Estudo do Estado da Arte- Digital Twins

Introdução

Nos dias de hoje, existe cada vez mais uma produção enorme de dados, através de sensores e
de outras diversas fontes. Os Digital Twins surgem então devido a uma necessidade de
modelação de dados, devido à rápida expansão de áreas como a inteligência artificial, análise
de dados e principalmente a IoT.

Um Digital Twin não é nada mais do que uma modelação de dados, ou seja, uma representação
virtual em tempo real de um objeto físico, ou de um conjunto de objetos que formam um
sistema. Dito isto, com a criação de Digital Twins é possível combinar várias tarefas, como
simulações em tempo real, monitorização de dados e otimizações de sistemas [9].

A implementação destes Digital Twins pode salvar imenso tempo e dinheiro às empresas, pois
não são necessários mais produtos físicos para realizar as diversas simulações necessárias [10],
[11].

Existem, porém, ainda várias lacunas no que diz respeito à implementação de DT. O DT estará,
como é óbvio, sempre dependente da capacidade que os vários objetos físicos têm de fornecer
e obter dados, estando estes integrados em ambientes ou sistemas de empresas. É, portanto,
necessário um extenso conhecimento sobre quer dos objetos físicos, quer da abordagem
escolhida para a implementação dos DT [9].
História dos digital twins

A história dos Digital Twins é relativamente recente. O primeiro registo que existe da
verdadeira utilização de DT é do ano de 2003, onde a NASA usou esta tecnologia para replicar
condições espaciais e realizar testes para uma preparação de um voo. Depois desta enorme
inovação dos DT’s, esta tecnologia desenvolveu-se e expandiu-se para outras indústrias, como a
manufatura, por volta de 2012. [1]

Esta tecnologia tem vindo a evoluir cada vez mais, mas teve um atraso significativo devido as
complicações, que mais tarde foram evoluindo devido à Indústria 4.0 que incluiu avanços
digitais como IoT e Big Data [2]. Graças à evolução fantástica que assistimos relativamente ao
armazenamento de dados em formato digital, as implementações de digital twins passaram de
um conceito, a uma realidade. As evoluções em relação à capacidade dos sensores de capturar
informação em larga escala também ajudou a que esta tecnologia se desenvolvesse ainda mais,
tornando-se uma das fontes mais viáveis para realizar testes e simulações realistas num
ambiente virtual [3].

Eclipse Ditto- Exemplos

Neste projeto de PESTI, a tecnologia utilizada para a modelação e implementação de Digital

Twins é o Eclipse Ditto. Dito isto, existem vários exemplos onde esta framework foi utilizada.

A utilização de digital twins tornou-se fundamental na indústria de sistemas ciberfísicos, dadas

as suas características para simulações antes de implementar este tipo de sistemas. O Eclipse
Ditto foi então utilizado para implementar digital twins ao nível de servidores proxy, para
enfrentar desafios como eficiência energética, segurança ao nível dos servidores e controlo. É
dito neste estudo que esta framework foi utilizada devido à sua capacidade de ir ao encontro
destas propriedades que fazem parte do PoC desenvolvido (Proof of Concept). Para além disso,
o Eclipse Ditto é também uma framework Open Source, sendo possível configurar da maneira
mais adequada e pretendida, trazendo benefícios. Com o Ditto, a conectividade entre o Digital
Twin e o “gémeo físico” é facilitada, através da utilização de certos protocolos e conexões como
HTTP ou MQTT. Assim, com a ajuda desta framework, o ponto chave que é a segurança para o
desenvolvimento deste cenário experimental foi assegurado. [4]

Alternativas ao Ditto
Sendo este projeto de PESTI algo quanto exploratório, foi feita uma pesquisa de alternativas à
ferramenta proposta, o Eclipse Ditto.

Existe uma alternativa bastante recente ao Ditto para o desenvolvimento e implementação de

Digital Twins, chamada OpenTwins. É uma framework open source desenvolvida com o
pensamento em sistemas mais complexos. O utilizador que usar esta framework consegue criar
várias entidades individuais ou subsistemas, capazes de partilhar informação entre si, formando
um Digital Twin com um grau de complexidade maior, e fornecendo um ambiente modular ao
utilizador, onde este pode adaptar os Digital Twins às suas necessidades. A framework
OpenTwins teve também como base no seu desenvolvimento o objetivo de integrar-se com
motores de renderização 3D para visualizar os Digital Twins [5].

