Derfor trenger du en digital tvilling av sykkelen din

Digitale tvillinger av strukturer har vært en stor buzz i noen år allerede. Prosjektet startet som en del av et STUNT, Inventas sin interne arena for kompetanseutvikling. Målet var å gå fra å snakke om digitale tvillinger til å faktisk utvikle en. Idéen var å ha en digital modell som i sanntid beregner belastningene i en struktur basert på sensordata. Det er få som egentlig har fått det til, og det måtte vi gjøre noe med!

Som case valgte vi en sykkelramme. Et tilgjengelig og relativt enkelt produkt, men samtidig kompleks nok til å gi reell læring. Vi var så heldige og få en delvis instrumentert sykkel fra NTNU som vi kunne leke oss med. På laget hadde vi fagressurser fra simulering, instrumentering og datalogging, samt maskinlæring og kunstig intelligens(AI).

Det første vi gjorde var å lage en digital tvilling som fungerer for statiske laster. Neste steg var å lage en digital tvilling som også fungerer på dynamiske laster og med en syklist som er en del av systemet. Denne modellen skulle være basert på AI og trenes opp på data fra simuleringer i FEDEM. Målet med prosjektet var å vise hvordan de samme modellene kan brukes på en sykkelramme som til komplekse industriprosjekter.

Men før vi dykker ned i hvordan vi faktisk lagde en digital tvilling, er det greit å forstå hva det er;

Hva er en digital tvilling?

En digital tvilling er en virtuell modell av en fysisk struktur eller et system. Fra et strukturellanalyse-synspunkt, handler det om å knytte en simuleringsmodell til et fåtall datapunkter. Ved å kjenne strukturen og dens digitale oppførsel, kan man dermed si noe om hvordan hele den reelle strukturen blir påkjent.

Digitale tvillinger skiller seg fra tradisjonelle simuleringer ved at den er koblet til sanntidsdata, noe som gjør at man til enhver tid vet hva strukturen utsettes for, også der man ikke har direkte målinger. Sanntidskoblingen mellom datapunktene og strukturen gir til enhver tid oversikt over hva den reelle strukturen blir utsatt for. 

Tradisjonelle simuleringer bygger ofte på antagelser på forhånd eller at man etterregner med faktiske tall. Antakelsene må inkludere mange «worst case»-scenarier for å dimensjonere riktig. Mens etterregningen ofte gjøres for å finne ut hva som gikk galt i en test.

Med en digital tvilling kan man i stedet bruke faktiske data til å vurdere gjenværende levetid, planlegge vedlikehold og ta datadrevne beslutninger. Hos Inventas jobber vi med digitale tvillinger som gir både trygghet og mer effektive strukturer.

Hvordan vi gikk frem for å lage den digitale tvillingen

Sykkelrammen fikk vi fra NTNU og er en 19’’ Hardrocx Super M4 som ble instrumentert med seks strekklapper og et akselerometer. Hele systemet ble drevet av et Arduino utviklingskort og «off-the-shelf»-komponenter. Denne første tvillingen forutsetter i prinsippet statisk oppførsel, men i praksis vil den fungerer på de aller fleste virkelige strukturer selv om lastene er dynamiske.

Statisk tvilling? Superposisjon!

En sykkelramme kan belastes på mange måter: fra styret, pedalene eller setet. Under kjøring flytter rytteren kontinuerlig kroppsvekten for å oppnå stabilitet. Dette skaper et godt eksempel på hvordan lastveier inn i en struktur kan defineres og analyseres. Normalt ville det tatt flere minutter å beregne spenningsfordelingen i et gitt tidspunkt. I dette prosjektet var målet å utføre beregningen på millisekunder. 

Nøkkelen er å gjøre mesteparten av beregningene på forhånd. Nesten alt en sykkelramme opplever av belastning kan beskrives som en kombinasjon av noen fåtall generiske laster. Ved hjelp av tøyningsmålinger i et begrenset antall punkt har vi laget en algoritme som regner ut hvor mye man har av hver last. Dette brukes i sin tur til å lage en lineær kombinasjon av spenningsfordelinger som er beregnet på forhånd. Også kjent som «superposisjon» innen matematikk og fysikk.

