảm thiểu thời gian sản xuất, ổn định chu trình sản xuất, tạo kế hoạch và lịch trình sản xuất. Đồng thời, xác định các điểm tắc nghẽn, dự báo hỏng hóc, mức tiêu thụ năng lượng, tác động môi trường, đánh giá hiệu quả của chính sách hàng tồn kho, địa điểm, kích thước, giao hàng và theo dõi hàng tồn kho. Điều này giúp tối đa hóa hiệu quả sản xuất trên cơ sở kế hoạch sản xuất hàng tuần hoặc hàng ngày.
Sau quá trình sản xuất, mô phỏng khi được tích hợp với các mô hình chuỗi cung ứng, có thể dự báo nhu cầu giao hàng, giảm thiểu chi phí vận chuyển và tối đa hóa sự hài lòng của khách hàng.
Đối với sản xuất, bản mô phỏng không nhất thiết phải là một mô hình ba chiều. Các thông số có thể được thu thập qua các bộ cảm biến, lưu trữ và xử lý bằng công nghệ IoT và AI trước khi thay đổi cấu hình hệ thống hoặc triển khai các kế hoạch sản xuất.
b) Internet of Thing
Internet of Thing (IoT) chính là chìa khóa cho vấn đề truyền một lượng lớn dữ liệu từ nhiều thiết bị cảm biến theo thời gian thực, cho phép tối ưu hệ thống ở mức độ cao hơn nữa. Toàn bộ dữ liệu thông qua IoT đều được định dạng đơn giản như biểu diễn thực trạng và thời điểm xảy ra. Thông qua mô phỏng và phân tích dữ liệu, những dữ liệu này có thể sử dụng để dự đoán những vấn đề có thể xảy ra. Khi các phân tích dự báo sẽ xảy ra lỗi hệ thống, song sinh kỹ thuật số sẽ thông báo cho người dùng một kế hoạch bảo trìphù hợp để giảm thiểu thiệt hại cũng như phòng tránh hư hỏng.
c) Cơ chế học máy ML và trí tuệ nhân tạo AI
Dữ liệu sản xuất thời gian thực là cơ sở để hiện thực hóa song sinh kỹ thuật số. Thông qua cảm biến, IoT và AI, các khối dữ liệu lớn có thể được thu thập và hình thành, khi đó cơ chế học máy có thể khám phá các mẫu từ dữ liệu và kết hợp làm thông tin đầu vào cho mô phỏng. Trí tuệ nhân tạo ứng dụng tính năng học sâu (Deep Learning) để xử lý các dữ liệu hình ảnh, video, nhận diện và xử lý văn bản, giọng nói; từ đó có thể xác định những thông tin hữu ích cho việc đảm bảo chất lượng của quá trình sản xuất như phát hiện các sản phẩm lỗi, dự đoán quy trình theo thời gian thực.
Thách thức áp dụng DT vào sản xuất
Những thách thức kỹ thuật
Từ những lợi thế về mô hình hóa và mô phỏng kỹ thuật số, các mô hình triển khai DT cần hỗ trợ phát triển cải tiến hệ thống sáp nhập, xử lý phức tạp hơn và phân tích tính chất cả hệ thống, giải quyết các thiếu sót của mô hình hệ thống kỹ thuật hiện tại.
Phát triển các tiêu chuẩn và khả năng tương tác dựa trên các tiêu chuẩn đặt ra là vô cùng quan trọng và đầy thách thức, tương tự với sự phát triển của công nghệ 4.0 và công nghiệp hóa dựa trên IoT. DT liên kết với nhau cho thông tin giá trị về các sản phẩm và hoạt động dựa trên IoT tích hợp hệ thống kết nối thông minh. Do việc chuẩn hóa IoT để giải quyết các vấn đề liên quan đến dữ liệu (như quyền sở hữu, quản trị, khả năng tương tác, quản lý, bảo mật), các sản phẩm kỹ thuật số và chứng nhận, các tiêu chuẩn của DT có thể đạt được khi các chuẩn hóa của IoT được giải quyết.