Outra possível alternativa seria a utilização de uma plataforma IoT, que tem o nome de PTC
ThingWorx. Esta plataforma é uma ótima alternativa ao Ditto. Permite uma ligação direta a
dispositivos IoT como sensores, apresenta uma integração com a parte da visualização assim
como a framework OpenTwins, e permite um desenvolvimento e modelagem flexíveis de
acordo com as necessidades de quem a utiliza. Esta plataforma é uma das líderes neste
mercado, e já foi utilizada, por exemplo, para sistemas de travagem dos automóveis. Neste
sistema, a plataforma referida recolhia dados de um sensor implementado para medir a
pressão colocada no travão. Após isso, nesse mesmo teste, na plataforma foram feitos testes e
previsões com base nos dados recolhidos [6].

Conclusões sobre o Ditto e o porquê de ter sido escolhido

O Eclipse Ditto, o PTC ThingWorx e o OpenTwins são todas alternativas fiáveis de IoT, que
oferecem funcionalidades distintas, mas cada uma delas com diferentes vantagens específicas.

Vantagens do Eclipse Ditto em relação ao PTC ThingWorx:

• Open Source: O Eclipse Ditto é um projeto de código aberto, o que significa que é
desenvolvido e mantido por uma comunidade de desenvolvedores, tornando o código
mais transparente a todos os seus utilizadores, permite uma grande flexibilidade e
adaptação a todas as necessidades.
• Flexibilidade e Customização: O Eclipse Ditto apresenta uma grande capacidade de
flexibilidade devido ao constante melhoramento por parte de vários desenvolvedores
ao longo do mundo. Podemos também, como utilizadores do Ditto, escolher várias
opções de suporte devido ao fornecedor deste serviço não ser único.
• Integração com o Ecossistema Eclipse IoT: O Eclipse Ditto faz parte de um ecossistema
Eclipse IoT, e isso faz com que a integração com outras ferramentas e projetos
relacionados à IoT seja praticamente direta e mais intuitiva.

Desvantagens do Eclipse Ditto em relação ao PTC ThingWorx:

• Aprendizagem: Para quem não está habituado ao ecossistema do Eclipse, o Ditto torna-
se um pouco mais difícil de utilizar, tendo uma curva de aprendizagem mais íngrime
• O Ditto não apresenta o mesmo nível de suporte que o ThingWorx devido a este último
ser uma plataforma comercial, o que pode levar a um desenvolvimento mais lento dos
nossos projetos

Eclipse Ditto em relação ao OpenTwins:

• Comunidade e Suporte: O Eclipse Ditto possui uma comunidade ativa que oferece
suporte ao contrário do OpenTwins, visto que esta última framework é bastante recente
e ainda está num processo de desenvolvimento, não sendo totalmente adequada ao
que é pretendido para este projeto de PESTI.
• Integração com Ecossistema Eclipse IoT: Exatamente as mesmas razões referidas em
relação ao PTC ThingWorx
A escolha do Ditto deve-se basicamente à capacidade de integração num ecossistema que
funciona bem, apresentando flexibilidade, baixo custo, segurança e robustez na modelagem da
solução ao qual este projeto de PESTI se destina.

Grafana-

Grafana é uma plataforma open source, capaz de se conectar a uma base de dados para que os
dados sejam analisados, monitorizados e visualizados, para fazer simulações, testes e previsões.
Portanto encaixa perfeitamente no que é pretendido neste projeto de PESTI, visto que não
basta modelizar e implementar uma solução para os Digital Twins, mas também é importante
visualizar e analisar os dados dos sensores.

