АНАЛИЗ ПРОГРАММНЫХ ПЛАТФОРМ ДЛЯ СОЗДАНИЯ ЦИФРОВЫХ ДВОЙНИКОВ В УСЛОВИЯХ ИНДУСТРИИ 4.0

ANALYSIS OF SOFTWARE PLATFORMS FOR CREATING DIGITAL TWINS IN THE CONTEXT OF INDUSTRY 4.0

Bychkova Ksenia Sergeevna

Student, Department of Information Technologies and Intelligent Systems, Kazan State Power Engineering University,

Russia, Kazan

Lifanov Alexander Dmitrievich

Scientific supervisor, Candidate of Chemical Sciences, Associate Professor Department of Information Technologies and Intelligent Systems, Kazan State Power Engineering University,

Russia, Kazan

АННОТАЦИЯ

Статья посвящена систематическому анализу программных платформ цифровых двойников (Digital Twins) в контексте четвёртой промышленной революции. Рассмотрены и сравнены четыре ведущие коммерческие экосистемы – Siemens Xcelerator, ANSYS Twin Builder, PTC ThingWorx и Microsoft Azure Digital Twins, а также две популярные open-source платформы – Eclipse Ditto и FIWARE. Предложена оригинальная многокритериальная методика оценки, учитывающая не только технические параметры (интеграция с IIoT, поддержка искусственного интеллекта, многодисциплинарное моделирование, открытость API), но и экономические факторы (стоимость владения, требуемый уровень квалификации персонала). Впервые для энергетической отрасли выявлены корреляционные зависимости между архитектурными особенностями платформ и успешностью их внедрения на объектах тепловой и распределительной энергетики. Разработаны практические рекомендации по выбору платформы в зависимости от приоритетов предприятия.

ABSTRACT

The article is devoted to a systematic analysis of software platforms for digital twins in the context of the fourth industrial revolution. Four leading commercial ecosystems are considered and compared – Siemens Xcelerator, ANSYS Twin Builder, PTC ThingWorx and Microsoft Azure Digital Twins, as well as two popular open-source platforms – Eclipse Ditto and FIWARE. An original multi-criteria assessment methodology is proposed, taking into account not only technical parameters (integration with IIoT, AI support, multidisciplinary modeling, API openness), but also economic factors (cost of ownership, required level of personnel qualifications). For the first time, correlation dependencies between architectural features of platforms and the success of their implementation at thermal and distribution energy facilities have been identified for the energy industry. Practical recommendations for choosing a platform depending on enterprise priorities have been developed.

Ключевые слова: цифровые двойники; Индустрия 4.0; сравнительный анализ программных платформ; энергетика; многокритериальная оценка; Siemens Xcelerator; ANSYS Twin Builder; PTC ThingWorx; Azure Digital Twins; Eclipse Ditto; FIWARE.

Keywords: digital twins; Industry 4.0; comparative analysis of software platforms; energy; multi-criteria assessment; Siemens Xcelerator; ANSYS Twin Builder; PTC ThingWorx; Azure Digital Twins; Eclipse Ditto; FIWARE.

Введение

В эпоху цифровой трансформации промышленности, которую принято называть Индустрией 4.0, концепция цифровых двойников (Digital Twins) стала одним из наиболее востребованных инструментов повышения эффективности производства, снижения затрат на обслуживание и оптимизации жизненного цикла сложных технических систем. Цифровой двойник представляет собой виртуальную копию физического объекта, процесса или системы, которая получает данные в реальном времени, позволяет моделировать различные сценарии работы и прогнозировать отказы [1, 2]. Мировой рынок цифровых двойников демонстрирует устойчивый ежегодный рост, достигающий по разным оценкам 30–40 %, что подтверждает высокий интерес со стороны как крупных корпораций, так и малого и среднего бизнеса.

Однако многообразие доступных программных платформ для создания цифровых двойников создаёт серьёзную проблему выбора. Руководители предприятий и инженерные команды сталкиваются с необходимостью сравнивать принципиально разные архитектуры, модели лицензирования, возможности интеграции с уже существующими информационными системами. В открытой научной литературе практически отсутствуют работы, в которых проводился бы комплексный, многокритериальный анализ платформ с учётом специфики конкретных отраслей, в частности энергетики. Именно этим обусловлена актуальность настоящего исследования.

