Cloud-based digital twins: How simulations can predict failures in industry

Abstract

Актуальність дослідження зумовлена зростанням складності промислових систем і необхідністю обробки великих потоків даних у реальному часі для забезпечення надійного моніторингу, прогнозування технічних збоїв і підтримки прийняття рішень. Метою роботи було ідентифікувати типові архітектурні конфігурації цифрових двійників у хмарному середовищі та визначити, як розподіл аналітичних функцій між архітектурними рівнями впливає на ефективність таких систем у виробничих умовах. Методологія дослідження ґрунтувалася на критичному аналізі міждисциплінарних джерел із застосуванням контент-аналізу, порівняльного аналізу та SWOT-аналізу, що дозволило здійснити тематичне структурування матеріалу за архітектурними, алгоритмічними та організаційно-нормативними параметрами. У результаті встановлено, що багаторівнева модель цифрового двійника є універсальною основою для опису архітектур у машинобудуванні, енергетиці й автоматизованому виробництві. Гібридні рішення з перенесенням частини аналітики на edge- рівень забезпечували підвищену стійкість до мережевих збоїв і кращу адаптацію до змін технічного стану об’єктів. Виявлено, що ефективність систем залежала не лише від топології обчислювальних задач, а й від здатності аналітичних моделей обробляти потокові дані, зберігати точність при дрейфі даних і залишатися інтерпретованими в умовах критичних рішень. Показано, що ключовими бар’єрами реалізації залишалися фрагментарність підходів до функціональної декомпозиції, відсутність єдиних стандартів та чутливість до нестабільної взаємодії між компонентами. На основі міжгалузевого зіставлення сформовано типологію архітектур цифрових двійників, що враховує характер розподілу аналітики та її інтеграцію з хмарною інфраструктурою. Отримані результати становлять концептуальну основу для подальших емпіричних досліджень, спрямованих на практичну верифікацію стабільності, адаптивності й масштабованості цифрових двійників у виробничих умовах.

The relevance of this study stems from the increasing complexity of industrial systems and the need to process large data streams in real time to ensure reliable monitoring, predict technical failures, and support decision- making. The aim of the work was to identify typical architectural configurations of digital twins in cloud environments and determine how the distribution of analytical functions across architectural levels affects the efficiency of such systems in production settings. The research methodology was based on a critical analysis of interdisciplinary sources using content analysis, comparative analysis, and SWOT analysis, which enabled thematic structuring of the material according to architectural, algorithmic, and organisational-regulatory parameters. As a result, it was established that a multi-level digital twin model provides a universal foundation for describing architectures in mechanical engineering, energy, and automated manufacturing. Hybrid solutions that transferred part of the analytics to the edge layer offered increased resilience to network failures and better adaptation to changes in the technical condition of assets. It was found that system efficiency depended not only on the topology of computational tasks but also on the ability of analytical models to process streaming data, maintain accuracy amid data drift, and remain interpretable in critical decision-making contexts. It was shown that key barriers to implementation remained the fragmentation of approaches to functional decomposition, the absence of unified standards, and sensitivity to unstable interactions between components. Based on cross-industry comparison, a typology of digital twin architectures was developed, taking into account the nature of analytics distribution and its integration with cloud infrastructure. The results provide a conceptual foundation for further empirical research aimed at practical verification of the stability, adaptability, and scalability of digital twins in production environments.