Digital Twins

        运用

　　随着目前越来越高的客户满意度要求，为了更好的满足客户需求，增加公司的市场知名度，存在感以进一步占领市场，我们的供应链网络变得越来越复杂。

　　复杂的供应链，通常存在比较差的可见性，对供应链的低可见性，可能会产生负面影响对组织核心业务的影响。然而，业务依然要求我们预知可能发生的，提前避免风险，低可见性却要求高预知性，显然是不可能的。

　　数字孪生-Digital Twins可以提高可见性，我们可能在以下方面获得好处：改进物理资产的分析、诊断、预测和描述的指标。

　　在数字孪生和人工智能的帮助下，可能会出现整个物流供应链网络的智能模型。以下讲描述数字双胞胎在物流中的可能应用，以及为什么数字双胞胎具有释放AI先进可能性的潜力。拓展思路，准备未来。（来源：Digital twins and Artificial Intelligence in logistics（Jörn Petereit））

　　数字孪生和人工智能

　　数字孪生正在进入越来越多的行业，并与人工智能（AI）一起开发其全部潜力。但是，尽管许多*重要的基本技术已经得以运用，但它们尚未在整个物流行业中广泛使用。比如，目前传感器被用于跟踪货物，物流部门越来越依赖开放 API 策略和迁移到云。物流公司正在应用机器学习和高级分析技术，以优化其供应链并从历史运输和运营数据中获得新见解。物流专家还在为仓库拣选和车辆装载等任务实施增强、混合和虚拟现实应用程序。总而言之，这是在物流领域创建数字孪生的理想数据基础。但是数字孪生在物流领域提供了哪些具体的应用可能性？

　　在包装和货柜领域的运用

　　大多数通过物流网络运输的产品都采用某种形式的包装。我们使用大量一次性包装以及专用或通用可重复使用容器。包装和容器的开发，监视和管理对物流部门提出了许多挑战。一方面，由于电子商务的持续增长，可以看到对包装和容器的需求不断增加（不仅是从COVID-19开始）。另一方面，存在季节性波动和包装种类繁多。由于容量利用率低，这会导致大量浪费并降低运营效率。

　　通过结合使用数字孪生和计算机视觉技术，可以快速创建容器的详细模型，并可以自动检测到诸如凹痕和裂缝之类的潜在问题。可以将这些信息与有关容器运动的历史数据结合起来，以创建一个数字孪生子，该孪生子将影响有关何时应该使用，维修或报废某个特定容器的决定。此外，在整个集装箱船队中汇总此类数据可以帮助船东对船队的大小和分布做出*佳决策，并确定可能的诸如集装箱故障等潜在问题的趋势。数字孪生还可用于开发更坚固、更轻、更环保的包装材料，并帮助更有效地管理集装箱车队。

        在货运领域的运用

　　下一步将是在数字双胞胎中包含容器的内容。运送敏感的高价值产品（例如药品或电子组件）时，已经装有监视温度，冲击和振动等参数的传感器，这已经是常见的做法。装运中的数字孪生体将充当这些传感器收集的数据的“存储库”，并有可能以新的方式使用此数据。例如，包含包装的隔热和减震特性的模型可以允许从外部传感器收集的数据推断出容器内部的状况。

　　结合产品和包装数据可以通过优化包装选择和容器包装策略的自动化来帮助公司提高效率，从而*大程度地减少空余空间和装运污染。

　　在仓储的运用

　　数字孪生的另一个激动人心的应用领域出现在仓库和调度中心的设计，运营和优化中。仓库数字双胞胎可以通过将设施的3D模型与IoT数据以及库存和运营数据（例如物品的大小，数量和需求特征）相结合来支持新设施的设计和布局，从而通过模拟来优化空间利用率产品，人员和材料的移动。数字孪生还可以在仓库运营期间使用来自自动化技术的数据进行更新，例如基于无人机的库存盘点系统、无人驾驶运输系统，甚至自动存储和检索设备。这些数字双胞胎可用于进一步优化这些自动化系统的性能。

