Digital Twin

デジタルツインとは、物理的な資産、プロセス、システムを仮想的にモデル化したもので、継続的なデータの流れを通じて現実の対象と同期し、その対象に判断を送り返します。物理側は単体のポンプ、生産ライン、風力発電所、都市地区などです。仮想側では、形状、センサーから得た現在の状態、挙動モデルを組み合わせるため、オペレーターは状態の監視、シミュレーションによる「もしも」の変更のテスト、故障の事前予測ができます。Michael Grievesは2002年にミシガン大学で製品ライフサイクル管理のモデルとしてこの概念を紹介し、NASAのJohn Vickersが2010年頃にデジタルツインと名付けました。2021年に発行されたISO 23247シリーズは、製造業向けのデジタルツインフレームワークを定義しています。

デジタルモデル、デジタルシャドウ、デジタルツイン#

この用語はあらゆる3Dモデルやダッシュボードに使われることが多いため、研究者は物理オブジェクトと仮想オブジェクトの間のデータの流れ方に基づき、3つの段階を区別しています。Kritzingerらによる2018年のレビューでは、人手で更新する仮想モデルをデジタルモデル、ライブデータを自動受信するものの物理資産への変更は人が行うモデルをデジタルシャドウ、双方向のデータフローを自動で行うものをデジタルツインと呼んでいます。

対照的に、シミュレーションは特定の資産とのライブ接続なしに「もしも」のシナリオを検討するもので、デジタルツインは資産の現在の状態からシミュレーションを実行します。フォトグラメトリ、ニューラルラディアンスフィールド、ガウススプラッティングなどの3D再構築技術が、ツインの形状や外観を提供します。

デジタルツインの仕組み#

実用的なツインはいくつものレイヤーを接続します。産業用IoTセンサー、プログラマブルロジックコントローラー、カメラで物理状態を測定し、OPC UAやMQTTなどのプロトコルで測定値をデータプラットフォームに送ります。挙動モデルには、有限要素法や流体力学モデルなどの物理ベースシミュレーションから、シミュレーション実行データや履歴データで学習し、ミリ秒単位で回答する機械学習サロゲートまであります。同期した状態に対する分析では、異常検知、残存耐用年数の予測モデリング、スループットの時系列分析などを行い、その結果を調整済み設定値、保守作業指示、新しい生産スケジュールとして返します。

コンピュータービジョンを使うと、通常のカメラをツイン用センサーとして活用できます。物体検出で部品、パレット、車両を数え、複数物体追跡で施設内の移動を追跡し、姿勢推定で作業者の動きを記録して人間工学の調査に役立て、セグメンテーションで充填レベルや材料の堆積量を測定します。Ultralytics YOLO26の追跡モードでは、検出された各物体に動画フレームをまたいで永続的なIDを割り当てます。そのため、フレームごとに新しい物体を作るのではなく、フォークリフトやパレットごとに1つのレコードを最新位置で更新できます。データは逆方向にも流れます。ツインがレンダリングしたシーンから、これらの視覚モデルの学習に使うラベル付き合成データを生成し、テクスチャや照明のドメインランダム化によって、実際のカメラへの転移を促進します。

実際のアプリケーション#

• 製造業： 工場のツインを使うと、エンジニアは実際の生産ラインに手を加える前に、仮想空間でラインの配置変更、ロボット経路の再プログラム、作業負荷の調整を行えます。機械のツインは、振動、温度、電流のデータに基づいて保守を計画します。
• 物流・倉庫： 倉庫のツインでは、カメラを使った荷物や車両の追跡と注文データを組み合わせ、レイアウト、保管場所の割り当て、ロボット群を検証します。
• エネルギー・航空宇宙： ジェットエンジンや風力タービンのツインでは、物理モデルと各装置のセンサーデータを組み合わせ、個々の部品の摩耗を推定して点検時期を調整します。
• スマートシティ： 都市のツインは建物、交通、公共インフラをモデル化し、交通カメラによる車両数で交通シミュレーションを調整します。2014年に始まった7,300万シンガポールドル規模の国家プログラム「Virtual Singapore」は、都市計画の調査に向けて都市国家全体を3Dでモデル化しています。