Udvikling af en digital tvilling

I en ikke alt for fjern fremtid, vi kan forvente at se vores himmel fyldt med ubemandede luftfartøjer (UAV'er), der leverer pakker, måske endda mennesker, fra sted til sted.

I sådan en verden, der vil også være en digital tvilling for hver UAV i flåden:en virtuel model, der vil følge UAV'en gennem dens eksistens, udvikler sig med tiden.

"Det er vigtigt, at UAV'er overvåger deres strukturelle sundhed, " sagde Karen Willcox, direktør for Oden Institute for Computational Engineering and Sciences ved University of Texas i Austin (UT Austin) og en ekspert i computational aerospace engineering. "Og det er vigtigt, at de træffer gode beslutninger, der resulterer i god opførsel."

En inviteret taler ved 2019 International Conference for High Performance Computing, Netværk, Opbevaring og analyse (SC19), Willcox delte detaljerne i et projekt - primært støttet af U.S. Air Force-programmet i Dynamic Data-Driven Application Systems (DDDAS) - for at udvikle en forudsigelig digital tvilling til en specialbygget UAV. Projektet er et samarbejde mellem UT Austin, MIT, Akselos, og Aurora Flight Sciences.

Tvillingen repræsenterer hver komponent af UAV'en, såvel som dets integrerede helhed, ved hjælp af fysikbaserede modeller, der fanger detaljerne i dens adfærd fra finskalaen til makroniveauet. Tvillingen indtager også indbyggede sensordata fra køretøjet og integrerer denne information med modellen for at skabe forudsigelser i realtid af køretøjets helbred.

Er UAV'en i fare for at styrte ned? Bør den ændre sin planlagte rute for at minimere risici? Med en forudsigelig digital tvilling, den slags beslutninger kan tages med det samme, at holde UAV'er flyvende.

Større end Big Data

I hendes tale, Willcox delte de teknologiske og algoritmiske fremskridt, der gør det muligt for en forudsigelig digital tvilling at fungere effektivt. Hun delte også sin generelle filosofi for, hvordan "højkonsekvens"-problemer kan løses gennem videnskab og teknik.

"Store beslutninger kræver mere end bare big data, " forklarede hun. "De har brug for store modeller, også."

Denne kombination af fysikbaserede modeller og big data kaldes ofte "videnskabelig maskinlæring." Og mens maskinlæring, af sig selv, har haft succes med at løse nogle problemer – såsom objektidentifikation, anbefalingssystemer, og spil som Go – der kræves mere robuste løsninger til problemer, hvor det kan være utroligt dyrt at få det forkerte svar, eller få konsekvenser på liv eller død.

"Disse store problemer er styret af komplekse multiskalaer, multifysiske fænomener, " sagde Willcox. "Hvis vi ændrer betingelserne lidt, vi kan se drastisk forskellig adfærd."

I Willcox' arbejde, beregningsmodellering er parret med maskinlæring for at producere forudsigelser, der er pålidelige, og også forklarlig. Black box-løsninger er ikke gode nok til højkonsekvensapplikationer. Forskere (eller læger eller ingeniører) har brug for at vide, hvorfor et maskinlæringssystem satte sig fast på et bestemt resultat.

I tilfældet med den digitale tvilling-UAV, Willcox's system er i stand til at fange og kommunikere de skiftende ændringer i UAV'ens helbred. Det kan også forklare, hvilke sensoraflæsninger der indikerer faldende helbred og driver forudsigelserne.

Beslutningstagning i realtid på kanten

Det samme pres, der kræver brug af fysikbaserede modeller - brugen af ​​komplekse, højdimensionelle modeller; behovet for kvantificering af usikkerhed; nødvendigheden af ​​at simulere alle mulige scenarier – gør også problemet med at skabe forudsigelige digitale tvillinger til et beregningsmæssigt udfordrende et.

Det er her en tilgang kaldet modelreduktion kommer i spil. Ved hjælp af en projektionsbaseret metode udviklede de, Willcox og hendes samarbejdspartnere kan identificere omtrentlige modeller, der er mindre, men på en eller anden måde indkode den vigtigste dynamik, sådan at de kan bruges til forudsigelser.

