Gebruikmaken van Digital Twin-technologie voor topprestaties van activa in de zware industrie

De nasleep van COVID-19 heeft het landschap van vermogensbeheer opnieuw vormgegeven, vooral in zware industrieën zoals raffinaderijen en fabrieken. Deze uitdaging brengt een kans met zich mee om een paradigmaverschuiving teweeg te brengen met betrekking tot de manier waarop fabrieksactiviteiten worden beheerd.

Eigenaren en exploitanten van industriële faciliteiten worden nu geconfronteerd met verschillende uitdagingen, zoals verstoringen van de mondiale toeleveringsketen die van invloed kunnen zijn op de ‘run and onderhouds’-activiteiten, terwijl ze ernaar streven om aan de groeiende productie-eisen te voldoen. Wat hen 's nachts wakker houdt, zijn de risico's die ze niet kunnen zien, vooral als het gaat om onverwachte problemen met activa en mogelijke langdurige schade aan apparatuur. 

Om de levenscycli van alle activa in een industriële faciliteit te helpen beheren, zijn organisaties op zoek naar innovatieve oplossingen om de prestaties van hun apparatuur te optimaliseren en tegelijkertijd de veiligheid en operationele betrouwbaarheid te garanderen. Dit omvat data-integratie en -standaardisatie en de adoptie van digitale dubbele technologie die voorspellende analyses voor het onderhoud van bedrijfsmiddelen biedt. 

Wat is Digital Twin-technologie?

Tegenwoordig gebruiken engineering- en ontwerpteams dynamische processimulatiemodellen om de huidige stand van zaken van de fabrieksactiviteiten te bekijken. Hierdoor kunnen ze snel operationele knelpunten, tekortkomingen van de eenheden, ontwerpbeperkingen en de geschiktheid van hulpsystemen opsporen. Er zijn echter geavanceerde machine learning-mogelijkheden (ML) nodig om de toekomstige staat van de fabrieksactiviteiten te modelleren en te voorspellen.

Digital Twin-technologie maakt gebruik van machine learning-algoritmen om historische operationele en ontwerpgegevens te aggregeren, integreren, analyseren en vergelijken met huidige gegevens om het statistische model te vormen. Het resultaat is een virtuele kloon van elke eenheid in een faciliteit, waarbij de functies, kenmerken en gedragingen van de fysieke tegenhanger worden gerepliceerd, samen met de mechanische en elektrische systemen die eraan worden gekoppeld. 

Digitale tweelingmodellen omvatten ook de fysieke infrastructuur van een faciliteit of industriële locatie en een ingewikkeld web van fabrieksprocessen, inclusief inkoop- en supply chain-logistiek, om een digitale operationele omgeving te creëren.

Voorbeeld van virtuele kloon met Digital Twin-technologie. Bron:Anvil Corporation

Het ontvangen van de juiste informatie op het juiste moment voorkomt uitval van apparatuur. De geavanceerde machine learning-mogelijkheden van Digital Twin bieden eigenaren/exploitanten voorspellende analyses op basis van patronen en correlaties in de gegevens. 

Met deze informatie kunnen eigenaren/exploitanten het volgende zien: 

• Hoe elke eenheid in de loop van de tijd kan verouderen en veranderen 
• Wanneer een eenheid fouten kan ondervinden 
• Wanneer moet u artikelen met een lange levertijd bestellen op basis van inkoop-/supply chain-systeemmodellen 
• Wanneer moet een probleem worden aangepakt voordat het zich voordoet

Een vraag die vaak rijst heeft betrekking op het verschil tussen kunstmatige intelligentie (AI) en machinaal leren, aangezien beide geavanceerde technologieën voorspellende analyses opleveren. Het verschil is: 

• Machine learning biedt eigenaren/exploitanten objectieve informatie waarop ze hun beslissingen kunnen baseren
• AI biedt een subjectieve benadering van besluitvorming door handelwijzen aan te bevelen. 