Esta ferramenta é uma das mais utilizadas a nível mundial na visualização de dados em
dashboards, e um dos exemplos da sua utilização foi no estudo da viabilidade da
implementação de Digital Twins em empresas de pequena e média dimensão, com a visão de
melhorar a performance, produtividade e competitividade, sempre com vista na segurança dos
dados [7]. Neste estudo, após a implementação dos Digital Twins, a Grafana foi utilizada para
visualizar os dados. Como esta plataforma possui funções importantes como funções de alerta
e ligações de enorme facilidade com a base de dados, as empresas conseguiram antecipar
cenários e atuar muito mais rápido do que o fariam sem esta plataforma. As empresas
conseguiram também ter um acesso bastante intuitivo aos dados. Como é óbvio, a utilização da
Grafana foi concedida com apenas as permissões de leitura e não de escrita. No estudo, a
ligação foi feita a uma base de dados MySQL mas poderia ser ligada a outra, como por exemplo
ao InfluxDB, que vamos usar neste projeto de PESTI. [7]

Alternativas à Grafana-

Como já referimos anteriormente, tanto o PTC ThingWorx e o OpenTwins apresentam uma

integração dos dados ao nível da visualização [5,6], tornando-se alternativas bastante em
conta, isto se fosse feito tudo no mesmo ambiente, ou seja, se a implementação dos Digital
Twins fosse feita num desses ambientes.

Contudo existem também outras opções no mercado, bastante utilizadas e concorrentes da

Grafana. Visto que a Microsoft é uma das maiores empresas a nível mundial, não ficou para trás
nesta tecnologia e desenvolveu ferramentas bastante utilizadas nos dias de hoje como a Power
BI e um serviço Azure Digital Twins. Ambas estas tecnologias foram utilizadas numa unidade de
cuidados de saúde, criando Digital Twins com a capacidade de avaliar e prever cenários acerca
da qualidade do ar. A ferramenta Power BI foi utilizada para criar dashboards que permitiam
visualizar os dados relativamente à qualidade do ar. Visto estar inserido num ecossistema da
Microsoft, os dados foram adquiridos e conectados através dos serviços Azure, usando uma
base de dados também do ecossistema, Azure SQL. Existe também uma versão mobile da
Power BI referida neste estudo, que tem a capacidade de aceder a dashboards e relatórios
criadas na versão web, permitindo uma utilização intuitiva, rápida e fácil em qualquer lugar [8].

Sendo assim, porque é que escolhemos a Grafana? A Grafana apresenta imensos benefícios
quando comparada a todas as outras possibilidades referidas.

Vantagens:

• Open Source: A Grafana é um projeto de código aberto, o que significa que é

desenvolvido e mantido por uma comunidade de desenvolvedores, tornando o código
mais transparente a todos os seus utilizadores, permite uma grande flexibilidade e
adaptação a todas as necessidades.
• Ecossistema Eclipse: Devido à utilização do Eclipse Ditto, a utilização da Grafana torna-
se relevante pois a conectividade torna-se mais fácil
• Plug-Ins: Devido à imensa quantidade de plug-ins, a integração com outros sistemas é
mais simples, não estando dependente de um único serviço ou fornecedor. Para além
disso, conseguimos conectar uma vasta variedade de fontes de dados, incluindo bases
de dados SQL e NoSQL.
• Baixo Custo: É uma ótima opção para organizações cujo orçamento é mais limitado, pois
apresenta um custo menor do que serviços como os da Microsoft, devido a ser open
source.
• Flexibilidade: É possível personalizar a visualização dos dados da maneira pretendida,
existindo também uma gama de visualização de dados pré-construídas

Desvantagens:

• Suporte: Tal como o Ditto, que pertence também à comunidade Eclipse, a Grafana não
tem um suporte tão eficaz no tratamento de problemas e bugs como uma plataforma
paga como as que já foram referidas
 • Manutenção: A Grafana, visto que é open source, exige mais tempo entre cada
atualização, ao contrário de outras opções pagas, que têm uma equipa dedicada a esse
aspeto.

Avaliando todo este conjunto de vantagens e desvantagens, devido ao baixo custo, segurança e
flexibilidade, a Grafana apresenta-se como uma opção bastante viável para a implementação
de dashboards para avaliar os dados do nosso modelo IoT.

