Amazon Web Services ブログ

AWS のデジタルツイン：L2 の有益なデジタルツインで「状態」を理解する

このブログは、Adam Rasheed、Seibou Gounteni、David Sauerwein によって書かれた Digital Twins on AWS: Understanding “state” with L2 Informative Digital Twins を翻訳したものです。
以前のブログでは、お客様がアプリケーションでデジタルツインをどのように使用しているかといった、デジタルツインの定義やフレームワークについて説明しました。デジタルツインは、「物理システムの実際の構造、状態、および動作を模倣してビジネスの成果を促進するために、データで動的に更新される個々の物理システムの生きたデジタル表現」と定義しました。さらに、お客様が求めているビジネス価値を達成するために必要なユースケースとテクノロジーを理解するのに役立つ、下の図に示す 4 レベルのデジタルツインレベリングインデックスについて説明しました。
このブログでは、電気自動車（EV）の例を見て、L2 Informative レベルが物理システムの状態をどのように説明するかを説明します。ユースケースの例を通じて、L2 Informative デジタルツインソリューションを作成およびサポートするために必要なデータ、モデル、テクノロジー、AWS サービス、およびビジネスプロセスについて学習します。以前のブログでは、 L1 Descriptive レベルについて説明しましたが、今後のブログでは、同じ EV の例を続けて、 L3 Predictive および L4 Living デジタルツインを示します。
L2 Informative デジタルツイン
L2 デジタルツインは、物理システムからのデータストリームに接続することにより、物理システムの状態を記述することに重点を置いています(直接または中間データストレージシステムを介して）。そのため、ユーザーは、システムで現在何が起こっているかを視覚化できます。視覚化は、適切にレイアウトされたダッシュボードの形式や、完全な 3D 没入型環境での体験にすることが可能です。ダッシュボードの監視は、発電所や工場などの複雑な施設の IoT の世界では非常に一般的であり、アラームをトリガーするための簡単な分析を含めることができます。産業界では、統一されたインターフェース上で、設定、管理履歴そして、今後の仕事の順序を見せるために、エンタープライズ・アセット管理(EAM) または、エンタープライズ・リソース・プランニング (ERP) と統合された IoT および アセット管理のドメインです。発電所などの高額の施設では一般的ですが、お客様は、車両などの日常の使用において、低価格の機器で同様のレベルの監視を望んでいます。低コストのセンサーとワイヤレス接続の進歩により、これは費用対効果の高い機会となっています。L2 Informative デジタルツインを説明するために、 L1 Descriptive デジタルツインブログの電気自動車（EV）の例を、3 つのユースケースに焦点をあてて、1. シンプルなアラームで1台の車両をリアルタイムで監視、2. 車両群のリアルタイム監視、3. 長期間にわたるバッテリー劣化の監視にと続けて説明します。
1. 単一車両のリアルタイム監視
EV をリアルタイムで監視するために、 AWS IoT TwinMaker サービスを使用して、車両の 3D 表現に、車両からリアルタイムでストリーミングされたデータを紐付けました。このビューは、たとえば、10 代の若者が夜遅く帰宅するのを待って心配している親が、安全に帰宅するのに十分なバッテリー充電があることを確認するために使用できます。車両のバッテリー充電量が事前設定されたしきい値を下回ると、アラームがトリガーされ通知されます。この例では、 L1 Descriptive ブログで説明されている Maplesoft EV model を使用して合成テレメトリデータセットを生成しました。ただし、実際の実装では、実際の運転車両からデータがストリーミングされます。
以下の例では、 AWS IoT TwinMaker を使用して Grafana で作成されたダッシュボードのスクリーンショットを示しています。このソリューションは、2 つの異なるデータソースをまとめます。一つは、AWS IoT SiteWise からの合成テレメトリデータで、もう一つは、 Amazon Timestream からのメンテナンス履歴情報とスケジュールされたメンテナンスです。 保護者の方は、10 代の若者が夜間に立ち往生する可能性があることを懸念しているため、バッテリーの充電状態（SoC）が 25 ％ を下回ったときにトリガーされるアラームも設定しました。SoC は、新しい完全に充電されたバッテリーのエネルギー量（アンペア時）と比較した、バッテリーに残っているエネルギー量（アンペア時）の比率です。トリガーされたアラームは下の画像に示されています。注として、実際の EV の場合、長期的なバッテリーの状態を維持するために、バッテリーの充電を 20％ から 90％ の間に保つことをお勧めします。また、ほとんどの車両ソフトウェアは、90％ を超える容量の充電を防止します（インジケーターがバッテリーが完全に充電されていることを示している場合でも）。 ソリューションの実装アーキテクチャを以下に示します。実際の電気自動車のデータストリームを表す合成データは、 AWS Lambda 関数を使用して読み込まれます。 AWS IoT SiteWise を使用して、車両速度、液面レベル、バッテリー温度、タイヤ圧、シートベルトとトランスミッションの状態、バッテリーの充電、および追加のパラメーターを含む車両データが収集および保存されます。過去のメンテナンスデータと今後のスケジュールされたメンテナンスアクティビティは AWS IoT Core で生成され、 Amazon Timestream に保存されます。 AWS IoT TwinMaker は、複数のデータソースからのデータにアクセスするために使用されます。AWS IoT SiteWise に保存されている時系列データには、組み込みの AWS IoT SiteWise コネクタを介してアクセスし、メンテナンスデータには Timestream のカスタムデータコネクタを介してアクセスします。AWS IoT TwinMaker 内では、EV は、個々のパーツの物理的なアセンブリに対応するエンティティの階層によって表されるブレーキシステムなどのサブシステムを持つエンティティとして表されます。AWS IoT TwinMaker コンポーネントは、データ要素を階層内の各エンティティに関連付けるために使用されます。AWS IoT TwinMaker の 組み込みのアラーム機能は、バッテリー充電データコンポーネントに対して 25 ％のしきい値を設定するために使用されます。視覚化は Amazon Managed Grafana と 組み込みのプラグインを介して AWS IoT TwinMaker とインターフェースを使用して構築されます。 2. フリートのリアルタイム監視EV の例を、単一の車両の監視から車両群の管理に拡張することは、商業利用における一般的なユースケースです。各車両が異なるルートを運転している 5 台の車両のフリートを調べます。ここでの使用例は、フリートオペレーターがバッテリー SoC を理解し、非常に大雑把な計算を使用して車両がルートを完了することができるかどうかを推定するためのものです。または、この例では、車両のバッテリーの SoC が 20％ を下回ってはならず、各車両が平均 0.23％ / km の速度で放電していると想定されています。航続距離は、次のように計算されます。 計算された航続距離が残りの距離を下回っている場合、アラームがトリガーされ、下に作成された Grafana ダッシュボードに示すように、車両に赤い色のフラグが付けられます。この例では、L2 Informative デジタルツイン IoT システムに組み込むことができる非常に大雑把な方程式を使用していることに注意してください。シンプルであるという利点がありますが、精度が大幅に低下します。L3 デジタルツインに焦点を当てた次のブログでは、残りの範囲を計算するための仮想センサーとして、はるかに正確な予測モデルの使用を示します。

