Использование технологии цифровых двойников для достижения пиковой производительности активов в тяжелой промышленности

Последствия пандемии COVID-19 кардинально изменили ландшафт управления активами, особенно в тяжелой промышленности — на нефтеперерабатывающих заводах и производственных предприятиях. Вместе с вызовами появилась возможность для парадигмального смещения в управлении заводскими операциями.

Владельцы и операторы промышленных объектов сталкиваются с рядом проблем: глобальные нарушения цепочек поставок влияют на операции «запуска и обслуживания», в то время как растут требования к объемам производства. Главная беспокойство — невидимые риски, в частности неожиданные проблемы с активами и возможные долгосрочные повреждения оборудования.

Для управления жизненными циклами всех активов промышленного объекта организации ищут инновационные решения для оптимизации производительности оборудования с обеспечением безопасности и операционной надежности. Ключевыми элементами становятся интеграция и стандартизация данных, а также внедрение технологии цифровых двойников, обеспечивающей предиктивную аналитику обслуживания активов.

Что такое технология цифровых двойников?

Сегодня инженерные и проектные команды используют динамические модели процессного моделирования для оценки текущего состояния заводских операций. Это позволяет быстро выявлять операционные узкие места, недостатки установок, проектные ограничения и адекватность систем защиты. Однако для моделирования и прогнозирования будущего состояния заводских операций требуются продвинутые возможности машинного обучения (ML).

Технология цифровых двойников использует алгоритмы машинного обучения для агрегации, интеграции, анализа и сравнения исторических операционных и проектных данных с текущими данными для формирования статистической модели. Результатом становится виртуальный клон каждой установки объекта, реплицирующий функции, особенности и поведение своего физического аналога, а также механические и электрические системы, обеспечивающие его работу.

Модели цифровых двойников также включают физическую инфраструктуру объекта или промышленного комплекса и сложную сеть технологических процессов, включая закупки и логистику цепочек поставок, создавая цифровую операционную среду.

Пример виртуального клона технологии цифровых двойников. Источник: Anvil Corporation

Получение правильной информации в нужное время предотвращает сбои оборудования. Продвинутые возможности машинного обучения цифрового двойника предоставляют владельцам/операторам предиктивную аналитику на основе закономерностей и корреляций в данных.

Вооруженные этой информацией, владельцы/операторы могут увидеть:

• Как каждая установка может стареть и меняться со временем
• Когда установка может выйти из строя
• Когда заказывать оборудование с длительным сроком поставки на основе моделей закупок/цепочек поставок
• Когда устранить проблему до ее возникновения

Часто возникает вопрос о разнице между искусственным интеллектом (ИИ) и машинным обучением, так как обе технологии предоставляют предиктивную аналитику. Разница заключается в следующем:

• Машинное обучение предоставляет владельцам/операторам объективную информацию для принятия решений
• ИИ предлагает субъективный подход к принятию решений, рекомендуя варианты действий

Цель машинного обучения цифрового двойника — не заменить человеческое взаимодействие и оценку, а сделать их неинвазивными и постоянно обучающимися.

Кроме того, ИИ — это технология с открытым исходным кодом, работающая через интернет, что может нарушать права на интеллектуальную собственность, в то время как программное обеспечение машинного обучения цифрового двойника изолировано в пределах конкретной компании, объекта или локации.

Моделируя будущие операционные сценарии с помощью моделей цифровых двойников и предиктивной аналитики машинного обучения, владельцы/операторы могут оптимизировать свои ресурсы, процессы и графики обслуживания, стратегии и настройки.

Технология цифровых двойников также помогает предсказать, когда планировать плановый ремонт и когда заказывать оборудование с длительным сроком поставки до остановки. Это особенно критично для удаленных объектов с более длительными сроками поставки оборудования, давая владельцам/операторам уверенность, что закупленное оборудование будет на месте вовремя.

Создание черновика цифрового двойника

Первый шаг к созданию черновика цифрового двойника — собрать и загрузить в программное обеспечение все исторические данные, включая записи осмотров, новые коды, перерасчеты и текущие операционные данные, для разработки виртуального и многократно используемого прототипа каждого физического актива производственного объекта.

Пример виртуального клона технологии цифровых двойников. Источник: Anvil Corporation

Ключевой момент этого этапа — обеспечение правильной инструментации мониторинга для постоянного питания цифровой модели. И исторические, и исходные производственные рекомендации могут быть запрограммированы как «тревожные» точки в модели для оповещения владельцев о потенциальных нарушениях или сбоях.