InfluxDB

Um dos grandes objetivos deste projeto PESTI é implementar digital twins para depois ser
possível simular e avaliar dados. Para isso, devido às características do Eclipse Ditto, é
necessário ter uma data base ligada aos nossos digital twins. O InfluxDB surge como uma
grande solução para este problema, visto ser uma data base open source, criada na linguagem
de programação Go, com a capacidade de lidar com enormes volumes de dados em série, como
por exemplo dados provenientes de sensores IoT.

O InfluxDB é bastante utilizado quando é necessária uma base de dados rápida, e capaz de lidar
com grandes volumes de dados. Já foi utilizada num estudo, onde o objetivo principal era criar
um sistema de monitoramento ambiental, capaz de lidar com um grande volume de dados para
futuramente os poder analisar usando a Grafana. No final do estudo, são apresentados
resultados, que mostram que a utilização deste sistema em conjunto com a base de dados
InfluxDB foi uma excelente escolha, apresentando soluções eficazes e bastante rápidas [9].

Alternativas ao InfluxDB

Existem duas alternativas grandes ao InfluxDB: Graphite e Prometheus.

Graphite apresenta-se como uma time-series database também, criada em 2006 que permite
aos utilizadores criar queries complexas, que suporta várias funcionalidades e opções de
integração com outros sistemas, promovendo a longevidade dos projetos a desenvolver.
Por outro lado, Prometheus é uma alternativa open-source, conhecida por PromQL, que
permite analisar e criar tabelas para simulações e para avaliar os dados captados, através de
operações simples e com a possibilidade também de integrações com vários sistemas
diferentes.

Mesmo com estas alternativas ao InfluxDB, consideramos que continua a ser a melhor opção
devido ao conjunto de vantagens que apresenta em relação a Graphite e Prometheus.

Vantagens:

• É uma base de dados altamente otimizada para o tipo de projeto que vamos
desenvolver, já existindo exemplos oficiais do uso desta base de dados com o Eclipse
Ditto.
• Facilmente conseguimos configurar a base de dados conforme o pretendido, tendo
tarefas administrativas bastante mais simplificadas
• Linguagem muito parecida ao SQL, que facilita a aprendizagem na utilização desta base
de dados
• Rapidez na apresentação dos dados

Desvantagens:

• Não apresenta um ecossistema tão vasto como as duas outras alternativas, pois estas
apresentam uma base de utilizadores mais fixa e também maior
• Um pouco menos de flexibilidade na modelagem dos dados na base de dados, tendo
modelos de dados menos genéricos do que Graphite e Prometheus

Conclusões finais

O estudo do estado da arte sobre Digital Twins revela a importância crescente dessas
tecnologias em diversos setores tecnológicos como na inteligência artificial, nas tecnologias IoT,
entre outros. Os Digital Twins oferecem uma representação e modelação virtual de objetos
físicos ou sistemas, oferecendo a capacidade de implementar simulações e oferecendo
soluções ao nível da análise de dados, tendo começado por volta dos anos 2000.

O Eclipse Ditto é uma das principais ferramentas para a implementação de Digital Twins,
utilizada em vários projetos devido a não apresentar custos, oferecendo flexibilidade,
integração com o ecossistema Eclipse IoT e segurança. Existem também alternativas como o
OpenTwins e o PTC ThingWorx que apresentam vantagens e desvantagens conforme o que é
pretendido em cada projeto.

A Grafana surge como uma escolha popular no que toca à visualização dos dados em forma de
dashboards, devido a ser uma escolha open source, flexível e capaza de se integrar com o
ecossistema Eclipse. Alternativas como o Power BI da Microsoft também são mencionadas, com
as respetivas vantagens e desvantagens.

Quanto às bases de dados, o InfluxDB acaba por se destacar no âmbito deste projeto PESTI,
pela sua capacidade de lidar com grandes volumes de dados em série, sendo uma escolha ideal
para projetos de Digital Twins. As alternativas como Graphite e Prometheus apresentam
também as suas vantagens e desvantagens.

Em resumo, este estudo do estado da arte destaca a importância dos Digital Twins na
transformação digital global em várias empresas e organizações, com ferramentas como Eclipse
Ditto, Grafana e InfluxDB desempenhando papéis essenciais na sua implementação e análise. A
seleção destas ferramentas foi considerada com base nas necessidades específicas do projeto
PESTI, tendo em conta todas as vantagens e desvantagens abordadas ao longo do estudo.

