Cyfrowy bliźniak w automotive: mniej testów fizycznych, więcej decyzji opartych na danychW automotiv

Jak podkreśla w rozmowie z Evertiqiem Krzysztof Hyzopski, Lider Grupy Symulacji ZF CV Systems Poland, kluczowe jest jedno: model musi być na tyle wiarygodny, by można było oprzeć na nim decyzję.

„Proces decyzyjny, który wcześniej opierał się w dużej mierze na doświadczeniu i ocenie ryzyka (bazującej na ograniczonej ilości informacji), dziś może być wsparty szeregiem zweryfikowanych danych. Cyfrowy bliźniak pozwala nam przewidzieć, jak konkretna odchyłka wpłynie na funkcję produktu” — mówi.

Od wirtualnej linii do pojedynczego testu

Technologia rozwija się równolegle w kilku kierunkach. W części zakładów powstają wirtualne linie produkcyjne, w których można odwzorować cały proces — od stanowisk montażowych po potencjalne błędy i scenariusze awarii.

„Tworzymy modele na podstawie danych geometrycznych dostarczanych przez poddostawców. Możemy przejść przez cały proces produkcyjny w środowisku wirtualnym i zweryfikować scenariusze jeszcze przed uruchomieniem linii” — tłumaczy Evertiqowi Hyzopski.

Na poziomie operacyjnym podejście jest jednak inne. We wrocławskim zakładzie ZF CV Systems należącym do dywizji ZF Commercial Vehicle Solutions, cyfrowy bliźniak wykorzystywany jest przede wszystkim w testach końcowych produktów — tam, gdzie trzeba jednoznacznie potwierdzić, że komponent lub całe urządzenie spełnia wymagania funkcjonalne.

Model powstaje na bazie setek kombinacji parametrów krytycznych, także poza standardowymi zakresami tolerancji.

„Wyszliśmy poza dopuszczalne odchyłki, żeby zobaczyć, jak zachowuje się produkt w skrajnych przypadkach. Dzięki temu jesteśmy w stanie ocenić również jakość dostaw” — mówi.

Odchyłka nie zawsze oznacza problem

To właśnie na styku produkcji i łańcucha dostaw widać jedną z najbardziej praktycznych korzyści.

W klasycznym modelu komponent, który nie spełnia specyfikacji, trafia do dodatkowej analizy, a często nawet wraca do dostawcy. To wydłuża proces i po prostu generuje koszty.

Dziś decyzja może wyglądać inaczej.

„Nie każda odchyłka jest krytyczna. Cyfrowy bliźniak pozwala nam odpowiedzieć, czy dana zmiana wpłynie na charakterystykę produktu i czy wyjdzie ona poza dopuszczalny zakres” — wyjaśnia Hyzopski.

W efekcie część decyzji, które wcześniej wymagały czasu i eksperckiej oceny, może zostać podjęta szybciej na podstawie twardych danych.

Zmiana bez zatrzymywania produkcji

Podobny mechanizm działa przy wprowadzaniu zmian na linii.

Zanim nowy komponent lub konfiguracja trafi do produkcji, jest testowana w środowisku wirtualnym.

„Jeżeli zmienia się dostawca lub element systemu, najpierw weryfikujemy to w modelu. Dopiero gdy mamy pewność, że zmiana nie wpłynie negatywnie na produkt, zatrzymujemy linię i ją wdrażamy” — mówi.

Taka strategia pozwala nie tylko ograniczyć ryzyko przestojów, ale również lepiej zaplanować moment wprowadzenia zmian.

Czas: od optymalizacji do uniknięcia opóźnień

Najczęściej wskazywaną korzyścią cyfrowych bliźniaków jest skrócenie czasu rozwoju produktu. W praktyce oznacza to ograniczenie liczby testów fizycznych, a czasem nawet ich całkowitą eliminację.

„Jeżeli mówimy o testach wibracyjnych, to są dni lub tygodnie. W przypadku testów żywotnościowych — miesiące” — podkreśla Hyzopski.

