O Digital Twin: Realizando o sistema cyber-físico para a indústria 4.

Thomas H.-J. Uhlemanna*, Christian Lehmanna, Rolf Steinhilpera

Resumo:

No que diz respeito às abordagens atuais para o planejamento de processos de fabricação, a aquisição de uma base de dados de
informações de processo relevantes e o desenvolvimento subsequente de opções de layout viáveis exigem 74% do consumo total
de tempo. No entanto, a aplicação de técnicas totalmente automatizadas nos processos de planejamento ainda não é uma prática
comum. Déficits estão sendo observados no uso de aquisições de dados automatizadas de processo subjacentes, um elemento-
chave da Indústria 4.0, bem como a avaliação e quantificação e análise dos dados coletados. Como a maioria das operações de
planejamento é realizada manualmente, a falta de qualquer avaliação teórica dificulta o benchmarking dos resultados. Processos
de planejamento atuais analisam os resultados obtidos manualmente com o auxílio da simulação. A avaliação e a quantificação
do procedimento de planejamento são limitadas pela complexidade que desafia a controlabilidade manual. A pesquisa é, portanto,
necessária com relação à aquisição e seleção automáticas de dados, já que a avaliação e a análise quase em tempo real de sistemas
de produção altamente complexos dependem de um banco de dados gerado em tempo real. O artigo apresenta abordagens viáveis
na prática para de aquisição multimodal de dados, seus requisitos e limitações. O conceito adicional do Digital Twin (clone
virtual) para um processo de produção permite um acoplamento do sistema de produção com seu equivalente digital como base
para uma otimização com um atraso mínimo entre o tempo de aquisição de dados e a criação do Digital Twin. Portanto, uma
abordagem de aquisição de dados digital é necessária. Como consequência, um sistema de produção cyber-físico pode ser gerado,
o que abre poderosas aplicações. Para garantir uma concordância máxima entre o processo cyber-físico e modelo real, uma
aquisição e avaliação multimodal de dados deve ser conduzida. O artigo, portanto, apresenta um conceito para a composição de
um banco de dados e propõe diretrizes para a implementação do Digital Twin em sistemas de produção em pequenas e médias
empresas.

1. Motivação

Nos anos recentes, indústria 4.0 é um dos temas mais predominantes em engenharia de produção. No entanto, métodos da
indústria 4.0 estão sub-representados em operações de produção [1] (p. 7) até o momento. Isto é, por um lado, baseado em
definições não uniformes da indústria 4.0, um problema que publicações atuais contra-atacam. Por outro lado, dificuldades
comuns como padrões não existentes, incertezas sobre os benefícios econômicos, enquanto enfrenta a exigência de investimentos
por vezes consideráveis [2] (p. 37), bem como parte da percepção geral ainda não resolvida sobre segurança de dados é aparente
[3] (p. 31). Em uma pesquisa da VDMA de 2015, apenas 10% dos entrevistados afirmaram ter implementado uma aquisição
abrangente de dados de processo e de máquinas. Apenas um terço aplicou os dados obtidos em um feedback de controle de
produção [4] (p. 37). No entanto, um uso vantajoso da Indústria 4.0 no curso de uma cadeia de valor não pode ser obtido até que
uma implementação vertical da Indústria 4.0 na própria empresa seja garantida [5] (p. 181). Especialmente o baixo grau de
automação nas pequenas e médias empresas (PME) revela grande necessidade de abordagens alternativas para a realização de
sistemas de produção cyber-físicos (CPPS) [6] (p. 73). Seus principais objetivos são fornecer e aumentar a transparência no
sistema de produção e permitir o controle da produção em tempo real [4] (p. 38), [3] (p. 44), [7] (p. 6). É apresentado no artigo
um conceito para a realização de um Digital Twin do sistema de produção, um componente central da indústria 4.0, para assegurar
– provendo dados de qualidade suficiente – uma implementação com investimento mínimo em PME sem comprometer as
vantagens do Digital Twin e do CPPS. Aqui, uma aquisição e transferência de um conjunto completo de parâmetros e registros
de dados de máquinas de produção é especificamente negligenciada, uma vez que esses dados geralmente representam o núcleo
de competência e expertise das empresas de manufatura. Uma solução tecnicamente viável para segurança de dados como parte
de uma abordagem inerente é introduzida. O conceito será implementado em um demonstrador, que se mostra essencial para
uma implementação em PME [3] (p. 35).