De bedoeling van digital twin machine learning is niet om menselijke interactie en evaluatie te vervangen, maar om de interactie niet-intrusief en altijd lerend te maken. 

Bovendien is AI een open-sourcetechnologie die via internet wordt gebruikt en die mogelijk bedrijfseigen informatie kan schenden, terwijl de machine learning-software van Digital Twin beperkt is tot een bepaald bedrijf, een bepaalde faciliteit of een bepaalde locatie. 

Door toekomstige operationele scenario's te simuleren met digital twin-modellen en voorspellende analyses van machinaal leren, kunnen eigenaren/exploitanten hun middelen, processen en onderhoudsschema's, strategieën en instellingen optimaliseren. 

Digital Twin-technologie helpt eigenaren/exploitanten ook te voorspellen wanneer ze een doorlooptijd moeten plannen en wanneer ze items met een lange levertijd moeten bestellen voordat ze worden stilgelegd. Dit is vooral van cruciaal belang voor afgelegen locaties met langere doorlooptijden voor apparatuur, waardoor eigenaren/exploitanten er gerust op kunnen zijn dat ze de aangeschafte apparatuur ter plaatse hebben wanneer dat nodig is.

Een digitale tweelingblauwdruk bouwen

De eerste stap bij het bouwen van een digital twin-blauwdruk is het lokaliseren en invoeren van alle historische gegevens, inclusief inspectiegegevens, nieuwe codes, hertarieven en huidige operationele gegevens, in de digital twin-software om een virtueel en herbruikbaar prototype van elk fysiek asset in een productiefaciliteit te ontwikkelen. 

Voorbeeld van virtuele kloon met Digital Twin-technologie. Bron:Anvil Corporation

Een belangrijk onderdeel van deze stap is ervoor te zorgen dat de juiste monitoringinstrumenten aanwezig zijn om het digitale model voortdurend te voeden. Zowel historische als originele productierichtlijnen kunnen worden geprogrammeerd als “alarmpunten” in het model om eigenaren te waarschuwen voor mogelijke verstoringen of mislukkingen.

De functie van Digital Twin Machine Learning gaat verder, door alle ongelijksoortige gegevens uit meerdere bronnen in realtime samen te voegen, te vergelijken en onmiddellijk te integreren. Ter vergelijking:het zou een ingenieur weken kosten om dezelfde informatie handmatig te berekenen. 

Zodra alle gegevens zijn verzameld en geïntegreerd, vergelijkt machine learning de huidige prestaties met waarvoor het apparaat oorspronkelijk is ontworpen om direct afwijkingen of afwijkingen van verwacht gedrag te signaleren. Dit helpt ingenieurs onmiddellijk een probleemgebied te identificeren dat verder moet worden onderzocht en de modellen virtueel te valideren en op te schalen om hun mogelijkheden uit te breiden zonder de activiteiten van de faciliteit te verstoren.

Digitale tweelingmodellen voorspellen vervolgens wat ons te wachten staat door toekomstige operationele scenario's te simuleren om te bepalen hoe eenheden in de loop van de tijd zullen evolueren en wanneer onderdelen van eenheden moeten worden vervangen. 

Naarmate de digital twin-technologie zich blijft ontwikkelen, kunnen andere soorten fysieke evaluaties verouderd raken, zoals online testruns. Deze geavanceerde modellen kunnen bijvoorbeeld voorspellen hoe systemen reageren op procesvariabele veranderingen zonder de dagelijkse activiteiten van een faciliteit te verstoren, waardoor afwijkende producten en potentiële veiligheidsproblemen die gepaard gaan met praktijktests worden geëlimineerd.

Uitdagingen van Digital Twin-technologie

Uitvoer is slechts zo goed als invoer

De grootste uitdaging bij het bouwen van digitale tweelingmodellen is niet zozeer de technologie; het is bepalen of de geaggregeerde gegevens uit verschillende bronnen, gebaseerd op meerdere variabelen die in de modellen worden ingevoerd, gebaseerd zijn op betrouwbare informatie. 

