人们对数字双胞胎的兴趣正在不断增长。在制造业和工业部门，数字孪生成为机器和流程数字化的一个流行策略。仔细观察这项技术，我们提出了一种将第一原理模型和机器学习结合到数字孪生中的混合方法，并讨论了应如何使用这项技术来最有效地改善工厂的运作。



数字双胞胎在流程工业中的应用



数字双胞胎的应用案例横跨多个行业，如物流、医药、汽车工业以及最重要的流程工业。每个用例和行业也都对数字孪生有自己的理解。在某些情况下，数字孪生是一个基于资产的数据模型，作为一个存储器，准备在生命周期内存储数据。对数字孪生体的另一个典型理解是真实产品的数字3D几何模型。



常见的挑战



通过数字双胞胎监控整个过程，旨在了解机器内部实际发生的情况以及过程如何受到变化的影响。因此，操作员可以在异常和故障成为生产的威胁之前发现它们。其目的是为了提高工厂的维护和可靠性。过程监测的一个常见问题是，典型的机器学习（ML）方法在分类或计算剩余使用寿命时所需的注释数据量并不存在。为了计算资产的剩余时间跨度，你需要特定的重复故障模式，并以此为前提推导出退化模型。



通过隔离林等统计方法，有可能检测到被定义为不寻常系统状态的异常情况。这种方法的缺点是，检测到的异常情况需要由专家进行解释。



从通用到特定资产



业内人士普遍认为，简单、通用的大数据系统并不能增加价值。复杂的过程需要领域知识来理解。有无数的传感器信号需要被覆盖。成功的数据驱动的维护战略依赖于具有明确使用案例的特定资产解决方案。从这个角度来看，使用一个通用的异常检测算法不会创造足够的价值。因此，建议通过增加特定资产的解决方案来绕过通用方法。例如，为过程中广泛使用的控制阀找到一个有效的数据模型，并在整个工厂的所有阀门中部署该模型。



如果每个资产使用一个特定的、可靠的模型，可以减少设备非计划停机的成本和相关的维护费用。这通常是基于第一原理模型与机器学习的结合。原因是这些模型不是黑箱，而是可以被专家理解，并且更适合推断行为，因此产生较少的假阳性通知。



使用第一原理的数字孪生和混合模型的一个先决条件是语义数据模型，它呈现不同传感器信号的属性和关系。这需要从命名惯例或来自工程系统的更复杂的数据建模中产生，最好遵循DEXPI等标准。



用例仿真& 基于模型的优化



数据驱动的混合过程模型被用于模拟整个工厂。在很多情况下，这样的模型是数据驱动的决策和可靠的平稳变化过程的基础。例如：





1. 在改变之前对新的控制系统进行测试，如新的控制算法或交换控制器以减少风险。



1. 通过对压缩机、蒸汽轮机等部件的改造来提高产量



1. 通过改变工艺或例如识别密封性变差的性能降低来提高效率



1. 通过改变工艺或例如识别密封性变差的性能降低来提高效率



1. 通过在平行运行的机器之间更好地分担负载来提高效率



1. 通过生成最佳输入参数来改进自动化





一个例子。往复式压缩机



数据建模能够识别工厂中与往复式压缩机相关的传感器。数据建模建立了压缩机级和相关中冷器的充注和排放温度和压力的关系。压缩机级RC611的型号需要参考进口温度TI6111和出口温度TI6112。而中冷器使用TI6112作为管侧的进口温度和出口温度TI6121。



利用第一原理模型，可以监测每个单独的压缩机级的性能，从而检测出恶化，例如通过阀门。一般来说，在不可避免的交换之前几个月，就有可能检测到泄漏的增加。这就避免了计划外的停机时间，因为可以相应地计划维修。随着数字双胞胎的有效实施，通过最有效地使用资产，延长定期维护周期成为一种竞争优势。



此外，可以监测中间冷却器的传热系数。与压缩机模型一起，有可能计算出压缩机系统因结垢而产生的额外功率消耗。这可以根据能源成本和维护情况作出决定。



为了达到最大的效益，数字孪生集成了额外的传感器，这些传感器最好是由独立的IIoT传感器网络传输。因此，高效的数据基础设施对建立数字双胞胎至关重要。



关于工业分析IA



工业分析是一家AI-IoT初创公司，为机械和工业流程提供监控解决方案。有了IA的产品，客户就可以得到关于如何有效操作机器和延长基于数据驱动的决策周期的建议。在IA仪表板中，操作员可以管理事件并关联数据，从而获得关于机械的更深层次的知识，人工智能解决方案可以推荐可操作的见解。



更多信息请随时联系我们：sales@industrial-analytics.io



参考文献



 https://onepetro.org/SPEADIP/proceedings-abstract/21ADIP/3-21ADIP/D031S077R002/473698/a>