[논문 리뷰] A Comprehensive Review of Digital Twin -- Part 1: Modeling and Twinning Enabling Technologies

Adam Thelen, Xiaoge Zhang외 8명|arXiv (Cornell University)|2022. 08. 26.

Digital Transformation in Industry인용 수 15

한 줄 요약

이 논문은 디지털 트윈 모델링 및 enabling 기술에 대한 종합적인 리뷰를 제시하며, 물리적 시스템에서 가상 모델로의 데이터 흐름과 그 반대 방향으로 나누어 분류한다. 물리 기반 모델링, 데이터 기반 방법, 확률적 추론, 기계 학습 분야의 최신 기법을 통합 분석하였으며, 주요 기여로는 통합된 분류 프레임워크와 산업 4.0 응용 분야에서의 디지털 트윈 개발 향한 향후 연구 방향성에 대한 통찰을 제공한다.

ABSTRACT

As an emerging technology in the era of Industry 4.0, digital twin is gaining unprecedented attention because of its promise to further optimize process design, quality control, health monitoring, decision and policy making, and more, by comprehensively modeling the physical world as a group of interconnected digital models. In a two-part series of papers, we examine the fundamental role of different modeling techniques, twinning enabling technologies, and uncertainty quantification and optimization methods commonly used in digital twins. This first paper presents a thorough literature review of digital twin trends across many disciplines currently pursuing this area of research. Then, digital twin modeling and twinning enabling technologies are further analyzed by classifying them into two main categories: physical-to-virtual, and virtual-to-physical, based on the direction in which data flows. Finally, this paper provides perspectives on the trajectory of digital twin technology over the next decade, and introduces a few emerging areas of research which will likely be of great use in future digital twin research. In part two of this review, the role of uncertainty quantification and optimization are discussed, a battery digital twin is demonstrated, and more perspectives on the future of digital twin are shared.

연구 동기 및 목표

• 다양한 분야에서 디지털 트윈 모델링 및 트윈링을 위한 enabling 기술을 체계적으로 검토하고 분류하는 것.
• 물리적 시스템에서 가상 모델로, 그리고 그 반대로의 데이터 흐름 방향이 디지털 트윈 아키텍처에 미치는 영향을 분석하는 것.
• 물리 기반, 데이터 기반, 물리 기반 기계 학습 방법을 포함한 핵심 모델링 기법을 식별하고 통합하는 것.
• 미래 연구를 위한 기초를 마련하기 위해 디지털 트윈 개발 분야에서의 새로운 추세와 해결되지 않은 과제를 제시하는 것.
• 불확실성 정량화, 최적화, 실시간 의사결정 기반 통합을 위한 기반 프레임워크를 설정하는 것.

제안 방법

• 데이터 흐름 기반으로 디지털 트윈 기술을 두 가지 주요 범주로 분류: 물리적 시스템 → 가상 모델(센서 데이터 → 디지털 모델), 가상 모델 → 물리적 시스템(제어 명령 → 물리적 시스템).
• 미분 방정식, 유한 요소 방법, 시스템 동역학 기반의 물리 기반 모델링 기법을 검토하여 정확한 디지털 표현을 구현한다.
• 기계 학습, 딥 러닝, 서rogate 모델과 같은 데이터 기반 모델을 분석하여 효율적인 추론과 실시간 적응성을 확보한다.
• 베이지안 네트워크와 동적 베이지안 네트워크(DBNs)를 활용한 확률적 모델링을 통합하여 불확실성 표현 및 순차적 추론을 가능하게 한다.
• 비선형 및 비정규 분포 시스템에서 상태 추정을 위해 서rogate 모델과 함께 입자 필터를 적용하여 효율적인 베이지안 추론을 수행한다.
• 우도 함수와 사후 표본 추출을 이용한 모델 업데이트 프레임워크를 제안하여 실시간 디지털 트윈 상태 정밀 조정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 디지털 트윈 시스템에서 주로 사용되는 모델링 기법은 무엇이며, 데이터 흐름 및 응용 맥락에 따라 어떻게 다릅니까?
• RQ2 물리 기반 모델과 데이터 기반 모델을 물리 기반 기계 학습을 통해 효과적으로 융합하면 디지털 트윈의 정밀도가 어떻게 향상될 수 있습니까?
• RQ3 확률적 모델과 베이지안 추론은 디지털 트윈 상태 추정에서 불확실성을 어떻게 관리합니까?
• RQ4 연합 학습, 도메인 적응, 딥 강화 학습과 같은 enabling 기술은 디지털 트윈의 확장성과 적응성에 어떻게 기여합니까?
• RQ5 산업 4.0 및 실시간 의사결정 시스템 맥락에서 디지털 트윈 기술의 주요 과제와 향후 연구 방향은 무엇입니까?

주요 결과

• 논문은 데이터 흐름 방향에 기반한 이원 분류 프레임워크(물리적 시스템 → 가상 모델, 가상 모델 → 물리적 시스템)를 수립하여 디지털 트윈 기술의 체계적 정리에 기여한다.
• 특히 미분 방정식과 유한 요소 방법을 활용한 물리 기반 모델은 높은 정밀도를 제공하지만, 상당한 계산 자원이 필요하다.
• 기계 학습 및 서rogate 모델과 같은 데이터 기반 모델은 계산 효율성과 적응성 면에서 유리하며, 물리 기반 제약 조건과 융합될 경우 더욱 효과적이다.
• 입자 필터와 함께 사용되는 동적 베이지안 네트워크(DBNs)는 비선형 및 비정규 분포 시스템에서 불확실성 하에 강력한 실시간 상태 추정을 가능하게 한다.
• 확률적 추론과 서rogate 모델의 통합은 유사한 가능성 평가의 스케일러블하고 효율적인 수행을 가능하게 하며, 복잡한 디지털 트윈에서 대규모 입자 필터링을 지원한다.
• 사례 연구에서는 오픈소스 소프트웨어와 사전 처리된 데이터 세트가 GitHub에 제공되어 있어 재현성과 공동 연구 기반의 디지털 트윈 연구 발전을 가능하게 한다.