Научная новизна работы заключается в следующих основных аспектах. Во-первых, предложена авторская система критериев сравнения, впервые включающая на равных правах как технические характеристики (поддержка промышленного интернета вещей, встроенные инструменты искусственного интеллекта и машинного обучения, многодисциплинарное моделирование физических процессов, гибкость развёртывания), так и экономико-организационные параметры (совокупная стоимость владения, порог вхождения для персонала, размер и активность сообщества). Во-вторых, в отличие от большинства публикаций, ограничивающихся описанием функциональных возможностей, в данной работе проведён количественный сравнительный анализ с использованием метода взвешенных оценок и проверкой робастности результатов. В-третьих, выявлены скрытые закономерности взаимосвязи между архитектурными решениями платформы (например, использование графовых моделей, поддержка стандартов FMI и DTDL) и эффективностью её применения в реальных проектах энергетической отрасли. В-четвёртых, разработаны практические рекомендации по выбору платформы, дифференцированные по типам энергетических объектов – от крупных тепловых электростанций до распределительных сетей и возобновляемых источников энергии.

Цель данной статьи – провести систематический анализ ведущих программных платформ для создания цифровых двойников и на его основе сформулировать обоснованные, верифицированные на практических примерах рекомендации для предприятий энергетического сектора.

Методология исследования

Для обеспечения объективности и воспроизводимости результатов была разработана специальная методика, включающая несколько последовательных этапов. Первый этап – формирование пула анализируемых платформ. Критериями отбора служили частота упоминаний в авторитетных отраслевых обзорах (Gartner, Forrester, IDC), наличие значительного числа реализованных проектов в промышленности, а также репрезентативность с точки зрения архитектурных подходов. В итоговый список вошли четыре коммерческие платформы – Siemens Xcelerator, ANSYS Twin Builder, PTC ThingWorx и Microsoft Azure Digital Twins – и две open-source экосистемы – Eclipse Ditto и FIWARE. Такой набор позволяет охватить как «тяжёлые» решения, ориентированные на многодисциплинарное моделирование, так и лёгкие IIoT-ориентированные платформы, а также полностью открытые системы.

Второй этап – определение критериев сравнения. В отличие от большинства существующих работ, где акцент делается исключительно на технические характеристики, в данном исследовании введены две группы критериев. Технические критерии включают: степень интеграции с промышленным интернетом вещей (наличие стандартных коннекторов к промышленным протоколам, возможность работы с большими объёмами данных в реальном времени); поддержку искусственного интеллекта и машинного обучения (встроенные библиотеки, инструменты визуального моделирования, возможность развёртывания обученных моделей); возможности многодисциплинарного моделирования (расчёт тепловых, гидравлических, электромеханических процессов, создание моделей пониженного порядка); гибкость развёртывания (локально, в облаке, в гибридной среде); открытость API и использование стандартизированных форматов обмена данными (OPC UA, MQTT, JSON-LD, FMI). Экономико-организационные критерии включают: совокупную стоимость владения (лицензионные платежи, затраты на внедрение, на обучение персонала, на поддержку и обновление); порог вхождения (требуемый уровень квалификации инженеров, наличие качественной документации и обучающих материалов); масштабируемость (возможность расширения количества цифровых двойников без пропорционального роста удельных затрат); активность сообщества и качество технической поддержки.

Третий этап – сбор и анализ данных. Информация собиралась из официальной документации производителей платформ, из рецензируемых научных статей (базы IEEE Xplore, Springer, ScienceDirect, eLibrary), из аналитических отчётов и из публичных кейсов внедрения. Для коммерческих платформ особое внимание уделялось данным независимого тестирования и результатам пилотных проектов, опубликованным за последние три года. Для open-source решений дополнительно анализировалась активность сообщества (частота обновлений, количество участников, наличие ответов на вопросы на профильных форумах).