　　总而言之，数字孪生可用于通过识别全面的数据来不断提高仓库和调度中心的绩效-从库存，设备和人员的流动到仓库运营中的识别和消除浪费（例如，拣选错误）。在实际操作中进行更改之前，可以使用模拟来测试和评估更改布局和流程或引入新设备的潜在影响。尤其是在预计数量和库存结构会快速变化的区域（例如，在实现电子商务方面），数字双胞胎可以通过动态优化流程（从存储位置和人员配备到设备分配）来提供支持。

        数字孪生和人工智能

　　数字孪生的真正繁荣来自于AI及其预测能力。过去，以数字方式创建空间模型非常令人兴奋-但仅是一种静态可视化对象的方法。今天，我们从传感器，历史性能以及行为输入中获得的所有数据都可以链接到空间模型，并通过更改不同的输入来预测未来的行为。事实上，数据和预测能力使空间模型栩栩如生。

　　数字孪生的第一个优势是能够生成模拟数据。虚拟环境可能会受到无数次重复和场景的影响。然后可以将生成的模拟数据用于训练AI模型（例如，作为AI开发平台的一部分）。这样，可以向AI系统学习潜在的现实条件，否则这些条件可能很少发生或仍处于测试阶段。

　　第二个优点是可以计划和测试新功能。数字双胞胎应该描绘现实——但它也可以提供对未来的一瞥。是否应该在新的仓库和配送中心进行投资？还是正在考虑使用机器学习来增加新的数据操作？这样做的*大好处是：您可以虚拟地创建明天的世界并测试各种场景。可以对测试进行优化，并根据需要运行多次，以找到*佳解决方案。

　　最后，将机器学习添加到工业过程中将通过获取更准确的数据和预测以及理解视觉和非结构化数据来使过程更智能。将机器学习集成到工作流程中不仅为发现数据中以前看不见的模式提供了机会，而且还为优化流程创造了新的可能性。

　　如今，大多数机器学习都是监督学习。该模型从标记的示例中学习。还有其他形式的学习，可以在数据中找到无法预料的模式。其中一种被称为强化学习，即无监督模型在给定（模拟）环境中采取行动时从经验中学习。

　　但是，在大多数广为人知的强化学习案例中，这些条件在现实世界中是不可能的。即使是*先进的强化学习模型也需要大量的经验才能变得有效。举个例子：开放智能五神经网络系统需要180年的有效时间来进行训练。

　　到目前为止，大部分现代强化学习仅在游戏中有效，因为在现实生活中不可能有大量的重复。在数字双胞胎环境中，您可以重复场景或进行测试，而无需不断中断系统，以便强化学习代理可以找到获得经验的新方法。在实践中，这个程序可以很好地建立起来。例如，作为一种优化物流网络的方法，因此在性能方面远远超过了传统的优化算法。

　　仓储和调度中心仅占整个物流的一小部分。货物从源头到目的地的流动取决于各种要素的编排，包括船舶，卡车和飞机，订单和信息系统，尤其是人员。可以在主要的全球物流枢纽（例如货运机场和集装箱港口）*清晰地分析这种复杂的，多方利益相关者的环境。在这些设施中，目前不完善的信息共享系统加剧了高效运营的挑战，其中许多参与者依赖于容易出错的离线流程。

　　借助数字双胞胎与AI的结合，可以形成整个供应链网络的智能模型，并为所有合作伙伴同时提供信息，以提高其供应链的透明度。其基础将是使用所有内部和外部数据来控制供应链以及访问非结构化外部数据（例如，从IoT和社交媒体应用程序以及客户数据）。

　　一个重要的先决条件是来自不同生态系统的数字孪生之间的通信和信息交换的标准化，例如，微软正在尝试使用基于JSON-LD的数字孪生定义语言（DTDL）。

　　未来，数字孪生和人工智能将在优化物流网络方面发挥决定性的竞争优势。