Использование цифровых двойников с искусственным интеллектом для повышения эффективности стратегических решений в умном производстве
DOI:
https://doi.org/10.52171/herald.277Ключевые слова:
цифровой двойник, умное производство, искусственный интеллект, поддержка принятия решений, гибридное моделирование, имитация, промышленная инженерияАннотация
В условиях умного производства процессы принятия решений становятся всё более сложными из-за динамичных изменений, избыточности данных и взаимосвязанности систем. Технология цифровых двойников, позволяющая создавать виртуальные копии физических объектов, становится важным инструментом для преодоления этих вызовов. При дополнении искусственным интеллектом цифровые двойники способны анализировать паттерны данных, прогнозировать поведение систем и поддерживать стратегические решения в реальном времени. В данной статье предлагается гибридная модель, интегрирующая симуляционные цифровые двойники с алгоритмами ИИ для повышения операционной эффективности и точности решений. Концептуальная модель иллюстрируется на примере гипотетической умной фабрики, демонстрируя её потенциал в сокращении времени реакции, оптимизации ресурсов и улучшении адаптивности системы. Полученные результаты служат основой для дальнейших исследований интеллектуальных систем поддержки решений в цифровом производстве.
Библиографические ссылки
1. Boschert, S., Rosen, R. (2016). Digital twin the simulation aspect. In Mechatronic Futures (pp. 59–74). Springer. https://doi.org/10.1007/978-3-319-32156-1_5
2. Gabor, T., Belzner, L., Kiermeier, M., Beckert, B., Schuppert, A. (2016). A simulation-based architecture for smart cyber-physical systems. Simulation Modelling Practice and Theory, 60, 1–16. https://doi.org/10.1016/j.simpat.2015.08.003
3. Grieves, M., Vickers, J. (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. In Transdisciplinary Perspectives on Complex Systems (pp. 85–113). Springer.
4. Herwig, S., Glaessgen, E., Stargel, D. (2020). Deep reinforcement learning for decision-making in manufacturing systems. Journal of Manufacturing Systems, 56, 310–325. https://doi.org/10.1016/j.jmsy.2020.06.002
5. Jones, D., Snider, C., Nassehi, A., Yon, J., Hicks, B. (2020). Characterizing the digital twin: A systematic literature review. CIRP Journal of Manufacturing Science and Technology, 29, 36–52. https://doi.org/10.1016/j.cirpj.2020.02.002
6. Kritzinger, W., Karner, M., Traar, G., Henjes, J., Sihn, W. (2018). Digital twin in manufacturing: A categorical literature review and classification. IFAC-PapersOnLine, 51(11), 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474
7. Lee, J., Bagheri, B., Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.12.001
8. Liu, Y., Zhang, L., Yang, Y., Zhou, L., Ren, L. (2020). Industrial Artificial Intelligence for smart manufacturing: Methodologies and applications. IEEE Transactions on Industrial Informatics, 17(4), 2964–2975. https://doi.org/10.1109/TII.2020.3013937
9. Liu, Y., Zhang, L., Yang, Y., Zhou, L., Ren, L. (2022) Deep reinforcement learning-based real-time scheduling in smart manufacturing. Computers & Industrial Engineering, 167, 107991. https://doi.org/10.1016/j.cie.2022.107991
10. Lu, Y., Liu, C., Wang, K. I. K., Huang, H., Xu, X. (2020). Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing, 61, 101837.
https://doi.org/10.1016/j.rcim.2019.101837
11. Madni, A.M., Madni, C.C., Lucero, S.D. (2019). Leveraging digital twin technology in model-based systems engineering. Systems, 7(1), 7.
https://doi.org/10.3390/systems7010007
12. Moyne, J., Qamsane, Y., Balta, E., Kovalenko, I., Faruque, A. (2020). A requirements-driven digital twin framework: Specification and case study. Applied Sciences, 10(18), 6486. https://doi.org/10.3390/app10186486
13. Opresnik, D., Taisch, M. (2015). The value of big data in servitization. International Journal of Production Economics, 165, 174–184 https://doi.org/10.1016/j.ijpe.2014.12.036
14. Qi, Q., Tao, F., Hu, T., & Anwer, N. (2021). Enabling technologies and tools for digital twin. Journal of Manufacturing Systems, 58, 3–21.
https://doi.org/10.1016/j.jmsy.2020.06.017
15. Srai, J. S., Lorentz, H. (2019). Developing resilient supply networks: A digital twin approach. International Journal of Operations & Production Management, 39(1), 109–138. https://doi.org/10.1108/IJOPM-03-2017-0196
16. Tao, F., Sui, F., Liu, A., Qi, Q., Zhang, M. (2019). Digital twin-driven product design framework. International Journal of Production Research, 57(12), 3935–3953. https://doi.org/10.1080/00207543.2018.1443229
17. Uhlemann, T. H.-J., Lehmann, C., Steinhilper, R. (2017). The digital twin: Realizing the cyber-physical production system for Industry 4.0. Procedia CIRP, 61, 335–340. https://doi.org/10.1016/j.procir.2016.11.152
18. Zhang, H., Zhang, G., Lai, K.-K., Wang, S. (2021). Multi-objective decision support for energy-efficient flexible manufacturing using a digital twin. Journal of Cleaner Production, 283, 124633. https://doi.org/10.1016/j.jclepro.2020.124633
19. Zhang, Y., Tao, F. (2019). Optimization methods for decision-making systems in smart manufacturing: A review. Complex & Intelligent Systems, 5, 263–280. https://doi.org/10.1007/s40747-018-0092-3
20. Məmmədova, A.M., Zhilkişbaeva G.S., Məmmədova A.N. (2025). Süni İntellekt (AI) və əşyaların internetinin (IoT) inteqrasiyası. Azərbaycan Mühəndislik Akademiyasının Xəbərləri 17 (4): 87-93. https://doi.org/10.52171/herald.332
21. Hajiyev Y.M., Dadashov F.H. (2025). Artificial Intelligence and Digital Twin in Airport Operations. Scientific Journal. Vol. 27, №3, pp. 69-77. 10.30546/EMNAA.2025.25.03.115
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Elvin Nasirov
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
