物流中的数字孪生体和人工智能

从简单的共存到智能的供应链生态系统

在数字孪生体与人工智能相结合的帮助下，可以出现一种用于整个物流供应链网络的智能模型。这里我们介绍一下数字孪生体在物流中的可能应用，以及为什么数字孪生体有可能解锁人工智能的高级可能性。

数字孪生体正在进入越来越多的行业，并与人工智能（AI）一起发挥其潜力。然而，它们尚未在物流行业中广泛使用——尽管许多最重要的基本技术已经可用。例如，传感器被用于跟踪货物，物流部门越来越依赖开放的API策略和迁移到云端。

物流公司正在应用机器学习和高级分析技术，以优化其供应链，并从历史运输和运营数据中获得新的见解。物流专家还在为仓库拣选和车辆装载等任务实施增强、混合和虚拟现实应用程序。总而言之，这是在物流领域创建数字孪生体的理想数据基础。但是，数字孪生体在物流领域提供了哪些具体的应用可能性呢？

用于包装和容器的数字孪生体

通过物流网络运输的大多数产品都是以某种形式进行包装的。该行业使用大量的一次性包装以及专用或通用可重复使用的容器。包装和容器的开发、监控和管理给物流行业带来了许多挑战。一方面，由于电子商务的持续增长，可以观察到对包装和容器的需求不断增加。另一方面，存在季节性波动和包装的整体多样性。这会导致大量浪费，并由于批量利用率低而降低运营效率。

通过将材料数字孪生与计算机视觉技术结合使用，可以快速创建容器的详细模型，并且可以自动检测潜在的问题，例如凹痕和裂缝。此信息可以与有关容器移动的历史数据相结合，以创建数字孪生，从而影响有关何时使用、修复或停用特定容器的决策。此外，将这些数据汇总到整个集装箱群中可以帮助船东就船队的规模和分布做出最佳决策，并确定可能表明潜在问题（如集装箱故障）的趋势。数字孪生体还可用于开发更坚固、更轻便、更环保的包装材料，并帮助更有效地管理集装箱船队。

出货量的数字化双胞胎

将容器的内容包含在其数字孪生中是下一个合乎逻辑的步骤。运送敏感的高价值产品（如药品或电子元件）已经是常见的做法，这些产品带有监控温度、冲击和振动等参数的传感器。货物的数字孪生体将作为这些传感器采集数据的一种"存储库"，并有可能以新的方式使用这些数据。例如，包含包装的隔热和减震特性的模型可以允许从外部传感器采集的数据推断容器内的条件。

结合产品和包装数据可以帮助公司通过优化包装选择和容器包装策略的自动化来提高效率，以最大限度地减少空旷的空间和货物的污染。

仓库和调度中心的数字孪生

数字孪生体的另一个令人兴奋的应用领域出现在仓库和调度中心的设计、运营和优化中。仓库数字孪生体通过将设施的3D模型与物联网数据以及库存和运营数据（例如物品的大小，数量和需求特征）相结合，可以支持新设施的设计和布局，以便通过模拟产品，人员和材料的移动来优化空间利用率。

数字孪生体还可以在仓库运营期间使用来自自动化技术的数据进行更新，例如基于无人机的库存盘点系统，无人驾驶运输系统，甚至自动存储和检索设备。然后，这些数字孪生体可用于进一步优化这些自动化系统的性能。

总而言之，数字孪生体可用于通过识别综合数据（从库存、设备和人员的移动到识别和消除仓库运营中的浪费（例如拣选错误））来持续提高仓库和调度中心的绩效。在实时操作中进行更改之前，可以使用仿真来测试和评估更改布局和流程或引入新设备的潜在影响。

特别是在预计数量和库存组合会快速变化的领域（例如，在电子商务行业中），数字孪生可以通过动态优化流程（从存储位置和人员配备到设备分配）提供支持。

数字孪生和人工智能

数字孪生体的真正繁荣来自人工智能及其预测能力。过去，以数字方式创建空间模型令人兴奋，但只不过是静态可视化对象的一种方式。今天，我们从传感器、历史性能和行为输入中获得的所有数据都可以链接到空间模型，并通过改变不同的输入来预测未来的行为。事实上，数据和预测功能使空间模型栩栩如生。

数字孪生的第一个优点是能够生成模拟数据。虚拟环境可以承受无限数量的重复和场景。然后，生成的模拟数据可用于训练AI模型（例如，作为AI开发平台的一部分）。通过这种方式，可以向AI系统教授潜在的现实世界条件，否则这些条件可能很少见或仍处于测试阶段。

 

第二个优点是可以计划和测试新功能。数字孪生体应该描绘现实——但它也可以提供对未来的一瞥。是否应该对新的仓库和调度中心进行投资？还是正在考虑机器学习来增强新的数据操作？这样做的最大好处是：您可以虚拟创建未来的世界并测试各种场景。测试可以根据需要进行优化和多次运行，以找到最佳解决方案。

最后，将机器学习添加到工业过程中，将通过获得更准确的数据和预测以及理解可视化和非结构化数据，使过程更加智能。将机器学习集成到工作流程中不仅为发现数据中以前看不见的模式提供了机会，而且还为优化流程创造了新的可能性。

数字孪生体开启 AI 的高级可能性

如今，大多数机器学习都是监督学习——模型从标记的示例中学习。还有其他形式的学习，可以在数据中找到不可预见的模式。其中之一被称为强化学习，即无监督模型在给定（模拟）环境中采取行动时从奖励中学习。

然而，在大多数广为人知的强化学习案例中，这些条件在现实世界中是不可能的。即使是最先进的强化学习模型也需要大量经验才能变得有效。举个例子：OpenAI Five神经网络需要180年的有效训练时间。

到目前为止，许多现代强化学习只在游戏中起作用，因为在现实生活中不可能有重复的数量。在数字孪生环境中，您可以在不不断中断系统的情况下重复场景或进行测试，以便强化学习代理可以找到获得奖励的新方法。在实践中，这一程序可以得到很好的确立。例如，作为一种优化物流网络的方法，从而在性能方面远远超过传统的优化算法。

智能供应链生态系统

仓储和调度中心仅占整个物流基础设施的一小部分。货物从源头到目的地的流动取决于各种元素的编排，包括船舶，卡车、火车和飞机，订单和信息系统，最重要的是人。这种复杂的多方利益相关者环境可以在货运机场和集装箱港口等主要全球物流枢纽得到最清晰的分析。在这些设施中，不完善的信息共享系统目前加剧了高效运营的挑战，其中许多参与者依赖于容易出错的离线流程。

在数字孪生体与人工智能相结合的帮助下，可能会出现整个供应链网络的智能模型，以及所有合作伙伴同时提供信息，以提高其供应链的透明度。这样做的基础是使用所有内部和外部数据来控制供应链，以及访问非结构化的外部数据（例如，来自物联网和社交媒体应用程序以及客户数据）。

 

实现这一目标的一个重要先决条件是来自不同生态系统的数字孪生体之间的通信和信息交换的标准化，例如，微软正在尝试使用数字孪生定义语言（DTDL），这是一种基于JSON-LD的语言。

总之，数字孪生体和人工智能将在未来优化物流网络方面发挥决定性的竞争优势。