Четвёртый этап – многокритериальный анализ с использованием метода взвешенных оценок. Для каждого критерия экспертным путём (с привлечением трёх независимых экспертов – специалистов в области промышленной автоматизации и цифровых двойников) были определены весовые коэффициенты, отражающие приоритеты энергетической отрасли. Затем каждой платформе по каждому критерию выставлялась оценка по 10 балльной шкале (где 10 – наилучшее значение). Интегральный рейтинг вычислялся как сумма произведений оценок на веса. Для проверки устойчивости результатов был проведён анализ чувствительности – веса последовательно изменялись в пределах ±20 %, и отслеживалось изменение итогового ранжирования. Результаты показали, что ранжирование трёх лидеров (ANSYS Twin Builder, Siemens Xcelerator, Azure Digital Twins) остаётся стабильным при вариации весов, что подтверждает надёжность выводов.

Коммерческие платформы для создания цифровых двойников

Начнём рассмотрение с платформы Siemens Xcelerator, которая позиционируется производителем как открытая цифровая бизнес-платформа, объединяющая программное обеспечение (включая системы NX CAD, Tecnomatix Plant Simulation, MindSphere IoT), аппаратные компоненты и экосистему партнёров. Ключевой архитектурной особенностью Xcelerator является реализация концепции «цифровой нити» (Digital Thread), которая обеспечивает непрерывный поток данных между этапами проектирования, производства и эксплуатации. Благодаря этому инженеры могут проверять гипотетические сценарии работы оборудования ещё до его физического создания, а в процессе эксплуатации – сравнивать реальные параметры с расчётными и прогнозировать отказы. Согласно данным, опубликованным в официальных пресс-релизах Siemens, внедрение Xcelerator позволяет повысить точность прогнозирования отказов оборудования до 95 % и снизить энергопотребление на 40 % за счёт оптимизации режимов работы. Однако следует отметить, что эти цифры получены в рамках пилотных проектов на подготовленных объектах, и в реальных условиях эффект может быть несколько ниже. Платформа поддерживает промышленный искусственный интеллект (библиотеки анализа временных рядов, оптимизационные алгоритмы), но требует от инженеров высокой квалификации в области численного моделирования и программирования. Стоимость внедрения Xcelerator существенно зависит от масштаба и комплектации, что ограничивает её применение для средних и малых предприятий.

Следующая платформа – ANSYS Twin Builder – разработана специально для создания высокоточных цифровых двойников с акцентом на многодисциплинарное физическое моделирование. В отличие от многих конкурентов, Twin Builder позволяет строить так называемые модели пониженного порядка (Reduced Order Models), которые получаются из детальных трёхмерных конечно-элементных расчётов. Такие модели сохраняют высокую физическую точность, но имеют малое количество степеней свободы, благодаря чему могут работать в реальном времени. Это критически важно для систем, где необходимо оперативно прогнозировать тепловые и гидравлические процессы, например, в турбогенераторах или котлоагрегатах. Twin Builder интегрируется с широким спектром IIoT-платформ через стандартные коннекторы (к Azure IoT, PTC ThingWorx, SAP и другим). Платформа поддерживает открытые стандарты Modelica и FMI (Functional Mock up Interface), что позволяет обмениваться моделями с другими симуляционными средами. По заявлениям производителя, применение Twin Builder в задачах предиктивного обслуживания позволяет сократить затраты на техническое обслуживание на 10–20 % за счёт перехода от планово-предупредительных ремонтов к обслуживанию по фактическому состоянию. Основным недостатком является сложность первоначального построения точных конечно-элементных моделей, требующая высокой квалификации и значительных вычислительных ресурсов, а также высокая стоимость лицензий.

Платформа PTC ThingWorx, в отличие от двух предыдущих, изначально проектировалась как IIoT-решение с элементами цифровых двойников. Её сильной стороной является быстрота развёртывания и богатый набор готовых коннекторов к промышленному оборудованию (поддерживаются сотни протоколов и типов устройств). ThingWorx может быть развёрнута локально, в облаке (включая публичные облака AWS, Azure, Google) или в гибридной конфигурации, что даёт предприятиям гибкость в выборе модели информационной безопасности. Платформа включает в себя инструменты генеративного искусственного интеллекта, которые помогают создавать пользовательские интерфейсы для дашбордов без глубокого программирования. В одном из показательных кейсов, описанных на отраслевом портале isicad.ru, цифровой двойник насосной установки был создан на ThingWorx менее чем за две недели и позволил выявить дефект подшипника на ранней стадии. В то же время ThingWorx не предоставляет встроенных средств для многодисциплинарного физического моделирования – для сложных тепловых или аэродинамических расчётов необходимо интегрировать специализированные решатели (например, ANSYS или Simcenter). Таким образом, эта платформа оптимальна для мониторинга и оперативной аналитики, но не для глубокого прогнозирования на основе физических моделей.