2. Estado do conhecimento científico

É discutido na seção seguinte o estado do conhecimento cientifico referente aos sistemas de planejamento de produção e
processos que seguem o estado da arte em métodos e simulações.

2.1. Dados de movimento na produção

O estudo "Prosense" evidencia possibilidades de rastreamento de produtos e componentes em sistemas de produção [8] (p. 209),
empregando as tecnologias de Beacons (Etiqueta) e RTLS (sistema de localização em tempo real). Em geral, as abordagens para
aquisição de dados de movimento em ambientes de produção são amplamente limitadas às tecnologias RFID (identificação por
radiofrequência) [9] (p. 26). Este fato está associado aos grandes custos envolvidos. Além disso, Schuh aponta a necessidade de
intensificar a pesquisa no campo da localização em tempo real em sistemas de produção, bem como a conexão a ambientes de
simulação auto otimizados [8] (p. 209). Embora seja desejável, uma conexão com sistemas ERP (Enterprise – Resource -
Planning) é considerada irrealista por motivos de padronização insuficiente [8] (p. 209). Além disso, os sistemas ERP baseiam-
se principalmente em entradas de dados manuais propensas a erros. A extração de uma fonte de dados confiável a partir de dados
de estoque tem pouca ou nenhuma perspectiva de sucesso [8] (p. 209). Os dados de movimento ainda são coletados
principalmente manualmente [9] (p. 26), embora o potencial de aquisição automatizada de dados de movimento para a otimização
dos processos de produção esteja sendo reconhecido [10] (p. 35). Conceitos que excedam o uso de RFID, etc., para a localização
de objetos e objetos pessoais estão sujeitos a pesquisas em andamento [11]. Soluções comerciais estão disponíveis e em uso [12].

2.2. CPPS (Cyber-physical production system)

O sistema cyber-físico de produção é o núcleo da indústria 4.0 [9] (p. 3). A sombra digital e, portanto, o digital Twin representa
o pré-requisito para o desenvolvimento de um CPPS, permitindo análises centralizadas e controle do processo de produção [9]
(p. 31). Uma provisão útil de dados, que foram adquiridos para o desenvolvimento do Digital Twin, requer uma solução baseada
em nuvem para garantir um processamento quase em tempo real [9] (p. 32). Independência de localização e acessibilidade remota
da provisão de dados é um critério para o desenvolvimento de um CPPS [13] (p. 26). Para conduzir a interpretação complexa, é
necessária uma avaliação contínua com conhecimento especializado, enquanto uma simples transferência de conceitos e uma
análise de dados não contextualizada não é promissora [14] (p. 98).

2.3. Planejamento da fábrica e do sistema de produção

Independentemente do grau de automação de agências e empresas de manufatura, um aumento significativo das despesas de
planejamento deve ser observado. [3] (p. 23). O Planejamento do Sistema de Produção não pode mais ser visto como um único
projeto de planejamento inicial. Em vez disso, um planejamento contínuo do sistema de produção é predominante [15] (p. 14),
[16] (p. 18). A aquisição manual de dados e a variação como parte do planejamento de layout contribuem com até 74% do
consumo total de tempo durante o processo de planejamento [17] (p. 357), portanto, conflita com os requisitos de ciclos de
otimização quase em tempo real [18] (p.19). Os métodos tradicionais de planejamento de processo e produção [17] não cumprem
as exigências de otimização em tempo quase real e não podem processar os dados adquiridos em tempo real como uma base de
planejamento de maneira satisfatória [18] (p. 20). Abordagens recentemente publicadas sobre a ligação cruzada de sistemas reais
e virtuais examinam, por exemplo, a imagem 3D do sistema de produção [19] (p. 133). Investigações adicionais enfocam
ramificações especiais ou mesmo máquinas de produção única [19] (p. 173,151), que, no entanto, não estão de acordo com o
objetivo de ramificar soluções interdisciplinares para PME [5] (p. 178) e, portanto, não é adequado para uma avaliação geral de
controle e desenvolvimento contínuo de sistemas de produção.

