「技术」重磅|《德勤2020技术趋势》发布,数字孪生成五大趋势之一( 五 )


普利司通持续发展数字孪生技术 。 普利司通2019年收购WebFleet Solutions , 并开发了新一代的传感器 , 以实时了解汽车和轮胎的使用情况 , 帮助车队根据具体的驾驶条件选择合适的轮胎 , 并就如何减少轮胎磨损及避免故障提供客制化见解 。 随着数字模型越来越精确 , 普利司通将更多关注于PPK商业模式的高级应用 。
如今 , 普利司通正使用数字技术为其车队客户带来更多价值 。 随着时间的推移 , 企业计划扩大数字孪生技术的使用范围包括从驾驶员、到车队经理、到零售商、分销商、制造商等的整个价值链 。 企业管理者表示 , 鉴于未来可能使用无人驾驶汽车 , 可能还会涉及安全协议 。 “我们确定已经抓住了引领走向未来的驱动因素” , Dor?说 , “这便是数字孪生技术的用武之地 。 ”
案例2:武田制药(Takeda)通过数字孪生实现端到端生产自动化 武田制药一直在寻求技术上的突破 , 希望可以为全球患者带来变革性的治疗方法 。 Christoph Pistek引领企业创新 , 将前沿研究思路转化为医疗产品 , 并且带领团队开发了一套指导制造商生产的流程 。
医药行业的质量把控和监管十分严格 , 任何创新都必须在开发实验室进行全面的合规性测试之后才可投入正式生产 。 一种新药的问世可能需要长达15年的时间 。 因此 , Pistek一直都在寻找能加速试验进程和业务流程的方法 。
即使在数字时代 , 医药制造流程仍包含人工操作 。 例如 , 生产生物制品、疫苗和其它从活体中提取的医药产品都涉及生化反应 , 这些反应多变且难以测量 , 因此实现自动化无疑是一大挑战 。 迄今为止 , 还没有实现这些生产步骤的自动化 。 Pistek表示 , 真正的端到端的生产自动化就是这个行业的最高目标 。
此时 , 数字孪生技术便彰显了它的作用 。 它帮助团队加速试验进程 , 开发新的生产方法并生成数据以便做出更明智的决策和预判 , 从而实现复杂化学和生化过程的自动化 。
为此 , Pistek和他的开发团队在实验室中构建了制造过程的复杂虚拟展示 。 团队为每一步都建立了数字孪生 , 通过整体数字孪生将所有部分连接起来 , 实现了各步骤之间流程的自动化控制 , 从而完成制造过程端到端模拟 。
化学过程的建模虽然复杂 , 但生化反应的建模比之更甚 , 且无规律可循 。 很多情况下 , 实时传感器无法监测到期望的输出 , 并且输出结果的质量数小时甚至数天后仍然未知 。 因此 , 开发团队使用软测量或代理测量尝试预测生化反应完成所需的时间 , 并将该时间反馈至一个集成了AI和机器学习的数字孪生中 。 “有一点很重要 , 就是数字孪生的架构体系让系统能够自行发展 , ”Pistek说 , “每次我们都要额外测试一遍 , 比较软测量结果和从质量控制实验室发回的实际测量的结果 , 这样我们就能做出更加精准的预测 。 ”
一些制药公司认为实现自动化的关键在于更好的设备、传感器或技术 。 但Pistek却不这么认为:“ 制药行业真正的驱动因素是围绕整个流程建立的控制架构 , 并且其基础是在发展过程中逐渐成熟的复杂的数字孪生 。 ”最终目标是建立一个无需人工干预即可控制并引导自动化流程的数字孪生 。
在武田制药的开发实验室里 , 这种生态系统已经建成并运用于生物制剂上 , 涉及该企业发展最快的类别以及最复杂的制造流程之一 。 数字孪生开始运作 , 架构已搭建 , 方法已就位——基础工作就完成了 。
化学过程的建模虽然复杂 , 但生化反应的建模比之更甚 , 且无规律可循 。
现在 , 团队正在优化流程 , 以使其更稳健 。 Pistek期望这一自动化方法明年可推广至实验室的所有模式 , 并且在两到三年之后 , 可以在生产车间中实现复杂的自动化 。
数字孪生中 , 对生物和化学反应的建模并不容易 , 并且难以复制 。 Pistek对其他正考虑构建数字孪生企业的建议是:“不要等待 , 不要害怕 , 勇敢去尝试 。 这是一个需要时间的学习过程 。 在武田制药 , 我们致力于治疗疾病 , 帮助患者——而数字孪生技术对于我们的工作是非常关键的一环 。 ”