Опыт применения субъектно-ориентированного моделирования для разработки цифрового двойника

Сергей Бутяга,
технический директор по продажам, АО «Моделирование и цифровые двойники»

Субъектно-ориентированное моделирование (СОМ) включает множество практик и решений. Одним из поднаборов таких практик является планирование ресурсов производства на основе цифровых данных — а именно, цифрового двойника производства (или цифрового двойника производственных процессов). В статье приводится опыт компании АО «МЦД» при исследованиях ряда процессов промышленного производства, имеющих разную технологическую природу и касающихся основных производственных процессов — планирования, управления производством, а также планирования цепочек поставок применительно к реалиям, в которых работают производственные организации в РФ.

Перспектива

Одной из задач данной статьи является выявление основных тенденций (трендов), определяющих перспективу рынка технологий цифровых двойников для субъектно-ориентированного моделирования в ближайшие годы.

Существует два характерных цикла развития и применения технологии СОМ. Сначала цикл «больших ожиданий и разочарования» — непрерывный подъем (много языков, моделей и перспектив) и достижение некоторого пика, а потом резкое снижение (уменьшение интереса, недостаток вычислительных мощностей в связи с переходом на персональные компьютеры, новые вызовы). Потом цикл «зрелости» — как и для любой зрелой технологии, постепенный, медленный, но все же подъем.

Наиболее понятным описанием этого процесса является общеизвестная кривая Гартнера. Поэтому представим процесс развития СОМ в виде, показанном на рис. 1.

Рис. 1. Цикл зрелости технологии СОМ (кривая Гартнера) [1]

Анализ потенциала и реалий рынка СОМ в России можно провести, опираясь на статистические данные о количестве предприятий и размеры их выручки за 2023-й и предыдущие годы. Сначала рассмотрим потенциал рынка СОМ в России.

Основными потенциальными пользователями СОМ являются предприятия, которые имеют одну, а чаще несколько сложных систем, требующих анализа, оценки и управления. Если до определенного уровня сложности можно обойтись без применения специальных программных средств системного анализа, то сейчас для большинства систем ручной анализ и волюнтаристическое управление уже просто физически невозможно. Необходимо использовать автоматизированные средства системного анализа. Одним из основных таких средств является СОМ.

Согласно данным портала СПАРК агентства «Интерфакс» [2], на начало 2024 года в России работает свыше 3 млн 260 тыс. юридических лиц. Пользователем СОМ скорее всего станет такое предприятие, которое не только заинтересовано в данной технологии, но и имеет оборот, позволяющий осуществлять затраты на достаточно дорогие инструменты и услуги по исследованию. В основном при исследовании сложных систем для крупных предприятий или больших инфраструктурных проектов средняя стоимость разработки модели и проведения СОМ составляет 3,5 млн руб. — будем считать это базовым вариантом для оценки рынка.

Исходя из минимальной стоимости работ по СОМ, для предприятия затраты на создание СОМ-модели и проведение исследования можно считать возможными, если они составляют менее 1% выручки предприятия. В связи с этим на портале СПАРК был проведен статистический анализ и определено количество предприятий с выручкой от 120 и более млн руб. в год. В результате данного анализа и существующего разделения на малые, средние и крупные предприятия (от объема выручки) была получена оценка количества предприятий, которая приведена в табл. 1.

Таблица 1. Количество предприятий в России с оборотом свыше 120 млн (шт.).

Следовательно, в РФ существует более 200 тыс. предприятий, которые смогли бы в экономическом плане заказать автоматизацию бизнес-процессов и предварительное исследование.

Принимая за аксиому то, что российские инструменты СОМ практически ни в чем не уступают западным, стоит отметить, что мы сильно отстаем в объемах, правовых основах и культуре практического применения СОМ. А кроме того, российский рынок — это население 150-200 млн человек (даже с учетом стран СНГ и ЕАЭС), а мировой рынок в 40 раз больше — 8 млрд человек.

В основных обзорах рынка, проводимых западными исследователями, как правило, рынок СОМ не выделяется отдельно. Они рассматривают весь рынок комплексного моделирования, включающий и другие виды моделирования, близкие к СОМ. Поэтому будем опираться на такого рода отчеты и оценки [3]. Согласно отчету 2023 года [3], объем рынка моделирования в целом в 2022 году составлял 16 млрд долл. США, а в 2023-м оценивался примерно в 18,1 млрд долл. США. Ожидается, что эффективный совокупный годовой темп роста (CAGR) составит 13,1% в период с 2023 по 2028 год. Прогнозируемый объем рынка достигнет 33,5 млрд долл. США (рис. 2).

Рис. 2. Оценка рынка моделирования в мире — 2018-2032 годы [3]

За рубежом основным рынком СОМ остается Северная Америка (в лидерах — США), далее по объему следуют Европа и Китай. Составители отчета говорят о процветающей технологической среде Китая как глобальном факторе роста рынка СОМ, а также об усиливающемся инновационном партнерстве и инициативах в Индии для развития программного обеспечения для моделирования.

Опыт применения технологии

Приведенные в табл. 2 примеры представляются наиболее иллюстративными в плане применения рассматриваемой технологии — субъектно-ориентированного моделирования (СОМ).

Таблица 2. Технологии ЦД, основанные на субъектно-ориентированном моделировании

Самой перспективной зоной внедрения данного вида ЦД являются области процессов генерации электроэнергии и горнорудное производство, где применение технологии позитивно скажется на следующих операционных процессах:

• общее повышение эффективности генерирующего процесса;
• увеличение эффективности и производительности процесса технического обслуживания и ремонта (ТОиР);
• увеличение эффективности и производительности процесса управления переработкой полезных ископаемых.

Коммерческим эффектом внедрения данного сценария является сокращение издержек — затрат на эксплуатацию и техническое обслуживание оборудования. Как показывают примеры применения подобных ЦД [4, 5, 6], это позволяет в целом оптимизировать конструкцию управляющей подсистемы, сделать полностью автономной АСУ и точнее прогнозировать поведение производственной системы оборудования.

Список использованных источников:

1. 5 Trends Emerge in the Gartner Hype Cycle for Emerging Technologies. URL: https://www.gartner.com/smarterwithgartner/5-trends-emerge-in-gartner-hype-cycle-for-emerging-technologies-2018 (дата обращения 5.05.2024).
2. Портал данных о предприятиях СПАРК агентства «Интерфакс». URL: /https://spark-interfax.ru/statistics (дата обращения 23.07.2024).
3. Simulation Software Market Share, Forecast & Growth Report. URL: https://www.marketsandmarkets.com/Market-Reports/simulation-software-market-263646018.html (дата обращения 24.07.2024).
4. Система прескриптивной диагностики электропоезда. URL: https://www.vniizht.ru/projects/sistema-preskriptivnoy-diagnostiki-elektropoezda/ (дата обращения 15.11.2023).
5. Digital Energy Twin Optimizing industrial energy systems. URL: https://www.energy-innovation-austria.at/article/digital-energy-twin/?lang=en (дата обращения 15.11.2023).
6. Case study: the use of a digital twin with Advanced Process Control at Boliden Aitik mine. URL: https://new.abb.com/mining/mineoptimize/digital-applications/advanced-process-control/case-study-the-use-of-a-digital-twin-with-advanced-process-control-at-boliden-aitik-mine (дата обращения 15.11.2023)