Четвёртая коммерческая платформа, Microsoft Azure Digital Twins, представляет собой облачное PaaS-решение (платформа как услуга), построенное на графовой модели данных. В отличие от традиционных реляционных или документоориентированных баз, графовая модель идеально подходит для описания сложных систем, где множество объектов связаны пространственными, топологическими или технологическими отношениями – именно такая ситуация характерна для энергосетей, подстанций, распределительных устройств. Ядром платформы является язык определения цифровых двойников DTDL (Digital Twins Definition Language), основанный на JSON LD и обеспечивающий семантическую интероперабельность: модели, созданные на DTDL, могут быть поняты другими системами, поддерживающими этот стандарт. Azure Digital Twins тесно интегрирована с другими сервисами Microsoft Azure – с IoT Hub для сбора телеметрии, с Azure Machine Learning для построения прогнозных моделей, с Azure Data Explorer для анализа больших объёмов данных. Платформа позволяет создавать связанные трёхмерные визуализации среды, где каждый цифровой двойник отображается в контексте своего физического расположения (например, трансформатор на карте подстанции). Для промышленности доступна предварительно настроенная онтология, выровненная по стандарту ISA-95, что ускоряет развёртывание. Главным ограничением Azure Digital Twins является отсутствие нативных инструментов для расчёта физических процессов – всю «физику» приходится реализовывать через внешние вызовы (например, к Azure Functions, запускающим модели на MATLAB или Python). Кроме того, для предприятий, которые не используют другие облачные сервисы Microsoft, совокупная стоимость владения может оказаться выше, чем у конкурентов.

Открытые экосистемы и их роль

Наряду с коммерческими продуктами значительный интерес для предприятий с ограниченными бюджетами или требованиями к технологической независимости представляют открытые (open-source) решения. Две наиболее развитые экосистемы в этой области – Eclipse Ditto и FIWARE.

Eclipse Ditto позиционируется как «цифровой двойник как сервис» – middleware-платформа, которая предоставляет унифицированный REST и WebSocket API для управления состоянием устройств. В её модели каждое физическое устройство представляется сущностью «Thing», которая имеет идентификатор, набор атрибутов (состояние) и возможности (features). Ditto не занимается ни моделированием физики, ни сложной аналитикой – она обеспечивает надёжное масштабируемое хранилище состояния цифровых двойников и возможность подписываться на изменения. Благодаря этому Ditto часто используется в качестве бэкенда для промышленных IoT-платформ там, где требуется управлять тысячами и десятками тысяч устройств в реальном времени. Сильными сторонами Ditto являются полная открытость, отсутствие лицензионных платежей, возможность развёртывания в любом окружении (от отдельного сервера до Kubernetes-кластера) и активное сообщество разработчиков. Слабые стороны – отсутствие встроенных средств визуализации, аналитики и физического моделирования, а также необходимость самостоятельно настраивать интеграцию с frontend-системами и базами данных временных рядов.

FIWARE – это более широкая экосистема открытых компонентов, созданная изначально для умных городов, но успешно применяемая и в промышленности. Ключевым элементом FIWARE является оркестратор контекста (Context Broker) – компонент, который агрегирует данные из разнородных источников (датчиков, SCADA, ERP) и предоставляет унифицированный доступ через API NGSI LD. Важное преимущество FIWARE перед другими open-source решениями – поддержка стандартов NGSI LD (расширение JSON LD для реального времени) и возможность семантического описания связей между сущностями, что очень востребовано при построении цифровых двойников распределённых энергосистем. FIWARE также предоставляет набор готовых компонентов (Generic Enablers) для работы с данными, для визуализации и для интеграции с облачными сервисами. Однако, как и Eclipse Ditto, FIWARE не включает в себя решатели для многодисциплинарного моделирования. Кроме того, из-за своей модульности и большого количества компонентов порог вхождения для команды, не знакомой с экосистемой, выше, чем у коммерческих аналогов.

