利用数字孪生技术提升重工业资产峰值性能

COVID-19疫情后重塑了资产管理格局，尤其是炼油厂和制造工厂等重工业领域。挑战之中蕴含着推动工厂运营管理范式转变的契机。

工业设施所有者和运营商正面临多重挑战：全球供应链中断可能影响“运行与维护”作业，同时还要满足日益增长的生产需求。最令他们担忧的是看不见的风险，特别是意外资产故障和设备长期损坏的可能性。

为管理工业设施内所有资产的全生命周期，企业正在寻找创新解决方案，以优化设备性能，同时确保安全和运营可靠性。这包括数据集成与标准化，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查看工厂运营的当前状态，从而快速定位运营瓶颈、装置短板、设计局限性以及泄放系统的充分性。然而，要对工厂运营的未来状态进行建模和预测，则需要先进的机器学习（ML）能力。

数字孪生技术利用机器学习算法聚合、整合、分析和比较历史运营与设计数据与当前数据，形成统计模型。其结果是设施中每个装置的虚拟克隆，复制其物理对应物的功能、特性和行为，以及馈入其中的机械和电气系统。

数字孪生模型还涵盖设施或工业现场的物理基础设施和错综复杂的工厂工艺流程，包括采购和供应链物流，从而创建一个数字化运营环境。

数字孪生技术虚拟克隆示例。来源：Anvil Corporation

在正确的时间获得正确信息可防止设备故障。数字孪生的先进机器学习能力基于数据中的模式和相关性，为所有者/运营商提供预测性分析。

凭借这些信息，所有者/运营商可以洞察：

• 每个装置如何随时间老化和变化
• 装置何时可能发生故障
• 基于采购/供应链系统模型，何时订购长周期物料
• 在问题发生前何时介入处理

一个常见问题是人工智能（AI）与机器学习的区别，因为两者都提供预测分析。区别在于：

• 机器学习为所有者/运营商提供客观信息以辅助决策
• AI通过推荐行动方案提供主观决策方法

数字孪生机器学习的目的不是取代人工交互和评估，而是使交互变得非侵入式且持续学习。

此外，AI是跨互联网运行的开源技术，可能泄露专有信息；而数字孪生的机器学习软件仅限于特定公司、设施或地点内部。

通过数字孪生模型和机器学习预测分析模拟未来运营场景，所有者/运营商可优化资源、流程、维护计划、策略和设置。

数字孪生技术还能帮助预测何时安排大修、何时在停工前订购长周期物料。这对设备交货周期长的偏远场地尤为关键，让所有者/运营商安心：所需设备将按时到货。

构建数字孪生蓝图

构建数字孪生蓝图的第一步是收集并输入所有历史数据，包括检查记录、新规范、重新评级和当前运营数据，以开发生产设施中每个物理资产的虚拟可复用原型。

数字孪生技术虚拟克隆示例。来源：Anvil Corporation

关键在于确保正确的监测仪表到位，持续向数字模型供数据。历史数据和原始制造指南均可编程为模型中的“报警”点，提醒所有者潜在的工况异常或故障。

数字孪生机器学习功能接管后续工作，实时聚合、交叉引用并即时整合来自多源的离散数据。相比之下，工程师手动计算相同信息需数周时间。

数据收集整合后，机器学习将当前性能与装置初始设计参数对比，即时标记异常或偏离预期行为。这帮助工程师瞬间识别关注区域以便深入调查，并虚拟验证和扩展模型能力，而不干扰设施运营。

数字孪生模型随后通过模拟未来运营场景预测未来，判断装置将如何演变、何时需更换组件。

随着数字孪生技术演进，其他物理评估方式可能过时，如在线试运行。例如，这些先进模型可预测系统对工艺变量变化的反应，而无需扰乱设施日常运营，消除真实试运行带来的离规产品和潜在安全隐患。

数字孪生技术的挑战

输出质量取决于输入质量

构建数字孪生模型的主要挑战不在于技术本身，而在于基于多变量、多源聚合数据的可靠性。

例如，构建模型时，操作员如何知晓某部件或系统是否已处于故障状态？

这涉及可靠信息的定义。可靠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——集成在智能自动化工厂网络中的工艺与设备监测仪表数据。

例如，仅获取一组装置性能数据是不够的。为获得更可靠信息，必须采集装置支撑基础设施的数据。可能是进入装置的管道或为装置供电的电气部件已处于故障状态，影响使用相同机械电气部件和系统的其他多个装置运行。

数据的力量

更多数据让所有者/运营商对当前运营有更真实的视图，从而构建更精准的数字孪生模型。经整合验证的多数据源使数字孪生模型能够：

• 估算设备寿命
• 预测设备故障
• 确定何时安排设施大修

借助数字孪生模型，设施所有者和运营商可在大修和生产高峰期运行维护作业。

但工程师填补主观运营数据仍至关重要。冶金考量、工艺流对设备管道的化学物理影响，仍需工程知识和专业技能才能充分利用数字孪生信息。

任何工业设施由数百万零件组成数百个系统，凸显了保持准确维护记录的关键性；数字孪生模型的输出仅取决于其输入。因此，获得利益相关者采纳技术的意愿，取决于他们对信息准确性的信任程度。

对技术的信任

成功实施数字孪生技术需要合适的软件工具和受过培训的专家。工艺仿真软件公司正收购接口技术以更好地开发数字孪生模型。

挑战在于确保接口正确集成以产出准确基线信息。这需要精通数字孪生技术和流程、熟悉行业元数据的专家，确保输入模型的所有历史信息正确无误。

总结

数字孪生的先进机器学习算法、预测分析和建模能力，为各规模设施提供了一种新的高性价比资产管理选择。通过与工程顾问合作并使用合适软件，设施所有者/运营商可快速实施该技术并融入运营。

该技术还带来多重成本效益：

• 运营与能源效率提升
• 可靠性、安全性和维护预测改善
• 降低风险、停机时间和非必要维护成本

拥抱数字孪生技术将是保持在快速演变的工业市场中竞争力的关键。