利用数字孪生技术实现重工业的最佳资产绩效

COVID-19 的后果重塑了资产管理的格局，特别是在炼油厂和制造厂等重工业领域。这一挑战带来了推动工厂运营管理方式转变的机会。

工业设施所有者和运营商现在正在努力应对多项挑战，例如可能影响“运行和维护”运营的全球供应链中断，同时努力满足不断增长的生产需求。让他们夜不能寐的是他们看不到的风险，特别是当涉及到意外的资产问题和可能的长期设备损坏时。 

为了帮助管理工业设施中所有资产的生命周期，组织正在寻找创新的解决方案来优化其设备性能，同时确保安全性和运行可靠性。这包括数据集成和标准化，以及采用提供预测性资产维护分析的数字孪生技术。 

什么是数字孪生技术？

如今，工程和设计团队使用动态过程仿真模型来查看工厂运营的当前状态。这使他们能够快速查明运营瓶颈、单位缺陷、设计限制以及救援系统的充分性。然而，需要先进的机器学习 (ML) 功能来建模和预测工厂运营的未来状态。

数字孪生技术利用机器学习算法来聚合、集成、分析历史运营和设计数据并将其与当前数据进行比较，以形成统计模型。其结果是设施中每个单元的虚拟克隆，复制其物理对应部分的功能、特征和行为，以及输入其中的机械和电气系统。 

数字孪生模型还包括设施或工业现场的物理基础设施和复杂的工厂流程网络（包括采购和供应链物流），以创建数字运营环境。

数字孪生技术虚拟克隆示例。资料来源：Anvil 公司

在正确的时间接收正确的信息可以防止设备故障。数字孪生的先进机器学习功能为业主/运营商提供基于数据模式和相关性的预测分析。 

有了这些信息，业主/运营商就可以看到：

• 每个单元如何随着时间的推移而老化和变化
• 当设备可能出现故障时
• 何时根据采购/供应链系统模型订购长周期产品
• 何时在问题发生之前解决问题

经常出现的一个问题与人工智能 (AI) 和机器学习之间的差异有关，因为这两种先进技术都提供预测分析。区别在于：

• 机器学习为业主/运营商提供客观信息作为决策依据
• 人工智能通过推荐行动方案提供了一种主观的决策方法。 

数字孪生机器学习的目的不是取代人类交互和评估，而是使交互成为非侵入性的、不断学习的。 

此外，人工智能是一种在互联网上运行的开源技术，可能会侵犯专有信息，而数字孪生的机器学习软件仅限于特定的公司、设施或地点。 

通过使用数字孪生模型和机器学习预测分析来模拟未来的运营场景，业主/运营商可以优化其资源、流程以及维护计划、策略和设置。 

数字孪生技术还可以帮助业主/运营商预测何时安排周转以及何时在停工前订购长交货期的产品。这对于设备交货时间较长的远程站点尤其重要，让业主/运营商放心，因为他们知道在需要时他们将在现场获得采购的设备。

构建数字孪生蓝图

构建数字孪生蓝图的第一步是找到所有历史数据，包括检查记录、新代码、重新定价和当前运营数据，并将其输入数字孪生软件中，以开发生产设施中每个物理资产的虚拟且可重复使用的原型。 

数字孪生技术虚拟克隆示例。资料来源：Anvil 公司

此步骤的关键部分是确保正确的监控仪器到位，以不断地为数字模型提供数据。历史和原始制造指南都可以编程为模型中的“警报”点，以提醒所有者潜在的混乱或故障。

数字孪生机器学习的功能从那里开始，聚合、交叉引用并立即实时集成来自多个来源的所有不同数据。相比之下，工程师需要花费几周的时间来手动计算相同的信息。 

收集并集成所有数据后，机器学习会将当前性能与设备最初设计的性能进行比较，以立即标记异常或偏离预期行为的情况。这有助于工程师立即识别需要进一步调查的关注领域，并以虚拟方式验证和扩展模型以扩展其功能，而无需中断设施运营。

然后，数字孪生模型通过模拟未来的运营场景来预测未来的情况，以确定单位将如何随着时间的推移而发展以及何时需要更换单位组件。 

随着数字孪生技术的不断发展，其他类型的物理评估可能会变得过时，例如在线测试运行。例如，这些先进的模型可以预测系统如何对过程变量变化做出反应，而不会影响设施的日常运营，消除不合格的产品以及与实际测试运行相关的潜在安全问题。

数字孪生技术的挑战

输出与输入一样好

构建数字孪生模型的主要挑战并不是技术，而是确定基于输入模型的多个变量的多个来源的汇总数据是否基于可靠的信息。 

例如，在构建模型时，操作员如何知道零件或系统何时已经处于当前故障状态？ 

这涉及定义可靠的信息。可靠的信息通常来自数字孪生机器学习交叉引用和验证的更多数据——来自集成到智能自动化工厂网络中的过程和设备监控仪器的数据。 

例如，捕获一组有关单元性能的数据是不够的。为了获得更可靠的信息，捕获有关单位支持基础设施的数据也很重要。进入设备的管道或为设备供电的电气部件可能已经处于故障状态，从而影响使用相同机械和电气部件和系统运行的多个其他设备。 

数据的力量

更多数据使业主/运营商能够更真实地了解当前运营情况，这有助于构建更准确的数字孪生模型。借助来自多个输入的集成且经过验证的数据，数字孪生模型可以：

• 估计设备寿命
• 预测设备故障
• 确定何时安排设施周转

借助数字孪生模型，设施所有者和运营商可以在周转和生产高峰季节运行和维持运营。 

然而，工程师填写主观操作数据仍然很关键。冶金方面的考虑，以及工艺流对设备和管道的化学和物理影响，仍然需要工程知识和专业知识才能充分利用数字孪生信息。  

在任何工业设施中，数以百万计的零件组成了数百个系统，这一事实凸显了保存准确的维护记录的重要性；数字孪生模型的输出与其输入一样好。因此，利益相关者是否愿意采用该技术取决于他们的信任程度以及他们是否认为信息准确。 

对技术的信任

成功实施数字孪生技术需要使用正确的软件工具和经过培训的专家。过程仿真软件公司现在正在购买接口技术，以更好地开发数字孪生模型。

挑战在于确保正确集成接口以产生准确的信息基线。它需要训练有素、了解数字孪生技术和流程的专家使用行业元数据来确保输入模型的所有历史信息都是正确的。 

摘要

数字孪生的先进机器学习算法、预测分析和建模功能为各种规模的设施提供了一种新的经济高效的资产管理选项。通过与工程顾问合作并使用正确的软件，设施所有者/运营商可以快速实施该技术并将其集成到他们的运营中。 

该技术还产生多种成本效益，包括：

• 运营和能源效率
• 改进可靠性、安全性和维护预测
• 减少风险、停机时间和不必要的维护成本

采用数字孪生技术对于在快速发展的工业市场中保持竞争力至关重要。