2.4. Otimização de produção baseada em simulação

Por anos, a simulação tem sido usada com sucesso para resolver problemas de otimização dentro de sistemas de produção e
logística [20] (p. VII), [21] (p. VIII). Aqui, deve ser notado que uma simulação não é equivalente a uma otimização, já que o
parâmetro tem que ser definido e o proposto pelo usuário e soluções devem ser avaliados posteriormente [17] (p. 377).
Consequentemente, o processo de geração de variedades é retardado. Um acoplamento entre simulação e otimização está sujeito
à pesquisa atual. A primeira abordagem é formada pela VDI 3633, Documento 12, atualmente preparada. Apresenta as seguintes
abordagens de acoplamento:

 Simulação acompanha a otimização;

 Otimização acompanha a simulação;
 Otimização incorporada na simulação;
 Simulação incorporada na otimização.

Geralmente, a fundação de um modelo de simulação é formada por uma transferência do estado as-is ou estado de planejamento
[17] (p. 376), para, finalmente, verificar e validar o modelo usando métodos [21] (p. 16). A simulação é usada para apoiar o
planejamento estratégico, bem como o planejamento operacional [17] (p. 386). Essa abordagem usa dados mestres não voláteis
e dados dependentes de tempo altamente voláteis são usados [16] (p. 248). Uma dificuldade reside na qualidade dos dados de
movimento, em particular, que na maioria dos casos é insuficiente para uma aplicação em investigações simuladas [20] (p. 6). A
simulação permite a investigação dinâmica de sistemas de produção, em contraste com a perspectiva estatística das abordagens
tradicionais [16] (p. 239).
 2.5. Deficiências e problemas

As seguintes dificuldades no curso da realização do Twin Digital como pré-condição essencial de um CPPS podem ser
determinadas:

 Aquisição manual de dados de rastreio amplamente usada, mesmo em conflito com a disponibilidade em tempo real;
 Aquisição manual de dados de rastreio instantâneos limita o potencial de simulação;
 Combinado com a aquisição de dados descentralizada, é necessário um sistema de informação central [5] (p. 119);
 A implementação interna da Indústria 4.0 é frequentemente insuficiente;
 A padronização lenta da aquisição de dados em sistemas de produção dificulta a implementação de sistemas ágeis e
adaptáveis [3] (p. 31).
 A padronização da aquisição de dados não foi alcançada ainda;
 Altos custos dos novos ambientes de TI inibem a aplicação da indústria 4.0 de forma vertical [3] (p. 31);
 A conexão entre simulação e otimização não garante o máximo de aproveitamento dos modelos em tempo real;
 Preocupações com segurança de dados.

3. Digital Twin para PME

A seção a seguir apresenta um conceito de realização do Twin Digital em PME. As vantagens deste conceito em relação à análise
de dados é prever, por exemplo, a degradação do desempenho ou que o serviço precisa ser amplamente discutido [22] (p.4) [23]
(p. 11). As mesmas vantagens se aplicam ao Digital Twin do sistema de produção, o que contribui significativamente para a
transparência requerida e para o controle de produção em tempo quase real [4] (p. 38).

O caráter inovador está no acoplamento de componentes bem aceitos e comercialmente disponíveis ou facilmente realizáveis,
que estão disponíveis como soluções isoladas neste momento. Após a discussão da aquisição de dados multimodais com atenção
especial aos dados de movimento dentro do sistema de produção, o acoplamento com um ambiente de simulação está em causa.
A segurança de dados inerente do sistema através da separação de dados é então explicada. Seguindo uma explicação para a
perda de requisitos de padronização, a agilidade e a escalabilidade do modelo são consideradas. O foco é colocado no sistema
de produção em detrimento de armazenagem e processos logísticos. No entanto, as descobertas dentro do sistema de produção
podem afetar o processo de armazenamento e estão de acordo com os requisitos recentemente examinados de PME no contexto
da Indústria 4.0 [3] (p. 38, 44).