Hoe weet een operator bijvoorbeeld wanneer een onderdeel of systeem al in een storingstoestand verkeert bij het bouwen van de modellen? 

Hierbij gaat het om het definiëren van betrouwbare informatie. Betrouwbare informatie komt doorgaans uit meer gegevens die door machine learning van de digital twin zijn vergeleken en gevalideerd:gegevens van proces- en apparatuurbewakingsinstrumenten die zijn geïntegreerd in een slim, geautomatiseerd fabrieksnetwerk. 

Het vastleggen van één set gegevens over de prestaties van een eenheid is bijvoorbeeld niet voldoende. Voor betrouwbaardere informatie is het belangrijk om ook gegevens over de ondersteunende infrastructuur van de eenheid vast te leggen. Het kan zijn dat de leidingen naar de unit of de elektrische componenten die de unit van stroom voorzien al defect zijn, wat gevolgen heeft voor meerdere andere units die met dezelfde mechanische en elektrische onderdelen en systemen werken. 

De kracht van gegevens

Meer gegevens geven eigenaren/exploitanten een realistischer beeld van de huidige activiteiten, wat helpt bij het bouwen van een nauwkeuriger Digital Twin-model. Met geïntegreerde en gevalideerde gegevens uit meerdere inputs kunnen digital twin-modellen: 

• Schat de levensduur van apparatuur 
• Voorspel apparatuurstoringen 
• Bepaal wanneer de onderhoudsbeurten van de faciliteiten moeten worden gepland

Met digital twin-modellen kunnen eigenaren en operators van faciliteiten hun activiteiten uitvoeren en onderhouden tijdens turnarounds en piekproductieseizoenen. 

Het is echter nog steeds van cruciaal belang dat een ingenieur de subjectieve bedrijfsgegevens invult. Metallurgische overwegingen, samen met de chemische en fysische effecten van processtromen op apparatuur en leidingen, zullen nog steeds technische kennis en expertise vereisen om digitale dubbele informatie volledig te kunnen gebruiken.  

Het feit dat miljoenen onderdelen deel uitmaken van honderden systemen in elke industriële faciliteit onderstreept het cruciale belang van het bijhouden van nauwkeurige onderhoudsgegevens; de output van een digital twinning-model is slechts zo goed als de input. Daarom hangt de bereidheid van belanghebbenden om de technologie te adopteren af ​​van hun mate van vertrouwen en of zij geloven dat de informatie accuraat is of niet. 

Vertrouw op de technologie

Het succesvol implementeren van digital twin-technologie vereist toegang tot de juiste softwaretools en opgeleide specialisten. Softwarebedrijven voor processimulatie kopen nu interfacetechnologieën om digitale tweelingmodellen beter te kunnen ontwikkelen.

De uitdaging ligt in het garanderen dat de interfaces correct zijn geïntegreerd om een nauwkeurige basisinformatie te produceren. Er zijn getrainde specialisten nodig met kennis van digitale twinningtechnologie en -processen die metagegevens uit de sector gebruiken om ervoor te zorgen dat alle historische informatie die in de modellen wordt ingevoerd, correct is. 

Samenvatting

De geavanceerde machine learning-algoritmen, voorspellende analyses en modelleringsmogelijkheden van Digital Twin bieden een nieuwe kosteneffectieve optie voor activabeheer voor faciliteiten van elke omvang. Door samen te werken met technische adviseurs en de juiste software te gebruiken, kunnen eigenaren/exploitanten van faciliteiten de technologie snel implementeren en integreren in hun activiteiten. 

De technologie levert ook meerdere kostenvoordelen op, waaronder: 

• Bedrijfsvoering en energie-efficiëntie 
• Verbeterde betrouwbaarheid, veiligheid en onderhoudsprognoses 
• Minder risico, uitvaltijd en onnodige onderhoudskosten

Het omarmen van de digitale tweelingtechnologie zal essentieel zijn om concurrerend te blijven op de snel evoluerende industriële markten.