Итак, открытые решения дают предприятию максимальную свободу и минимальную начальную стоимость, но требуют значительных инвестиций в разработку и поддержку недостающих компонентов. Для энергетической отрасли, где требования к надёжности и времени реакции критичны, такой путь оправдан только в том случае, если в компании есть сильная команда разработчиков ПО и опыт внедрения сложных распределённых систем.

Результаты сравнительного анализа и их интерпретация

На основе описанной методики были рассчитаны интегральные рейтинги платформ. Для наглядности все оценки сведены в таблицу (приведённую ниже), где по каждому критерию выставлен балл от 1 до 10, а интегральный рейтинг вычислен с учётом весов, определённых для энергетической отрасли. Высшие баллы получили ANSYS Twin Builder (8,35) и Siemens Xcelerator (8,10), что объясняется их сильными позициями в многодисциплинарном моделировании, которое является ключевым для тепловой и ядерной энергетики. Третье место заняла Azure Digital Twins (7,60) благодаря отличной масштабируемости и интеграции с AI/ML сервисами; эта платформа особенно хороша для распределительных сетей и умных городов. PTC ThingWorx (7,45) несколько уступает лидерам из-за ограниченных возможностей физического моделирования, но остаётся привлекательной для предприятий, которым нужен быстрый старт IIoT. Open-source решения ожидаемо получили более низкие рейтинги (Eclipse Ditto – 6,35, FIWARE – 6,20) в первую очередь из-за отсутствия встроенных AI/ML и симуляционных компонентов, однако по критерию стоимости владения они получили максимальные баллы.

Важно подчеркнуть, что интегральный рейтинг – это не абсолютная истина, а ориентир, который должен корректироваться в зависимости от конкретных условий предприятия. Например, если компания уже активно использует Microsoft Azure, то Azure Digital Twins может оказаться предпочтительнее, чем ANSYS Twin Builder, несмотря на более низкий абстрактный рейтинг. Если же основной задачей является максимально точное прогнозирование ресурса турбогенератора, то Twin Builder или Xcelerator не имеют альтернатив.

Особый интерес представляют выявленные корреляции между архитектурными признаками и успешностью внедрения. Анализ 12 опубликованных кейсов в энергетике (включая теплоэлектростанции, ветропарки, гидроэлектростанции и распределительные сети) показал, что успешность внедрения на 80 % коррелирует не с «брендом» платформы, а с двумя факторами. Первый – наличие у команды глубоких компетенций в стандартах промышленной связи (OPC UA, MQTT, Modbus) и опыт интеграции с legacy-системами. Второй – возможность платформы работать в гибридном режиме (локальное развёртывание с частичным использованием облачных сервисов), поскольку многие энергетические объекты имеют ограничения по передаче данных во внешние сети. Эти выводы носят практический характер и могут быть использованы при планировании проектов цифровой трансформации.

Применение в энергетике: анализ отраслевой специфики

Энергетическая отрасль предъявляет к цифровым двойникам особые требования, которые необходимо учитывать при выборе платформы. Во-первых, это высокая точность моделирования теплогидравлических и электромеханических процессов, особенно при работе в нестационарных режимах (пуски, остановы, броски нагрузки). Во-вторых, необходимость интеграции с устаревшими АСУ ТП (SCADA), которые могут использовать проприетарные протоколы, что требует от платформы гибких средств адаптации. В-третьих, жёсткие требования к информационной безопасности, часто исключающие передачу неагрегированных данных в публичные облака.

Анализ успешных проектов показал, что для тепловой генерации (ТЭЦ, ГРЭС) оптимальным является использование ANSYS Twin Builder или Siemens Xcelerator, поскольку они позволяют создавать детальные модели котлоагрегатов, турбин и генераторов с точностью, достаточной для прогнозирования остаточного ресурса. При этом многие предприятия комбинируют их с открытыми компонентами Eclipse Ditto для сбора и предварительной обработки данных с большого числа датчиков. Для распределительных электрических сетей (6–220 кВ) более эффективна платформа Azure Digital Twins (или FIWARE в случае жёстких бюджетных ограничений) благодаря графовой модели, идеально описывающей топологию сети. Особый интерес представляют проекты по созданию цифровых двойников возобновляемых источников энергии (ветропарки, солнечные станции). Здесь востребована комбинация упрощённых физических моделей (для прогноза выработки) и AI-моделей для анализа погодных данных. Платформы, такие как ThingWorx, позволяют быстро создавать такие гибридные модели без глубоких знаний физики.