3.1. Aquisição multimodal de dados

A aquisição de dados de rastreio combinada com o conhecimento sobre os campos de atividades dos funcionários, bem como a
posição e o uso de máquinas de produção, constitui um grande potencial para a realização de um CPPS. Especialmente nas PMEs
que possuem um baixo grau de automação, uma única aquisição de informações, que consiste em dados de posição dependentes
do tempo, não é suficiente. Uma imagem abrangente do sistema de produção só pode ser alcançada, se forem consideradas
informações adicionais de movimentos de funcionários e meios de produção.

Schuh conclui que, devido à padronização inexistente de bancos de dados em empresas de manufatura, a aquisição de dados a
partir de dados de inventário já coletados será uma operação longa e difícil, portanto, não é uma abordagem realista [8] (p. 209).
Uma imagem abrangente da realidade dentro de um sistema de produção, portanto, só pode ser alcançada através de uma
aquisição de dados multimodal, similar aos procedimentos nos automóveis modernos (Fig.1) [9] (p. 27). Este conceito é aplicado
aos sistemas de produção neste documento.

Este conceito se diferencia das abordagens predominantes em grandes empresas, que se concentram na automação total [6] (p.
73). Os dados da máquina não são considerados, já que o grau de interligação na produção em PME é baixo [1] (p. 7) e a aquisição
insuficiente de dados de máquina e processo [4] (pág. 37) não apenas não permitem isso, mas também a drenagem do know-how
do núcleo é evitada. No entanto, também não é necessário coletar dados detalhados da máquina para um controle de produção
inteligente e flexível, que é predominantemente requerido em PME [3] (p. 44).

Como o banco de dados de produção no PME é extremamente heterogêneo, e sua qualidade é frequentemente insuficiente para
a realização do Twin Digital, os dois principais sistemas a seguir são introduzidos para aquisição de dados:

 Rastreamento baseado em sensores;

 Visão de máquina;
 Figura 1 - Exemplo de aquisição multimodal (Radar, laser etc.).

Este artigo se concentra apenas no conceito. As soluções técnicas não são abordadas e serão apresentadas em outras publicações.
Sistemas de rastreamento baseados em sensores estão comercialmente disponíveis. Extensas bibliotecas de programas para a
abordagem de visão de máquina são existentes. A abordagem de sistema dual é resultado dos grandes custos associados a um
procedimento unicamente baseado em sensores. O rastreamento baseado em sensor fornece informações sobre:

 Rotas e posição dos funcionários de produção;

 Rotas e posição de dispositivos de produção largos e altamente móveis, como empilhadeiras;

O baixo número de dispositivos de produção móvel e de funcionários de produção em comparação com os produtos permite a
aquisição de dados por meio de rastreamento baseado em sensores. Além disso, a visão de máquina depende da visibilidade
permanente do dispositivo de produção móvel e do funcionário que não pode ser garantida nos sistemas de produção, enquanto
a visibilidade do produto é fácil de obter nas máquinas de produção ao longo da cadeia de processo. Portanto, a visão de máquina
serve para identificar produtos na máquina de produção. Com isso, equipar cada produto com um sensor ou tag pode ser evitado.
Isso resulta em uma estrutura de custos para aquisição de dados que não é proporcional ao número de produtos rastreados no
sistema de produção (Fig. 2). A abordagem é especialmente relevante se um grande número de produtos estiver localizado no
sistema de produção ou se as características do produto ou processo não forem adequadas para um rastreamento baseado em
sensor, por ex. temperamento. Esses obstáculos são limitações típicas em sistemas de produção comuns que podem ser evitados
através da visão de máquina. O reconhecimento de imagem também permite detectar e identificar o KLT (recipiente de peças
pequenas) usando um sistema de numeração, caso seja necessário individualmente. Nesse contexto, o reconhecimento de
imagens é empregado

 Detectar e identificar tipos de produtos nas máquinas de produção;

 Detectar e identificar pequenos dispositivos de produção e produtos, se exigido individualmente;

Figura 2 –Diagrama de custos na implementação de rastreio baseado em sensores e visão de máquina.