次のアーキテクチャ図に示すように、このソリューションは AWS IoT FleetWise、AWS Timestream、および AWS IoT TwinMaker を使用して作成されました。ルート情報、残り距離、バッテリー充電などの電気自動車のフリートを表す合成データは、EC2 インスタンスにインストールされた Edge エージェントによって AWS IoT FleetWise に取り込まれ、Amazon TimeStreams に保存されます。AWS Timestream に保存されている時系列データには、AWS IoT TwinMaker のカスタムコネクタを介してアクセスします。視覚化は Amazon Managed Grafana を使用して構築され、組み込みのプラグインを介して AWS IoT TwinMaker と接続します。

3. フリートのバッテリー劣化監視

EV の例を別の一般的な使用例に拡張しました。これは、都市の配送サービスで使用されるバンのフリートなど、車両のフリートのバッテリーの劣化を経時的に監視するものです。数年の間に、フリート内の各車両は、バッテリーの充電と放電のサイクルだけでなく、非常に異なるドライブプロファイルを経験します。その結果、各車両のバッテリー劣化は異なります。ここでの使用例は、フリートオペレーターが特定の車両のバッテリーの状態を理解するためのものです。この場合、オペレーターは、車両の運転中のリアルタイムのバッテリー放電を監視するのではなく、完全に充電できるかどうか(新しいバッテリーと比較して)に応じてバッテリーの状態を監視することに関心があります。この情報を知っていると、オペレーターは車両を適切なルートに割り当てて、各車両が翌日の次のルーティング需要を満たすことができるようになります。このメトリックは通常、状態（SoH）と呼ばれ、それを計算する 1 つの方法は、新しいバッテリーの最大充電のパーセンテージとしてです。たとえば、（100 kWhrまで充電できる新しいバッテリーと比較して）94 kWhr までしか充電できない劣化したバッテリーの SoH は 94％ になります。今日の業界では、SoH が 80％ を下回ると、EV バッテリーパックは一般に EV アプリケーションの寿命が尽きたと見なされます。下のダッシュボードでは、車両 3 の SoH が 80％ を下回り、車両のバッテリーが有効な寿命に達したことを示すアラームがトリガーされていることがわかります。このダッシュボードは、同じ以前のソリューションアーキテクチャを使用して生成されましたが、今回は、表示されているパラメーターの 1 つとして Battery SoH を追加しています。