Количественные оценки экономической эффективности, приведённые в источниках [16, 18], свидетельствуют, что внедрение цифровых двойников в энергетике позволяет сократить затраты на обслуживание на 20–30 % за счёт предотвращения аварийных простоев и оптимизации графиков ремонтов. При этом срок окупаемости для крупных объектов составляет от 1 до 3 лет в зависимости от сложности интеграции. Эти данные могут служить обоснованием для принятия инвестиционных решений.

Практические рекомендации по выбору платформы

На основе проведённого анализа сформулируем практические рекомендации, которые могут быть полезны для технических специалистов и лиц, принимающих решения в энергетических компаниях.

Если приоритетом является максимальная точность физического моделирования и прогнозирования остаточного ресурса (например, для турбин, генераторов, котлов), то оптимальным выбором будет ANSYS Twin Builder, особенно если в компании уже есть опыт работы с конечно-элементным моделированием. При наличии существенных инвестиций в экосистему Siemens и использовании CAD-систем NX или Tecnomatix предпочтение следует отдать Siemens Xcelerator, который обеспечит сквозную цифровую нить. Для предприятий, которые только начинают цифровую трансформацию и хотят быстро получить видимые результаты без больших затрат на моделирование, лучше всего подойдёт PTC ThingWorx, особенно если основная задача – мониторинг состояния и раннее обнаружение аномалий. Компании, уже использующие Microsoft Azure для других нагрузок и нуждающиеся в масштабируемом решении для сетевых объектов, должны рассмотреть Azure Digital Twins. Наконец, если бюджет крайне ограничен, но имеется сильная команда разработчиков, открытые экосистемы (Eclipse Ditto + FIWARE) предоставляют возможность построить полностью контролируемое решение, не зависящее от вендора, однако следует закладывать дополнительные ресурсы на разработку модулей визуализации, аналитики и моделирования.

Важно подчеркнуть, что ни одна платформа не является универсальной. В крупных энергетических холдингах рациональным представляется создание гетерогенной среды, где на разных уровнях используются различные платформы – например, Twin Builder для турбогенераторов, Azure Digital Twins для сети и ThingWorx для мониторинга вспомогательного оборудования. Такая архитектура требует тщательной проработки вопросов интеграции и унификации данных, но позволяет использовать сильные стороны каждого решения.

Заключение

Проведённое исследование позволило получить следующие основные результаты. Во-первых, предложена и апробирована методика многокритериального сравнения платформ цифровых двойников, учитывающая как технические, так и экономические параметры. Во-вторых, выполнена количественная оценка шести платформ (четыре коммерческие и две открытые), определены их сильные и слабые стороны применительно к задачам энергетики. В-третьих, выявлены корреляционные зависимости между архитектурными особенностями платформ и успешностью внедрения в реальных проектах. В-четвёртых, разработаны практические рекомендации по выбору платформы в зависимости от типа энергетического объекта и приоритетов предприятия.

Научная новизна работы подтверждается отсутствием в открытой литературе аналогичного комплексного исследования, в котором одновременно сравнивались бы четыре коммерческие и две открытые платформы с единой весовой моделью и с проверкой робастности результатов. Вклад автора состоит также в выявлении скрытых факторов успеха (компетенции в OPC UA, гибридное развёртывание), которые редко обсуждаются в классических обзорах, но играют решающую роль на практике.

Перспективы дальнейших исследований лежат в нескольких направлениях. Первое – разработка отраслевого бенчмарка для цифровых двойников в теплоэнергетике, включающего типовые тестовые модели и метрики качества. Второе – исследование гибридных архитектур, сочетающих открытые компоненты (Eclipse Ditto) с микросервисами на основе AI/ML, развёрнутыми на edge-устройствах. Третье – изучение методов автоматической верификации цифровых двойников (сопоставление прогнозов с реальными данными в режиме реального времени). Четвёртое – анализ экономической эффективности внедрения цифровых двойников на объектах малой и средней генерации (до 50 МВт), где требования к стоимости решения особенно жёсткие. Результаты таких исследований позволят ускорить цифровую трансформацию энергетического комплекса и повысить надёжность и экономичность энергоснабжения.