Jednak największy efekt pojawia się tam, gdzie ograniczeniem nie jest sam test, lecz dostęp do infrastruktury.

„Zdarza się, że stanowisko testowe jest dostępne dopiero za sześć miesięcy. Eliminacja takiego testu może oznaczać uniknięcie realnego opóźnienia projektu” — dodaje.

W takich przypadkach digital twin przestaje być narzędziem optymalizacji, a zaczyna decydować o terminie dostawy.

Więcej danych, więcej odpowiedzialności

Jednocześnie zastosowanie cyfrowych bliźniaków nie upraszcza procesu rozwoju, wręcz przeciwnie.

Aby model mógł zastąpić test fizyczny, musi zostać dokładnie zweryfikowany. To oznacza więcej pomiarów, więcej analiz i większy nacisk na ocenę ryzyka.

„Tworzenie cyfrowego bliźniaka wymaga ogromnego nakładu pracy. Musimy bardzo dokładnie zrozumieć produkt i wszystkie możliwe scenariusze jego działania” — mówi Hyzopski.

Kluczowe jest nie tylko odwzorowanie normalnych warunków pracy, ale również potencjalnych uszkodzeń i ich kolejności.

„Cyfrowy bliźniak musi odpowiedzieć na wszystko to, co weryfikuje test rzeczywisty” — dodaje.

AI uzupełnia, ale nie zastępuje

W tym procesie rośnie znaczenie analizy danych i narzędzi opartych na sztucznej inteligencji, jednak ich rola pozostaje uzupełniająca, a nie dominująca.

Nie zastępują one klasycznych modeli fizycznych, tylko wspierają je tam, gdzie symulacja okazuje się niewystarczająca lub zbyt mało dokładna.

„Nie jesteśmy w stanie zasymulować wszystkiego. W takich przypadkach generujemy dane i budujemy modele predykcyjne” — wyjaśnia Hyzopski.

W praktyce oznacza to łączenie różnych podejść — od klasycznej symulacji po modele regresyjne oraz narzędzia wykrywające anomalie lub określone wzorce.

Jednocześnie każde takie rozwiązanie musi zostać właściwie zweryfikowane.

„W automotive nie możemy sobie pozwolić na fałszywe dane. Wszystko, co wychodzi z modelu, musi zostać sprawdzone i potwierdzone w rzeczywistości” — podkreśla ekspert.

Regulacje jako punkt zwrotny

Największa zmiana może jednak nadejść nie z technologii, lecz z regulacji.

W Europie trwają prace nad dopuszczeniem wirtualnych testów i certyfikacji w procesach homologacyjnych.

„To może być jedna z największych zmian regulacyjnych w ostatnich latach” — ocenia Hyzopski.

Jeżeli nowe podejście zostanie wdrożone, cyfrowe bliźniaki przestaną być tylko narzędziem optymalizacji i staną się formalną częścią procesu dopuszczania produktów do rynku.

Na razie jednak branża działa etapami.

Cyfrowe modele obejmują dziś wybrane elementy — od procesu produkcji u dostawcy, przez montaż, po analizę cyklu życia produktu i przewidywanie jego zużycia w czasie.

„Jesteśmy dopiero na początku tej drogi. To perspektywa kilku, może kilkunastu lat patrząc całościowo” — podsumowuje Hyzopski.

Gdzie kończy się symulacja, a zaczyna decyzja

Wbrew pozorom cyfrowy bliźniak nie jest ani „sztuczną inteligencją”, ani prostą symulacją.

Jego fundamentem pozostaje fizyka, pomiar i test. Dopiero na tej podstawie budowane są modele, które pozwalają przewidywać zachowanie produktu również poza scenariuszami, które da się bezpośrednio odtworzyć.

Sztuczna inteligencja pojawia się tam, gdzie tych scenariuszy zaczyna brakować. Pomaga uzupełnić obraz, ale nie zwalnia z jego weryfikacji.

W automotive to rozróżnienie nie jest akademickie. Od niego zależy, czy decyzja może zostać podjęta bez fizycznego testu i czy można ją obronić.