Thách thức thương mại
Đối với DT, thiết kế các song sinh ảo của sản phẩm vật lý và khả năng mở rộng là một trong những thuộc tính mô hình quan trọng. Khả năng mở rộng đề cập chủ yếu vào kiến trúc, tải dữ liệu, thay đổi tham số, độ phức tạp của chuỗi cung ứng, khả năng tính toán và khả năng mở rộng kiến trúc. Kiến trúc sư hệ thống và các nhà phát triển khung thường thiếu tự tin để đưa ra ý tưởng tích hợp do sự phức tạp của việc chia sẻ thông tin.
Ngành dịch vụ có những thách thức riêng dựa trên cơ cấu tổ chức, mô hình kinh doanh, quy trình phát triển, quản lý khách hàng và quản lý rủi ro. Dịch vụ được thúc đẩy bởi những nhu cầu phức tạp hơn của khách hàng và nhu cầu chống lại cạnh tranh giữa các sản phẩm đặc biệt từ các đối thủ có chi phí thấp hơn.
Thách thức công nghệ
Do sự phức tạp và phát triển riêng biệt của các thành phần, việc phân tích chi phí triển khai và tích hợp sẽ được yêu cầu ở mỗi thành phần song sinh kỹ thuật số để đáp ứng các yêu cầu kinh doanh khác nhau. Điều này phản ánh sự phức tạp của hệ thống gây bất lợi cho hiệu quả chi phí của DT. Chi phí cao hơn dành cho kết nối mạng - một điều kiện tiên quyết của Hệ thống vật lý không gian mạng (CPS) là một trong những khó khăn chính trong quá trình hiện thực hóa DT.
Thách thức dữ liệu
Có được dữ liệu chất lượng cao cho thuật toán AI để thực hiện với độ chính xác cao và một thách thức lớn. Khi sử dụng DT, cần kiểm soát dòng chảy dữ liệu, đảm bảo nó được tổ chức và sử dụng hiệu quả. Thách thức này càng trở thành vấn đề lớn hơn với sự ra đời của dữ liệu lớn khi có một lượng lớncảm biến trong một quả trình sản xuất kết nối đồng thời qua công nghệ IoT. Thách thức phổ biến nhất hiện nay là làm sao giám sát theo thời gian thực với lượng thông tin khổng lồ.
Thách thức người dùng
Niềm tin của người dùng dịch vụ là một thách thức khác liên quan đến phần lớn lĩnh vực của AI, (1) vìnó tương đối mới và (2) trừ khi nhà phát triển quen thuộc với sự phức tạp, việc sử dụng AI có thể đem lại nhiều khó khăn. Nỗi lo lắng mà robot và AI sẽ trở thành một thế lực thống trị trên Trái đất, nắm quyền kiểm soát cơ sở hạ tầng quan trọng từ con người là một rào cản đối với niềm tin của người sử dụng dịch vụ khi hướng tới các công nghệ trí tuệ nhân tạo.
Những thách thức khác
DT cần một cơ sở hạ tầng cho phép IoT và phân tích dữ liệu để hoạt động hiệu quả. DT được dùng trong việc phát triển sản phẩm, sản xuất và trong thời gian còn lại của vòng đời sản phẩm, vìthế việc số hóa chuỗi cung ứng là rất quan trọng.
Trong môi trường công nghiệp, sự riêng tư và bảo mật kỹ thuật số có liên quan mật thiết đến DT và cũng là một thách thức cần được xử lý, không chỉ vìlượng dữ liệu khổng lồ trong quá trình sử dụng mà còn là việc lưu trữ những dữ liệu hệ thống nhạy cảm.
Định hướng phát triển Digital Twin
Digital Twin có khả năng thu thập và xử lý toàn diện tất cả các dữ liệu hoạt động có sẵn của một hay nhiều các thành phần, bộ phận hoặc thậm chí là dữ liệu của toàn bộ hệ thống. Cho nên, nó sẽ không chỉ được sử dụng để mô tả các hoạt động của hệ thống mà sẽ còn có chức năng phán đoán và rút ra các giải pháp sửa lỗi đồng thời cải thiện hệ thống. Không chỉ vậy, Digital Twin còn có thể phát triển song song cùng với hệ thống thực tế trong toàn bộ vòng đời của nó và tích hợp dữ liệu, kiến thức của hệ thống liên tục theo thời gian. Do đó, độ tin cậy của Digital Twin trong việc đưa ra những phán đoán và cách thức giải quyết đối với bất kìtrường hợp nào phát sinh xảy ra trong hệ thống sẽ đều được đảm bảo.