Hvor nøyaktig er det?

Det er ingen tap i nøyaktighet i måten vi kombinerer lastene og genererer et fargeplott. Den digitale tvillingen vil kjøre like raskt uansett hvor detaljert FEM-modellen man bruker er. Utfordringen består i å estimere hvilke laster man har. Man må plassere tøyningsmålingene på riktig plass og ha mange nok av dem. Her kommer fagkunnskapen inn. I teorien er dette en eksakt metode, men i praksis har man unøyaktigheter i målinger og analyser.

AI-baserte digitale tvillinger

Noen ganger har man kanskje en oppførsel som er for kompleks eller uforutsigbar til at man kan bruke en statisk, analytisk modell. Man kan også ha for få målepunkter til å kunne beregne entydig hva strukturen går gjennom. Vi har gjort lovende eksperimenter ved å benytte AI til å predikere spenninger kun basert på akselerasjoner, der man inkluderer en syklist. AI-modellen kan trenes på målte data eller på en simuleringsmodell.

Hvorfor jobber vi med digitale tvillinger i Inventas?

Hos Inventas brukte vi prosjektet først og fremst til å bygge erfaring og kompetanse, samtidig til å vise at digitale tvillinger har praktisk verdi. Selv om caset var en sykkel, fikk vi jobbet oss gjennom hele utviklingsløpet og lært både metoder, fallgruver og teknologien. Denne kunnskapen er direkte overførbar til prosjekter vi gjør sammen med kunder, der digitale tvillinger kan gi stor nytteverdi og supplere simuleringene vi har jobbet med i flere tiår. Nå har vi erfaringen og verktøyene som skal til for å hjelpe kunder med å overvåke og forstå komplekse strukturer.

En strukturell digital tvilling er spesielt nyttig der man kjenner godt til formen, strukturen og lastbildet, men ikke nødvendigvis lastens størrelse. Eksempler på dette er:

• Fiskemerder og annet havbruksutstyr som utsettes for bølge- og vindlaster

• Offshore- og energikonstruksjoner

• Medisinsk teknologi og helseutstyr

• Luftfarts- og romfartsstrukturer

Fordelen med digitale tvillinger er økt sikkerhet på eksisterende utstyr og økt nytteverdi av eksisterende målinger. Det skaper også rom for å jobbe mer datadrevet med produktutviklingen og verifisering av fysiske produkter. 

Så, trenger du egentlig en digital tvilling av sykkelen din?

For å svare ut overskriften på denne artikkelen, må vi innrømme at man strengt tatt ikke trenger en digital tvilling av egen sykkel. Men det kunne hjulpet deg å forstå hvor mye ramme, gaffel og komponenter faktisk belastes under kjøring. Da kan du forutsi når deler er i ferd med å bli ødelagt og må byttes ut. Du kan også optimalisere trening og ytelse ved å analysere vektoverføring, tråkkteknikk eller hvordan ulike underlag påvirker effektiviteten. Det er kanskje spesielt interessant for terrengsykler eller konkurransesykler som utsettes for store krefter og røffe tilstander. Og tar vi det enda et steg, tenk hvor mange tilpasninger produsentene av syklene kunne gjort til alle sine kunder ved å justere sykkelen i produktutviklingen slik at sykkelen passer perfekt til akkurat deg!

Men nå laget jo ikke vi denne digitale tvillingen fordi noen faktisk trenger en digital tvilling av sykkelen sin. Ved å bruke sykkelen som en tilgjengelig og håndterbar testplattform, lærte vi metoder og fikk testet teknologien, samtidig som vi bygde opp kompetanse og erfaring som senere kan overføres til de områdene hvor digitale tvillinger virkelig skaper verdi.