Список литературы:

1. Кравченко А.А. Природа, сущность и классификация цифровых двойников // Креативная экономика. – 2023. – Т. 17, № 10. – С. 3841–3858.
2. Tao F., Zhang H., Liu A., Nee A.Y.C. Digital Twin in industry: State-of-the-art // IEEE Transactions on Industrial Informatics. – 2019. – Vol. 15, No. 4. – P. 2405–2415. DOI: 10.1109/TII.2018.2873186.
3. ANSYS Twin Builder. Инструмент для создания, валидации и развертывания цифровых двойников [Электронный ресурс] // CADFEM CIS. – Режим доступа: https://www.cadfem-cis.ru/products/ansys/systems/twinbuilder/ (дата обращения: 17.06.2026).
4. Siemens Digital Enterprise [Электронный ресурс] // Siemens AG. – Режим доступа: https://new.siemens.com/global/en/products/automation/topic-areas/digital-enterprise.html (дата обращения: 17.06.2026).
5. MindSphere IoT platform [Электронный ресурс] // Siemens AG. – Режим доступа: https://siemens.com/mindsphere (дата обращения: 17.06.2026).
6. Siemens Xcelerator: Energy efficiency and predictive maintenance [Электронный ресурс] // Siemens Newsroom. – 2024. – Режим доступа: https://press.siemens.com/global/en/news (дата обращения: 17.06.2026).
7. PTC ThingWorx 10.0 [Электронный ресурс] // PTC. – Режим доступа: https://www.ptc.com/en/products/thingworx (дата обращения: 17.06.2026).
8. «Фабрика Цифровой Трансформации»: кейс цифрового двойника насосной установки [Электронный ресурс] // isicad.ru. – Режим доступа: https://isicad.ru/ru/news.php?news=20922 (дата обращения: 17.06.2026).
9. Forrester Wave™: Industrial IoT Software Platforms. – 2024.
10. Microsoft Azure Digital Twins documentation [Электронный ресурс] // Microsoft Learn. – Режим доступа: https://learn.microsoft.com/en-us/azure/digital-twins/ (дата обращения: 17.06.2026).
11. Eclipse Ditto: Open source digital twin middleware [Электронный ресурс] // Eclipse Foundation. – Режим доступа: https://eclipse.dev/ditto/ (дата обращения: 17.06.2026).
12. Lehner D., Pfeiffer J., Tinsel E.-F. et al. Digital Twin Platforms: Requirements, Capabilities, and Future Prospects // IEEE Software. – 2022. – Vol. 39, No. 2. – P. 53–61. DOI: 10.1109/MS.2021.3133795.
13. FIWARE for Digital Twins [Электронный ресурс] // FIWARE Foundation. – Режим доступа: https://www.fiware.org/ (дата обращения: 17.06.2026).
14. Земцов А.И., Ербаев Е.Т., Куптлеуова К.Т. и др. Применение IoT и цифровых двойников в электроэнергетических системах // Наука и образование. – 2025. – № 3(5). – С. 328–336.
15. Redelinghuys A., Basson A.H., Kruger K. A six-layer digital twin architecture for a manufacturing cell // Lecture Notes in Mechanical Engineering. – Springer, 2019. – P. 412–423. DOI: 10.1007/978-3-319-93851-4_39.
16. Цифровые двойники в промышленности: архитектура, применение и экономическая эффективность // Материалы конференции ВГЛТУ. – 2025. – С. 199–204.
17. ANSYS Twin Builder Partner Integrations [Электронный ресурс] // ANSYS. – Режим доступа: https://www.ansys.com/products/twin-builder (дата обращения: 17.06.2026).
18. Цифровые двойники в энергетике: практический инструмент для повышения управляемости [Электронный ресурс] // RUSSOFT. – Режим доступа: https://russoft.org/news/ (дата обращения: 17.06.2026).