Industriële fabricage
Industrieel internet der dingen | Industriële materialen | Onderhoud en reparatie van apparatuur | Industriële programmering |
home  MfgRobots >> Industriële fabricage >  >> Industrial Internet of Things >> Internet of Things-technologie

Digitale Tweeling Technologie Inzetten voor Optimale Asset Prestaties in Zware Industrie

De nasleep van COVID-19 heeft het landschap van asset management herschapen, met name in zware industrieën zoals raffinaderijen en productieplanten. Met deze uitdaging komt de kans om een paradigmaversnelling te realiseren in de manier waarop plantoperaties worden beheerd.

Eigenaren en operators van industriële faciliteiten worstelen nu met verschillende uitdagingen, zoals mondiale verstoringen in de toeleveringsketen die de 'run and maintain'-operaties kunnen beïnvloeden, terwijl ze streven naar voldoen aan groeiende productie-eisen. Wat hen 's nachts wakker houdt, zijn de risico's die ze niet kunnen zien, met name wanneer het gaat om onverwachte assetproblemen en mogelijke langdurige schade aan apparatuur.

Wat is Digitale Tweeling Technologie?

Tegenwoordig gebruiken engineering- en ontwerpteams dynamische processimulatiemodellen om de huidige staat van plantoperaties te bekijken. Hierdoor kunnen ze snel operationele knelpunten, tekortkomingen in units, ontwerplimieten en de adequateit van overstroomsystemen identificeren. Echter, het vereist geavanceerde machine learning (ML) mogelijkheden om de toekomstige staat van plantoperaties te modelleren en te voorspellen.

Digitale tweeling technologie benut machine learning algoritmen om historische operationele en ontwerpgegevens te verzamelen, integreren, analyseren en vergelijken met huidige data om een statistisch model te vormen. Het resultaat is een virtuele kloon van elke unit in een faciliteit, die de functies, kenmerken en gedragingen van zijn fysieke tegenhanger repliceert, samen met de mechanische en elektrische systemen die erin voeden.

Digitale tweeling modellen omvatten ook de fysieke infrastructuur van een faciliteit of industriële site en het complexe web van plantprocessen, inclusief inkoop- en toeleveringsketenlogistiek, om een digitale operationele omgeving te creëren.

Voorbeeld van Digitale Tweeling Technologie Virtuele Kloon. Bron: Anvil Corporation

Het ontvangen van de juiste informatie op het juiste moment voorkomt apparatuurstoringen. De geavanceerde machine learning capaciteit van digitale tweeling biedt eigenaren/operators voorspellende analyses gebaseerd op patronen en correlaties in de data.

Gewapend met deze informatie kunnen eigenaren/operators zien:

  • Hoe elke unit kan verouderen en veranderen over tijd
  • Wanneer een unit storingen kan ervaren
  • Wanneer langlopende items besteld moeten worden op basis van inkoop/toeleveringsketen systeemmodellen
  • Wanneer een probleem moet worden aangepakt voordat het zich voordoet

Een vraag die vaak rijst betreft het verschil tussen kunstmatige intelligentie (AI) en machine learning, aangezien beide geavanceerde technologieën voorspellende analyses leveren. Het verschil is:

  • Machine learning biedt eigenaren/operators objectieve informatie om hun beslissingen op te baseren
  • AI biedt een subjectieve benadering voor besluitvorming door actieplannen aan te bevelen.

De bedoeling van digitale tweeling machine learning is niet om menselijke interactie en evaluatie te vervangen, maar om de interactie niet-invasief en voortdurend leerzaam te maken.

Daarnaast is AI een open-source technologie die via internet opereert, wat potentieel inbreuk kan maken op eigendomsinformatie, terwijl de machine learning software van digitale tweeling beperkt is tot een specifiek bedrijf, faciliteit of locatie.

Door toekomstige operationele scenario's te simuleren met digitale tweeling modellen en machine learning voorspellende analyses, kunnen eigenaren/operators hun resources, processen en onderhoudsschema's, strategieën en instellingen optimaliseren.