車両 3 の場合、バッテリーの状態が 80％ の寿命のしきい値を下回っています。過去のデータを見て、車両の老朽化に伴うバッテリー寿命のさまざまな時点でのバッテリー放電曲線（SoC 対時間など）をプロットしました。1 番目の線（紺色）は、100％ SoH の新しいバッテリーに対応しています。2 番目の線は、バッテリーが 89％ の SoH での耐用年数のほぼ半分であったときに対応し、3 番目の線は、78％ SoH でバッテリーを使用して走行する最新のルートに対応します。線は、車両が古くなるにつれて達成可能な最大充電量が低くなるバッテリー劣化の特性を示しています。各線の下の領域はバッテリーの総容量を表しており、バッテリーが古くなるにつれてバッテリーの総容量が減少していることもわかります。さらに詳しく説明すると、右のグラフは、中央のグラフに示されているのと同じルートの電圧対時間の放電曲線を示しています。車両が劣化すると、バッテリーは一定時間電圧を維持できますが、バッテリーが劣化すると、電圧の急激な低下（バッテリーが完全に放電されていることを表す）がますます早く発生します。それは、ルートの途中で車両が立ち往生する可能性があります。この例は、車両からのセンサーデータに基づいて発生するバッテリー劣化の監視のみを示していることに注意してください。L4 Living デジタルツインにフォーカスした今後のブログでは、更新可能なモデルを使用してバッテリーの劣化を予測する方法を示します。

まとめ

このブログでは、単一の車両のリアルタイムモニタリング、車両群のリアルタイムモニタリング、および EV の数か月にわたるバッテリー劣化のモニタリングのユースケースの手順を説明することにより、L2 Desctiptive レベルについて説明しました。
以前のブログでは L1 Descriptive レベルについて説明しましたが、今後のブログでは、EV の例を拡張して L3 Predictive および L4 Living デジタルツインをデモンストレーションします。AWSでは、4 つのデジタルツインレベルすべてでデジタルツインジャーニーに出るお客様と協力できることをうれしく思います。また、ウェブサイトに掲載している新しい AWS IoT TwinMaker サービスについて詳しく知ることをお勧めします。

著者について

Adam Rasheed 博士は、AWS の自律コンピューティングの責任者であり、自律システムの HPC-ML ワークフローの新しい市場を開発しています。彼は、航空、エネルギー、石油およびガス、再生可能エネルギー業界でのデジタルツインの開発を含む、産業分野とデジタル分野の両方にまたがる中期ステージの開発で 25 年以上の経験があります。Rasheed 博士はカリフォルニア工科大学で博士号を取得しました。そこでは、実験的な超高速大気熱力学（軌道再突入加熱）を研究しました。MIT Technology Review Magazine によって「世界のトップ 35 イノベーター」の 1 人として認められ、航空学における初期のキャリア貢献に対して業界賞である AIAA ローレンススペリー賞も受賞しました。彼は、産業分析、運用最適化、人工リフト、パルスデトネーション、超音波、衝撃波誘起混合、宇宙医学、およびイノベーションに関連する 32 以上の特許と 125 以上の技術出版物を発行しています。
Seibou Gounteni は、Amazon Web Services（AWS）の IoT のスペシャリストソリューションアーキテクトです。彼は、お客様が AWS プラットフォーム機能の深さと幅を使用してスケーラブルで非常に革新的なソリューションを設計、開発、運用し、測定可能なビジネス成果を提供するのを支援します。Seibou は、デジタルプラットフォーム、スマート製造、エネルギー管理、産業自動化、さまざまな業界の IT/OT システムで 10 年以上の経験を持つ計装エンジニアです。
David Sauerwein 博士は、AWS Professional Services のデータサイエンティストであり、お客様が AWS クラウドで AI/ML ジャーニーに出られるようにしています。デビッドは、予測、デジタルツイン、量子計算に焦点を当てています。彼は量子情報理論の博士号を取得しています。

この記事はソリューションアーキテクトの戸塚智哉が翻訳しました。