"Denne metode giver mulighed for at skabe lave omkostninger, fysikbaserede modeller, der muliggør forudsigende digitale tvillinger, " hun sagde.

Willcox var nødt til at udvikle en anden løsning til at modellere de komplekse fysiske interaktioner, der opstår på UAV'en. I stedet for at simulere hele køretøjet som helhed, hun arbejder sammen med Akselos for at bruge deres tilgang, der bryder modellen (i dette tilfælde, flyet) i stykker - f.eks. et udsnit af en vinge - og beregner de geometriske parametre, materialeegenskaber, og andre vigtige faktorer uafhængigt, mens det også tager højde for interaktioner, der opstår, når hele flyet er sat sammen.

Hver komponent er repræsenteret ved partielle differentialligninger og med høj kvalitet, finite element metoder og et beregningsnet bruges til at bestemme virkningen af ​​flyvning på hvert segment, generering af fysikbaserede træningsdata, der føres ind i en maskinlæringsklassifikator.

Denne træning er beregningsintensiv, og i fremtiden vil Willcox' team samarbejde med Texas Advanced Computing Center (TACC) ved UT Austin for at bruge supercomputing til at generere endnu større træningssæt, der tager højde for mere komplekse flyscenarier. Når træningen er færdig, online klassificering kan gøres meget hurtigt.

Ved at bruge disse modelreduktions- og dekomponeringsmetoder, Willcox var i stand til at opnå en 1, 000-gangs hastighed – skærer simuleringstider fra timer eller minutter til sekunder – samtidig med at den nøjagtighed, der er nødvendig for beslutningstagning, bevares.

"Metoden er meget fortolkelig, " sagde hun. "Jeg kan gå tilbage og se, hvilken sensor der bidrager til at blive klassificeret i en tilstand." Processen egner sig naturligvis til sensorvalg og til at bestemme, hvor sensorer skal placeres for at fange detaljer, der er kritiske for sundheden og sikkerheden af UAV'en.

I en demonstration, som Willcox viste på konferencen, en UAV, der krydsede en forhindringsbane, var i stand til at genkende sit eget faldende helbred og kortlægge en vej, der var mere konservativ for at sikre, at den kom sikkert hjem igen. Dette er en test, som UAV'er skal bestå, for at de kan blive implementeret bredt i fremtiden.

"Arbejdet præsenteret af Dr. Karen Willcox er et godt eksempel på anvendelsen af ​​DDDAS-paradigmet, til at forbedre modellering og instrumenteringsmetoder og skabe beslutningsstøttesystemer i realtid med nøjagtigheden af ​​fuldskalamodeller, sagde Frederica Darema, tidligere direktør for Air Force Office of Scientific Research, der støttede forskningen.

"Dr. Willcox' arbejde viste, at anvendelsen af ​​DDDAS skaber den næste generation af 'digitale tvillinger'-miljøer og -kapaciteter. Sådanne fremskridt har enorm betydning for øget effektivitet af kritiske systemer og tjenester i forsvars- og civile sektorer."

Digitale tvillinger er ikke det eksklusive domæne for UAV'er; de udvikles i stigende grad til fremstilling, olieraffinaderier, og Formel 1 racerbiler. Teknologien blev kåret som en af ​​Gartners Top 10 Strategic Technology Trends for 2017 og 2018.

"Digitale tvillinger er ved at blive en forretningsmæssig nødvendighed, dækker hele livscyklussen af ​​et aktiv eller proces og danner grundlaget for forbundne produkter og tjenester, sagde Thomas Kaiser, SAP Senior Vice President for IoT, i et Forbes-interview fra 2017. "Virksomheder, der undlader at svare, vil blive efterladt."

Med hensyn til prædiktiv datavidenskab og udviklingen af ​​digitale tvillinger, Willcox siger:"At lære af data gennem modellernes linse er den eneste måde at gøre uløselige problemer praktiske. Det samler metoderne og tilgangene fra datavidenskabens felter, maskinelæring, og beregningsvidenskab og teknik, og leder dem til applikationer med høj konsekvens."