São demonstrados na tabela 1 exemplos de indicadores de performance, que podem ser derivados das fontes de dados
introduzidas. Os marcadores (*) requerem pequenas medidas adicionais, por exemplo, uma marca visual. Ou a especificação de
um dispositivo de transporte durante a definição dos dados mestres.

A necessidade de uma padronização de interfaces de dados, portanto, é completamente eliminada, na medida em que um
sistema autônomo é instalado. A realização de hardware é baseada em módulos, que podem ser inseridos facilmente e no
número necessário em posições relevantes do sistema de produção. Agilidade e escalabilidade são marcas de caráter do
conceito apresentado.

Figura 3 – Seleção de indicadores de performance apropriados usando dados de rastreio baseado em sensores e de visão de máquina.

3.2. Implementação do Digital Twin

Tendo adquirido os dados dentro do sistema de produção, estes devem ser colocados em uso. A independência local entre a
aquisição de dados e avaliação de dados é um elemento central, pois, devido ao baixo grau de conhecimento em PME no campo
de aplicações da indústria 4.0 [3] (p. 3), uma avaliação completa não pode ser esperada, portanto, não é desejável. Mesmo em
empresas precursoras da indústria 4.0, a falta de especialistas e expertise são os principais obstáculos [4] (p. 57). A especialização
em avaliação e simulação de dados é uma competência essencial como tal e não está disponível nas PMEs. Aplicações somente
em PME requer os resultados do Digital Twin. A Fig. 3 apresenta a implementação de um sistema que demonstra
simultaneamente a separação de dados para formar um sistema de segurança de dados inerentes. Aqui, a separação de dados
dependentes não voláteis e, portanto, não dependentes do tempo real, como:

 Plano da base; E os dados dependentes do tempo volátil, como:

 Layout;
 Finalidade da máquina de produção;  Fluxo de produção;
 Lista de elementos;  Movimento dos empregados;
 Quantidade de empregados;  Atribuição das máquinas;
 Turnos etc;  Rotas de transporte etc.

Figura 4 - Conceito para a realização do CPPS através do Digital Twin em PME.

 Figura 5 - Explicação dos conceitos do esquema.

A separação dos dados e, portanto, dos ganhos em segurança de dados são claramente visíveis. Na simulação, um software bem
comprovado para avaliação do processo de produção é usado cuja funcionalidade pode ser facilmente estendida com o auxílio
de um software de otimização individualmente, se necessário. Explicações detalhadas serão dadas em outras publicações.

4. Conclusão e Perspectiva

Neste artigo é apresentado um conceito para a realização da contribuição do Digital Twin para o desenvolvimento de um CPPS
em PME. Os métodos selecionados para aquisição e avaliação de dados recorrem principalmente a soluções isoladas existentes.
Operação estável e aquisição de dados é garantida. A melhoria é a ligação dessas soluções isoladas a um sistema geral, que abre
abordagens completamente novas em aplicações de controle de produção quase em tempo real. Aqui, processos de produção
automatizados e não automatizados podem estar sujeitos à aquisição de dados, o que é imensamente importante para a maioria
das PMEs não automatizadas. Não são necessários dados de máquina, o que permite uma proteção completa do know-how. Além
disso, a separação de dados voláteis e dados mestre formam um sistema de segurança de dados inerente. O próximo passo é o
desenvolvimento de um sistema de produção virtual, que gera dados seguindo o sistema de produção real com as duas tecnologias
de aquisição de dados implementadas. Com base nisso, a camada de dados e a seção de informações e otimização são construídas
e verificadas por meio de testes. Na última etapa, o hardware de aquisição de dados é implementado em um modelo do processo
real e vinculado à camada de dados. Isto constitui o passo final e principal dentro da realização do CPPS nas PME como parte
deste conceito.