Referências

[1] M. Shafto, M. Rich, D. Glaessgen, C. Kemp, J. Lemoigne, and L. Wang, “DRAFT MoDeling,
SiMulATion, inFoRMATion Technology & PRoceSSing RoADMAP Technology Area 11,” 2010.
Accessed: Dec. 18, 2023. [Online]. Available: https://www.emacromall.com/reference/NASA-
Modeling-Simulation-IT-Processing-Roadmap.pdf

[2] E. Negri, L. Fumagalli, and M. Macchi, “A Review of the Roles of Digital Twin in CPS-based
Production Systems,” Procedia Manufacturing, vol. 11, pp. 939–948, 2017, doi:
https://doi.org/10.1016/j.promfg.2017.07.198.
[3] A. Sharma, E. Kosasih, J. Zhang, A. Brintrup, and A. Calinescu, “Digital Twins: State of the art
theory and practice, challenges, and open research questions,” Journal of Industrial Information
Integration, p. 100383, Aug. 2022, doi: https://doi.org/10.1016/j.jii.2022.100383.

[4] A. Aziz, Olov Schelén, and U. Bodin, “Digital Twin as a Proxy for Industrial Cyber-Physical
Systems,” KTH Publication Database DiVA (KTH Royal Institute of Technology), Jan. 2023, doi:
https://doi.org/10.1145/3585967.3585982

[5] J. Robles, C. Martín, and M. Díaz, “OpenTwins: An open-source framework for the
development of next-gen compositional digital twins,” Computers in Industry, vol. 152, p.
104007, Nov. 2023, doi: https://doi.org/10.1016/j.compind.2023.104007.

[6] P. K. Rajesh, N. Manikandan, C. S. Ramshankar, T. Vishwanathan, and C. Sathishkumar,

“Digital Twin of an Automotive Brake Pad for Predictive Maintenance,” Procedia Computer
Science, vol. 165, pp. 18–24, 2019, doi: https://doi.org/10.1016/j.procs.2020.01.061.

[7] A. Yasin, T. Y. Pang, C.-T. Cheng, and M. Miletic, “A Roadmap to Integrate Digital Twins for
Small and Medium-Sized Enterprises,” Applied Sciences, vol. 11, no. 20, p. 9479, Jan. 2021, doi:
https://doi.org/10.3390/app11209479.

[8] A. Harode, W. Thabet, and P. Dongre, “A tool-based system architecture for a digital twin: a
case study in a healthcare facility,” Journal of Information Technology in Construction, pp. 107–
137, Feb. 2023, doi: https://doi.org/10.36680/j.itcon.2023.006.

[9] A. Sharma, E. Kosasih, J. Zhang, A. Brintrup, and A. Calinescu, “Digital Twins: State of the art
theory and practice, challenges, and open research questions,” Journal of Industrial Information
Integration, p. 100383, Aug. 2022, doi: https://doi.org/10.1016/j.jii.2022.100383.

[10] R. Roy, R. Stark, K. Tracht, S. Takata, and M. Mori, “Continuous maintenance and the future
– Foundations and technological challenges,” CIRP Annals, vol. 65, no. 2, pp. 667–688, Jan.
2016, doi: https://doi.org/10.1016/j.cirp.2016.06.006.

[11] Philips, “The rise of the digital twin: how healthcare can benefit,” Philips, Aug. 30, 2018
https://www.philips.com/a-w/about/news/archive/blogs/innovation-matters/20180830-the-
rise-of-the-digital-twin-how-healthcare-can-benefit.html

[12] Sowmya Gangadhar S, “Real Time Environmental Time Series Data Analysis Using Influx
DB,” Zenodo (CERN European Organization for Nuclear Research), Mar. 2021, doi:
https://doi.org/10.5281/zenodo.4641703.

[13] “Graphite OSS | Time-series data platform,” Grafana Labs.

https://grafana.com/oss/graphite/ (accessed Apr. 01, 2024).