Функция машинного обучения цифрового двойника берет на себя агрегацию, перекрестную проверку и мгновенную интеграцию всех разрозненных данных из множества источников в реальном времени. Для сравнения: инженеру потребовались бы недели для ручного расчета той же информации.

После сбора и интеграции всех данных машинное обучение сравнивает текущую производительность с исходными проектными параметрами установки, мгновенно выявляя аномалии или отклонения от ожидаемого поведения. Это помогает инженерам мгновенно выявить зону риска для дальнейшего расследования и виртуально валидировать и масштабировать модели для расширения их возможностей без прерывания операций объекта.

Модели цифровых двойников затем прогнозируют будущее, моделируя операционные сценарии для определения того, как установки будут эволюционировать во времени и когда их компоненты потребуют замены.

По мере развития технологии цифровых двойников другие виды физических оценок могут устареть, например, тестовые запуски онлайн. Эти продвинутые модели могут предсказать реакцию систем на изменение процессных переменных без нарушения повседневных операций объекта, исключая выпуск некондиционной продукции и потенциальные проблемы безопасности, связанные с реальными тестовыми запусками.

Проблемы технологии цифровых двойников

Результат tão хорош, насколько хороши входные данные

Главная проблема построения моделей цифровых двойников — не столько в технологии, сколько в определении надежности агрегированных данных из нескольких источников на основе множественных переменных, поступающих в модели.

Например, как оператор узнает, что деталь или система уже находится в состоянии отказа при построении моделей?

Это требует определения надежной информации. Надежная информация обычно исходит из большего объема данных, которые машинное обучение цифрового двойника перекрестно проверило и валидировало — данных от инструментария мониторинга процессов и оборудования, интегрированного в умную автоматизированную сеть завода.

Например, захват одного набора данных о производительности установки недостаточен. Для более надежной информации важно собирать данные о поддерживающей инфраструктуре установки. Может оказаться, что трубопроводы, подающиеся в установку, или электрические компоненты, обеспечивающие ее питание, уже находятся в состоянии отказа, влияя на множество других установок, работающих с теми же механическими и электрическими частями и системами.

Сила данных

Больше данных дает владельцам/операторам более реалистичное представление о текущих операциях, что помогает построить более точную модель цифрового двойника. С интегрированными и валидированными данными из множества источников модели цифровых двойников могут:

• Оценивать срок службы оборудования
• Прогнозировать отказы оборудования
• Определять, когда планировать плановые остановки объекта

С моделями цифровых двойников владельцы и операторы объектов могут вести эксплуатацию и обслуживание во время плановых остановок и пиковых сезонов производства.

Однако критически важно, чтобы инженер заполнил субъективные операционные данные. Металлургические соображения, а также химическое и физическое воздействие процессных потоков на оборудование и трубопроводы по-прежнему требуют инженерных знаний и экспертизы для полноценного использования информации цифрового двойника.

Тот факт, что миллионы деталей составляют сотни систем в любом промышленном объекте, подчеркивает критическую важность ведения точных записей об обслуживании; выходные данные модели цифрового двойника таковы, каковы ее входные данные. Поэтому получение готовности заинтересованных сторон принять технологию зависит от степени их доверия и убежденности в точности информации.

Доверие к технологии

Успешная реализация технологии цифровых двойников требует доступа к правильным программным инструментам и обученным специалистам. Компании по процессному моделированию теперь закупают интерфейсные технологии для лучшей разработки моделей цифровых двойников.

Сложность заключается в обеспечении правильной интеграции интерфейсов для создания точной базовой линии информации. Необходимы обученные специалисты, знающие технологию и процессы цифрового двойника, использующие отраслевые метаданные, чтобы гарантировать правильность всей исторической информации, поступающей в модели.

Резюме

Продвинутые алгоритмы машинного обучения, предиктивная аналитика и возможности моделирования цифровых двойников предлагают новый экономически эффективный вариант управления активами для объектов любого размера. Работая с инженерными консультантами и используя правильное программное обеспечение, владельцы/операторы объектов могут быстро внедрить технологию и интегрировать ее в свои операции.

Технология также приносит множество экономических выгод, включая:

• Операционную и энергетическую эффективность
• Повышение надежности, безопасности и прогнозирования обслуживания
• Снижение рисков, простоев и ненужных затрат на обслуживание

Принятие технологии цифровых двойников станет необходимым условием для сохранения конкурентоспособности в быстро развивающихся промышленных рынках.