Отримано 30.01.2026, Доопрацьовано 18.05.2026, Прийнято 25.06.2026 Опубліковано 03.08.2026

Практична IT/OT інтеграція периферійно-хмарного гібридного цифрового двійника суднових енергетичних установок

Володимир Вичужанін*, Олексій Вичужанін

v.v.vychuzhanin@op.edu.ua



Зростаюча складність та жорсткі вимоги до надійності в режимі реального часу сучасних суднових енергетичних установок (СЕУ) роблять традиційні цифрові двійники недостатньо ефективними, якщо вони спираються виключно на фізико-математичні моделі або моделі на основі даних. Крім того, відсутність уніфікованої інтеграції ІТ/ОТ та семантичної узгодженості обмежує їх практичне впровадження в реальних умовах морської експлуатації. Метою даного дослідження були розробка та валідація фреймворку гібридного цифрового двійника (ГЦД), який забезпечує адаптивне моделювання, семантичну інтероперабельність та безпечну інтеграцію в режимі реального часу в межах кіберфізичної інфраструктури судна. Для досягнення цієї мети було запропоновано когнітивно-адаптивну архітектуру ГЦД. Вона поєднала фізичні термодинамічні моделі з компонентами CNN-LSTM на основі даних за допомогою механізму динамічного перерозподілу довіри (authority-shift), що керується невизначеністю в режимі реального часу. Фреймворк включав когнітивну імітаційну модель (CSM) на базі онтологій OWL 2.0 та правил SWRL для семантичної валідації фізичних обмежень безпосередньо в контурі управління. Додатково було впроваджено протокол семантико-функціонального подвійного обміну (SFDX) для уніфікації фізичної телеметрії та онтологічних дескрипторів. Така інтеграція когнітивної валідації та динамічного балансування моделей забезпечила стійку роботу в умовах деградації сенсорів та кіберфізичних збурень. Експериментальна валідація була проведена з використанням апаратно-програмного стенду (Hardware-in-the-Loop), що імітує реальні умови експлуатації СЕУ. Результати продемонстрували стабільну роботу при швидкості обміну даними понад 10⁴ повідомлень на секунду, з наскрізною затримкою менше 0,25 секунди та втратою даних менше 0,3 %. Гібридна модель знизила середню похибку прогнозування залишкового корисного ресурсу на 20-25 % порівняно з ізольованими підходами, підтримуючи фізико-семантичну узгодженість на рівні відхилення менше 3 %. Оцінка архітектури підтвердила ефективність розподіленої парадигми «борт-межа-хмара» (onboard-edge-cloud), де управління в реальному часі виконується локально, тоді як обчислювально складні задачі перенавчання моделей делегуються на вищі рівні. Запропонований фреймворк створив масштабовану основу для надійних та когнітивно інтегрованих цифрових двійників СЕУ

кіберфізичні системи; семантична інтероперабельність; адаптивне моделювання; залишковий корисний ресурс; когнітивне моделювання
145-161
Vychuzhanin, V., & Vychuzhanin, A. (2026). Practical IT/OT integration of an edge-cloud hybrid digital twin for ship power plants. Information Technologies and Computer Engineering, 23(2), 145-161. https://doi.org/10.31649/vitce/2.2026.145