Dựa vào chức năng, khả năng của Digital Twin thì chúng ta có thể thấy một trong những định hướng phát triển của Digital Twin chính là làm thế nào để có thể hỗ trợ tất cả các bên liên quan trong từng giai đoạn vòng đời của sản xuất để có thể đảm bảo về chất lượng dịch vụ, độ tin cậy vào khả năng xử lý dữ liệu của hệ thống và tăng năng suất.
Digital Twin áp dụng trong hệ thống cơ điện tử và hệ thống vật lý không gian mạng cho phép thông tin dữ liệu được tạo ra trong quá trình thu thập luôn sẵn sàng trong việc đánh giá và dự đoán cách vận hành, hoạt động của hệ thống. DT có thể mô phỏng giả định các trường hợp thất bại từ đó cố gắng tái tạo lại các thông tin mô phỏng để so sánh với các thông tin đo thực tế. Từ đó sẽ giúp hệ thống xác định và dự đoán các tình huống gây ra sự cố một cách tối ưu nhưng vẫn hoàn toàn đảm bảo được độ tin cậy.
Bên cạnh đó, yếu tố thu thập, đo lường và lưu trữ đám mây dữ liệu của hệ thống phải luôn luôn được đảm bảo. Hơn nữa việc xây dựng được một biểu đồ dữ liệu của tất cả các thiết bị trong hệ thống không chỉ để cung cấp thông tin mà còn hỗ trợ việc tìm kiếm giữa những thiết bị tương tự nhau trong hệ thống. Từ đó phát triển hơn nữa về tính kết nối của toàn bộ hệ thống đồng thời có khả năng tái tạo lại toàn bộ vùng mạng một cách nhanh chóng, chính xác.
Chính những yếu tố này sẽ là chìa khóa tiên quyết trong việc phát triển một hệ thống Digital Twin tối ưu và luôn đảm bảo được chất lượng dịch vụ. Tuy nhiên, việc xây dựng mô hình này cần phải được cụ thể và hiện thực hóa hơn nữa. Vẫn còn rất nhiều thách thức nằm ở trong mô hình và cấu trúc dữ liệu của hệ thống cũng như nền tảng kết nối không đồng nhất [5]. Cần phải phát triển tốt hơn nữa phương pháp và thuật toán đồng bộ dữ liệu, tính bảo mật mà vẫn đáp ứng được yêu cầu thời gian thực và tính chính xác của ngành sản xuất.
Tài liệu tham khảo
1. Bernard Marr, "The Smart Cities Of The Future: 5 Ways Technology Is Transforming Our Cities". Online https://www.forbes.com/sites/bernardmarr/2020/07/02/the-smart-cities-of-the-future-5-ways-technology-is-transforming-our-cities/#66b1e7e573f8 (Truy cập ngày 31/7/2020).
2. Guodong Shao, Deogratias Kibira, "Digital Manufacturing: Requirements and Challenges for Implementing Digital Surrogates", 2018 Winter Simulation Conference, Gothenburg, Sweden, 9-12/12/2018, tr. 1226-1237. DOI: 10.1109/WSC.2018.8632242.
3. Aidan Fuller, Zhong Fan, Charles Day, Chris Barlow, "Digital Twin: Enabling Technology, Challenges and Open Research", 28/5/2020, IEEE Access (Vol.8), tr: 108952-108971. DOI:10.1109/ACCESS.2020.2998358.
4. Digital Twin Consortium™. Online: https://www.digitaltwinconsortium.org/ (Truy cập ngày 31/7/2020).
5. Denis Morais, "No Single Digital Twin Platform to Rule Them All" 4/6/2019. Online https://www.ssi-corporate.com/vi/blog-waveform/no-single-digital-twin-platform-to-rule-them-all/ (Truy cập ngày 31/7/2020).
(Bài đăng trên tạp chí in số 10+11 tháng 9/2020)