Digitale tweeling technologie helpt eigenaren/operators ook te voorspellen wanneer een groot onderhoud (turnaround) moet worden gepland en wanneer langlopende items voor een shutdown moeten worden besteld. Dit is met name cruciaal voor remote sites met langere levertijden voor apparatuur, wat eigenaren/operators de rust geeft dat ze hun ingekochte apparatuur op tijd op de site hebben.

Een Digitale Tweeling Blueprint Bouwen

De eerste stap bij het bouwen van een digitale tweeling blueprint is het lokaliseren en invoeren van alle historische data, inclusief inspectierecords, nieuwe codes, herberekeningen en huidige operationele data, in de digitale tweeling software om een virtueel en herbruikbaar prototype te ontwikkelen van elk fysiek asset in een productiefaciliteit.

Voorbeeld van Digitale Tweeling Technologie Virtuele Kloon. Bron: Anvil Corporation

Een essentieel onderdeel van deze stap is het waarborgen dat de juiste monitoring instrumentatie aanwezig is om het digitale model constant te voeden. Zowel historische als oorspronkelijke fabrikaterichtlijnen kunnen als 'alarm' punten in het model worden geprogrammeerd om eigenaren te waarschuwen voor potentiële storingen of falen.

De machine learning functie van de digitale tweeling neemt het daarvandoor over, door alle uiteenlopende data uit meerdere bronnen in real-time te aggregateren, te kruisrefereren en direct te integreren. In vergelijking zou het een ingenieur weken kosten om dezelfde informatie handmatig te berekenen.

Zodra alle data is verzameld en geïntegreerd, vergelijkt machine learning de huidige prestaties met wat de unit oorspronkelijk was ontworpen voor, om direct afwijkingen of deviaties van verwacht gedrag te vlaggen. Dit helpt ingenieurs direct een zorgengebied te identificeren dat verder onderzocht moet worden en de modellen virtueel te valideren en te schalen om hun mogelijkheden uit te breiden zonder de faciliteitsoperaties te verstoren.

Digitale tweeling modellen voorspellen vervolgens wat er aankomt door toekomstige operationele scenario's te simuleren om te bepalen hoe units zullen evolueren over tijd en wanneer unitcomponenten vervangen moeten worden.

Naarmate digitale tweeling technologie zich verder ontwikkelt, kunnen andere typen fysieke evaluaties verouderen, zoals online testruns. Deze geavanceerde modellen kunnen bijvoorbeeld voorspellen hoe systemen reageren op veranderingen in procesvariabelen zonder de dagelijkse operaties van een faciliteit te verstoren, wat off-spec producten en potentiële veiligheidsrisico's verbonden aan real-world testruns elimineert.

Uitdagingen van Digitale Tweeling Technologie

Output is Alleen zo Goed als Input

De voornaamste uitdaging bij het bouwen van digitale tweeling modellen is niet zoveel de technologie – het is het bepalen of de geaggregeerde data uit verschillende bronnen op basis van meerdere variabelen die in de modellen voeden, gebaseerd is op betrouwbare informatie.

Hoe weet een operator bijvoorbeeld of een onderdeel of systeem al in een toestand van storing is bij het bouwen van de modellen?

Dit omvat het definiëren van betrouwbare informatie. Betrouwbare informatie komt doorgaans van meer data die de machine learning van de digitale tweeling heeft gekruisrefereren en gevalideerd – data van proces- en apparatuurmonitoring instrumentatie geïntegreerd in een slim, geautomatiseerd plantnetwerk.

Het vastleggen van één set data over de prestaties van een unit is bijvoorbeeld niet genoeg. Voor betrouwbaardere informatie is het belangrijk om ook data over de ondersteunende infrastructuur van de unit vast te leggen. Het kan zijn dat de buisleiding naar de unit of de elektrische componenten die de unit aandrijven al in een toestand van storing zijn, wat meerdere andere units beïnvloedt die met dezelfde mechanische en elektrische onderdelen en systemen opereren.

