運用最適化の鍵：デジタルツイン構築のベストプラクティス

製造業や産業オペレーションの現場では、効率の向上、機器の故障予測、本番運用をリアルタイムで最適化する目的で、多くの組織が デジタル Twins を導入しています。

この新しい デジタル Twin Solution Accelerator は、AI とリアルタイム アナリティクスを使用してこれらのシステムを構築、可視化、分析するためのエンドツーエンドのフレームワークを提供し、チームがダウンタイムを削減し、製品の品質を向上させ、よりスマートな意思決定を促進するのに役立ちます。Lakeflow Connect の一部である Zerobus Ingest （イベントデータをレイクハウスに直接プッシュするマネージドサービス）を使用すると、Databricksでスケーラブルな独自のデジタルツインソリューションを大規模にデプロイできます。

デジタルツインとは？

私たちの実装では、デジタルツインは2つの重要な要素を組み合わせています。

1. 物理的な資産、システム、またはプロセスの仮想的な表現
2. センサーやその他のソースからのリアルタイムなコンテキスト データ

このライブデジタルレプリカを使用すると、システム自体に変更を加えることなく、物理的な機器や抽象的なプロセスをリアルタイムで監視し、変更のシミュレーションと検証を行い、高度な予知保全を実行できます。

製造業の文脈において、デジタルツインはインダストリー4.0革命を推進する中心的な役割を担っています。IoT、AI、リアルタイム分析を統合することで、ダウンタイムの削減と生産性の向上だけでなく、継続的な安全性も実現します。

これらのコンセプトは、組織のダイナミクスをモデル化したり、意思決定を促進するプロセスを理解したりするなど、他の分野でも大きな可能性を秘めています。このブログでは、デジタルツインの製造業への応用に焦点を当てます。

シナリオ例: ボールベアリングの製造

このシナリオ例は、簡略化されたボールベアリングの製造プロセスです。 

ボールベアリングは、2つのリング（外輪と内輪）の間に配置されたスチールまたはセラミックのボールを使用して、可動部品間の摩擦を最小限に抑える機械部品です。これらはエンジン、モーター、産業機械の効率的な運用に不可欠であり、私たちが日常的に使用する多くのテクノロジーの基礎となっています。

製造プロセス（動画をご覧ください）は、内輪と外輪の成形と熱処理から開始し、強度と精度を高めるための成形と研磨、そして等間隔を維持する保持器との組み立てへと進みます。機械加工、熱処理、組み立ての各段階は、厳しい品質基準を満たすため、精密に調整された機器と継続的なモニタリングに支えられています。

ボールベアリングの製造のような大量生産・低収益の業界では、機械のパフォーマンスを継続的に最適化し、メンテナンスの必要性を予測し、一貫した品質を確保することが不可欠です。複数のマシンや本番運用ラインからのリアルタイムセンサーデータを活用するデジタル Twins は、これらの目標を達成するための重要な鍵となります。

このデジタルツインは、これらすべてのステップの詳細を、構造化されつつも柔軟な方法でキャプチャします。

エンドツーエンドの Databricks ソリューション

デジタル Twin には、2 つの主要コンポーネントがあります:

1. システム内のエンティティとそれらの相互関係を規定するツインモデル
2. エンティティに関連するリアルタイムデータ (センサーデータや 機械学習 モデルからの関連する予測など) を追加してモデルにデータを取り込む ツイングラフ

ツインモデルは、知識グラフとオントロジーを定義するためのオープンで広く採用されている標準であるRDFを使用して作成されます。システムのさまざまな部分間の関係や依存関係を記述するために拡張できる、一連の組み込み述語を提供しています。ツインモデルの各エンティティは、エンティティを一意に識別してツイングラフのテレメトリデータに接続する、名前空間を持つ識別子である IRI を持ちます。
 

デジタル Twins ソリューション アクセラレーター

このソリューション アクセラレータは特定の製造シナリオに焦点を当てていますが、私たちのアプローチは柔軟で、ほぼあらゆる種類のシステムをモデル化できます。主要な構成要素を以下の図に示します。

1. データの取り込み
2. データマッピング
3. データサービング
4. デジタルツイン アプリ

デジタルツイン ソリューション アクセラレータのアーキテクチャ図

以降のセクションでは、これらのステップについて詳しく説明します。

ステップ 1: データ取り込み

ツイングラフにリアルタイムデータを取り込むには、まず Zerobus Ingest を介してデータを取り込みます。これは Kafka のようなシングルシンクのメッセージバスを使わずに、イベントデータをlakehouseに直接プッシュする革新的なアプローチです。Zerobus Ingest は、低レイテンシで高 throughput の直接書き込みを実現します。あらゆる規模のレコード単位のデータ取り込みに対応し、serverless環境で動作します。

これにより、接続されたハードウェアに移行する前に、効率的でスケーラブルな製造データのフローを確保し、実験、堅牢なアナリティクス、本番業務へのデプロイをサポートできます。

このシナリオでは、本番運用ラインのセンサーからのデータ取り込みをシミュレートするために、テレメトリデータが継続的に生成されます。その後、生データはZerobus Ingestを使用して、lakehouseにDelta形式のテーブルとして保存されます。

ステップ2：データマッピング

生のセンサーデータをブロンズレイヤーに格納した後も、ツイングラフで使用できるようになるまでに完了すべきタスクが 2 つあります。

まず、計測値がツインモデルで表すエンティティの IRI でラベリングされるようにする必要があります。この例では、マシン識別子を使用し、名前空間を追加して IRI を形成しますが、ツインモデルの IRI と整合性がとれていれば、どのオプションも有効です。