Використані джерела

  1. Al-Mhiqani, M.N., Alsboui, T., Al-Shehari, T., Abdulkareem, K.H., Ahmad, R., & Mohammed, M.A. (2024). Insider threat detection in cyber-physical systems: A systematic literature review. Computers and Electrical Engineering, 119, article number 109489. doi: 10.1016/j.compeleceng.2024.109489.
  2. Boschert, S., & Rosen, R. (2016). Digital twin – the simulation aspect. In P. Hehenberger & D. Bradley (Eds.) Mechatronic futures (pp. 59-74). Cham: Springer. doi: 10.1007/978-3-319-32156-1_5.
  3. Cimino, C., Negri, E., & Fumagalli, L. (2019). Review of digital twin applications in manufacturing. Computers in Industry, 113, article number 103130. doi: 10.1016/j.compind.2019.103130.
  4. Fuller, A., Fan, Z., Day, C., & Barlow, C. (2020). Digital twin: Enabling technologies, challenges and open research. IEEE Access, 8, 108952-108971. doi: 10.1109/ACCESS.2020.2998358.
  5. Grangel-González, I., Halilaj, L., Coskun, G., Auer, S., Collarana, D., & Hoffmeister, M. (2016). Towards a semantic administrative shell for Industry 4.0. In Proceedings of IEEE ICSC. Laguna Hills: IEEE Computer Society Conference Publishing Services. doi: 10.1109/ICSC.2016.58.
  6. Heluany, J.B., & Gkioulos, V. (2024). A review on digital twins for power generation and distribution. International Journal of Information Security, 23, 1171-1195. doi: 10.1007/s10207-023-00784-x.
  7. Homaei, M., Mogollón-Gutiérrez, Ó., Sancho, J.C., Ávila, M., & Caro, A. (2024). A review of digital twins and their application in cybersecurity based on artificial intelligence. Artificial Intelligence Review, 57, article number 201. doi: 10.1007/s10462-024-10805-3.
  8. Karniadakis, G.E., Kevrekidis, I.G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3, 422-440. doi: 10.1038/s42254-021-00314-5.
  9. Lu, Y., Liu, C., Wang, K.I.-K., Huang, H., & Xu, X. (2020). Digital twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing, 61, article number 101837. doi: 10.1016/j.rcim.2019.101837.
  10. Qi, Q., & Tao, F. (2018). Digital twin and big data towards smart manufacturing and Industry 4.0. Engineering, 6, 3585-3593. doi: 10.1109/ACCESS.2018.2793265.
  11. Raghavendra Babu, T.M., & Harish Kumar, K.S. (2025). Intelligent security model for digital twins: An autoencoder-based anomaly detection framework. Journal of Information Systems Engineering and Management, 10(56).
  12. Suhail, S., Hussain, R., Jurdak, R., & Hong, C.S. (2021). Trustworthy digital twins in the industrial Internet of Things with blockchain. IEEE Internet Computing, 26(3), 58-67. doi: 10.1109/MIC.2021.3059320.
  13. Tao, F., Xiao, B., Qi, Q., Cheng, J., & Ji, P. (2022). Digital twin modeling. Journal of Manufacturing Systems, 64, 372-389. doi: 10.1016/j.jmsy.2022.06.015.
  14. Tyagi, A.K., Tiwari, S., Arumugam, S.K., & Sharma, A.K. (2024). Artificial intelligence-enabled digital twin for smart manufacturing. Beverly: Scrivener Publishing LLC. doi: 10.1002/9781394303601.
  15. Thelen, A., Zhang, X., Fink, O., Lu, Y., Ghosh, S., Youn, B.D., Todd, M.D., Mahadevan, S., Hu, C., & Hu, Z. (2022). A comprehensive review of digital twin: Modeling and enabling technologies. Structural and Multidisciplinary Optimization, 65, article number 354. doi: 10.1007/s00158-022-03425-4.
  16. Vychuzhanin, V., & Vychuzhanin, O. (2026). A hybrid model for evaluating the accuracy of failure forecasts in ship power plants. BULLETIN of Cherkasy State Technological University, 31(1), 44-59. doi: 10.62660/bcstu/1.2026.44.
  17. Vychuzhanin, V., & Vychuzhanin, O. (2025). Digital methods and models for control and survivability of complex technical systems. Lviv: Liha-Pres. doi: 10.36059/978-966-397-556-6.
  18. Wang, Y., Su, Z., Guo, S., Dai, M., Luan, T.H., & Liu, Y. (2023). A survey on digital twins: Architecture, enabling technologies, security and privacy, and future prospects. IEEE Internet of Things Journal, 10(17), 14965-14987. doi: 10.1109/JIOT.2023.3263909.
  19. Xia, Y., Xiao, Z., Jazdi, N., & Weyrich, M. (2024). Generation of asset administration shell with large language model agents: Toward semantic interoperability in digital twins in the context of industry 4.0. IEEE Access, 12, 84863-84877. doi: 10.1109/ACCESS.2024.3415470.
  20. Zhao, Y., Hu, Z., Du, W., Geng, L., & Yang, Y. (2024). Research on modeling method of autonomous underwater vehicle based on a physics-informed neural network. Journal of Marine Science and Engineering, 12(5), article number 801. doi: 110.3390/jmse12050801.