De Kracht van Data

Meer data geeft eigenaren/operators een realistischer beeld van de huidige operaties, wat helpt om een nauwkeuriger digitale tweeling model te bouwen. Met geïntegreerde en gevalideerde data uit meerdere invoerkanalen, kunnen digitale tweeling modellen:

  • De levensduur van apparatuur schatten
  • Apparatuurstoringen voorspellen
  • Bepalen wanneer faciliteit turnarounds gepland moeten worden

Met digitale tweeling modellen kunnen faciliteitseigenaren en operators hun operaties tijdens turnarounds en piekproductieseizoenen draaien en onderhouden.

Echter, het blijft cruciaal dat een ingenieur de subjectieve operationele data invult. Metallurgische overwegingen, samen met de chemische en fysieke effecten van processtromen op apparatuur en buisleidingen, zullen nog steeds ingenieurskennis en expertise vereisen om de digitale tweeling informatie volledig te benutten.

Het feit dat miljoenen onderdelen honderden systemen vormen in elke industriële faciliteit, benadrukt de criticaliteit van het bijhouden van nauwkeurige onderhoudsrecords; de output van een digitale tweeling model is alleen zo goed als zijn input. Daarom hangt het winnen van de bereidheid van stakeholders om de technologie te adopteren af van hun mate van vertrouwen en of ze geloven dat de informatie nauwkeurig is of niet.

Vertrouwen in de Technologie

Het succesvol implementeren van digitale tweeling technologie vereist toegang tot de juiste softwaretools en getrainde specialisten. Proces simulatiesoftware bedrijven kopen nu interface technologieën om betere digitale tweeling modellen te ontwikkelen.

De uitdaging ligt erin om te waarborgen dat de interfaces correct geïntegreerd zijn om een accurate baseline van informatie te produceren. Het vereist getrainde specialisten die kennis hebben van digitale tweeling technologie en processen met behulp van industriemetadata om te waarborgen dat alle historische informatie die in de modellen voedt, correct is.

Samenvatting

De geavanceerde machine learning algoritmen, voorspellende analyses en modelleringcapaciteiten van digitale tweeling bieden een nieuwe kosteneffectieve asset management optie voor faciliteiten van alle formaten. Door te werken met engineering consultants en de juiste software te gebruiken, kunnen faciliteitseigenaren/operators de technologie snel implementeren en integreren in hun operaties.

De technologie levert ook meerdere kostenvoordelen op, inclusief:

  • Operaties en energie-efficiëntie
  • Verbeterde betrouwbaarheid, veiligheid en onderhoudsvoorspellingen
  • Verminderd risico, downtime en onnodige onderhoudskosten

Omarm digitale tweeling technologie zal essentieel zijn om competitief te blijven in snel evoluerende industriële markten.

Internet of Things-technologie

  1. Hoe MIPI Alliance-standaarden de Industrial Internet of Things aandrijven
  2. ROI maximaliseren met Real-Time Location Systems (RTLS) in de gezondheidszorg
  3. De Bhopal-ramp: Hoe Industrial IoT duizenden levens had kunnen redden
  4. De Fundamentele Architectuur Onder de IoT-revolutie
  5. AI benutten voor slimme voorraadbeheer en $1,1 biljoen kapitaal vrijmaken
  6. Voorspellend Onderhoud: Efficiëntie en Risicoreductie met Datagestuurde Inzichten
  7. Waarom automatisering essentieel is voor moderne integratie: 4 sleutelvoordelen
  8. Hoe Blockchain wereldwijde toeleveringsketens transformeert
  9. IoT-ingeschakelde Brandstoftank Monitoring: Nauwkeurige, Real-Time Huishoudelijke Peilvolging
  10. Essentiële Beveiligings- & Testpraktijken voor IoT-apparaten
  11. Hoe Moderne Activatracking-technologieën Bedrijfsefficiëntie Drijven