次に、表形式データの列またはネストされたデータのキーを、RDF で使用される普遍的なトリプル構造に変換する必要があります。RDF の詳細な説明はこのブログの範囲を超えてしまうため、ご興味のある方は公式入門ガイドで包括的な説明をご覧ください。この場合、結果は、エンティティの IRI (サブジェクト)、参照先の列 (プレディケート)、実際の値 (オブジェクト) の 3 つのコンポーネントで構成されます。

これら両方のタスクには、 R2RML 標準で採用されているアプローチに倣い、Spark でマッピングプロセスを記述するためのシンプルな DSL である spark-r2r ライブラリを使用できます。Spark のリアルタイムモードにより、Lakeflow Spark宣言型パイプライン を活用したパイプラインが実現し、大量のデータを低レイテンシかつコスト効率よく処理できるようになります。

行ベースのフォーマットからTimestamp付きの RDF トリプルへのマッピング。注: 結果として得られるトリプルは、ソーステーブルの構造に依存しない一貫した構造です。

重要な点として、測定が行われた時点に基づいて、すべてのトリプルにtimestampを追加します。これにより、特定の時点におけるシステムの状態を表示でき、時間の経過に伴うシステムの状態を調べる、さまざまな分析が可能になります。

ステップ 3: データの同期

デジタルツイングラフのセンサーデータに低レイテンシでアクセスするために、Lakebase の Synced Table 機能を使用します。Lakebase は Databricks Platform の一部であるフルマネージドの Postgres OLTP エンジンで、lakehouseとシームレスに統合されるように設計されています。Synced Tables を使用すると、読み取り専用の Postgres のコピーが、Unity Catalog の Delta Lake テーブルにある最新データと自動的に同期されます。このフローは一般的にReverse ETLと呼ばれ、キュレートされたlakehouseのデータを実用的なものにし、アプリ、ダッシュボード、その他のシステムで利用できるようにするプロセスです。

データがLakebaseに保存されると、アプリケーションはライブセンサーの測定値に対して低レイテンシーのクエリーを実行でき、過去のバージョンはアナリティクスや監査のためにDelta Lake形式のTimestamp付きレコードとして保存され続けます。

Lakebase と Delta Lake 形式を組み合わせることで、複雑な ETL やデータベースの重複管理といった手間をかけずに、リアルタイムのパフォーマンスとコスト効率の高い履歴管理を実現できます。

ステップ4：デジタルツインアプリ

日々の業務でデジタルツインにアクセスできるように、Databricks Appsを使用して、デジタルツインモデルのシームレスなエンドツーエンドでの作成、可視化、分析を可能にするアプリケーションを構築しました。アプリのバックエンドはPythonで開発され、フロントエンドはReact.jsを使用して実装されています。Databricks Appsのserverlessデプロイ機能のおかげで、立ち上げプロセスは簡単でした。ワークフローはモデルの定義から始まり、続いてその状態を可視化し、高度なクエリーを実行してシステム全体の障害伝搬を特定します。

RDFによるデジタルツインモデルの作成

このアプリには、RDFモデルを簡単に構築・編集できるビジュアルRDFモデルエディタが含まれています。モデルは保存、取得、管理が可能で、複数のデジタルツインをサポートします。

デジタルツイン アプリケーション: RDF

デジタルツインの可視化

専用のデジタル Twin Visualizer を使用すると、ユーザーはデジタルツインが表すシステムを探索できます。さまざまな時点での組み立てラインの状態を検査して、問題を特定したり、障害がどのように伝播するかを分析したりできます。

デジタルツインアプリケーション：外輪本番運用ライン

分析とクエリー

さらに、ユーザーは強力な SPARQL 言語（知識グラフ クエリーのオープンスタンダード）を使用して、ツイン グラフにクエリーを実行することもできます。これにより UI でのアドホック分析が可能になるだけでなく、シミュレーションなどの分析を行うためにツイングラフを使用したい他のツールからも、データにアクセスできるようになります。これは、ツイングラフにアクセスするために限定的な独自のクエリー言語や不完全な SQL 拡張機能しか提供しないことが多い他のツールとは対照的です。

さらなる開発

初期デプロイ後、このアクセラレータは、より高度なデジタルツインアプリケーションの基盤となります。

• 予知保全と異常検知のための高度な AI/機械学習 モデルを構築してデプロイします
• AI/BI 対応のダッシュボードと Genie Room でデジタルツインを公開
• Spark Structured Streamingからワークロードをリアルタイムモードに移行し、マイクロ秒スケールのパフォーマンスを実現します
• デジタルツインをコマンドシステムと統合し、データプラットフォームからのリアルタイム分析を活用して、ツイングラフのパターンに基づいてアクションを実行します

デジタルツイン ソリューション アクセラレータは適応性が高く、幅広い産業および分析シナリオにわたってカスタマイズが可能です。下の図は、このフレームワークを拡張して適用できるいくつかの例を示しています。

製造システムの最適化、産業資産のモニタリング、コネクテッドデバイス向けのリアルタイムアナリティクスの開発など、どのような用途であっても、このアクセラレータは実験と拡張のための堅牢な出発点を提供します。

デジタルツイン ソリューション アクセラレータをお試しください

無料お試し・その他ご相談を承ります製造業向けのDatabricks Solution Accelerator for Digital TwinsをDownload提供されているステップバイステップの手順に従って、独自の高性能でスケーラブルなエンドツーエンドのデジタルツインを作成します。

独自のデジタルツインの構築にご興味があり、さらに詳しくお知りになりたい場合は、お客様のDatabricksアカウント担当者までお問い合わせください。このソリューションをお客様固有の要件に適合させるお手伝いをいたします。