Hoe de digitale tweeling de automobielproductie verstoort

Conventioneel onderhoud van de toeleveringsketen in de automobielindustrie is gebaseerd op empirische waarnemingen en menselijke metingen van apparatuur. Deze benadering kon alleen de machineprestaties met discrete intervallen bemonsteren. Het werd geplaagd door herhaalbaarheidsproblemen op basis van de meettijd van de dag, menselijke interpretatiefouten en sensorplaatsing. Een modernere weergave van dezelfde onderhoudsmethode kan nu digitaal worden uitgevoerd door middel van intelligente simulaties van wat bekend staat als een "digitale tweeling".

Om de gedetailleerde operationele kenmerken van complexe machines die in een fabriek in gebruik zijn te beoordelen, kan nu een volledig digitale dubbele weergave worden gebruikt als de belangrijkste intelligentietool. Een digitale tweeling bestaat uit drie digitale componenten:een representatie van een gegevensmodel, een reeks analytische algoritmen en gedragskennis van de werking van de machine. Digitale tweelingen gebruiken historische informatie met bekende prestatiegegevens om gedrag uit het verleden te begrijpen. Ze passen directe en indirecte gegevens toe op de huidige machinecondities. Door intelligente machine learning-algoritmen te gebruiken tegen deze kennis, kan een voorspelling van het toekomstige gedrag van de machine worden gemodelleerd.

Een volledige digitale tweeling voor een machine is samengesteld uit meerdere stukken. Elk mechanisch machineonderdeel wordt vertegenwoordigd door een component-tweeling. Ventilatorbladen, lagers, zuigers en bevestigingsmiddelen kunnen allemaal digitaal worden weergegeven op hun meest fundamentele niveau als onderdeel. De component twin is een belangrijke subcomponent met een aanzienlijke impact op de prestaties van de asset waartoe deze behoort.

Tijdens de ontwerpfase van een machine worden deze digitale elementen samen ontwikkeld tot de totale asset, zoals een motor of een pomp. De asset-dubbel gebruikt de compilatie van de component-dubbels binnen het ontwerp om een ​​compleet model van het machine-asset te maken. Asset-tweelingen kunnen verzamelingen van informatie zijn van al hun component-tweelingen. Asset twins zorgen voor zichtbaarheid op uitrustingsniveau. Door de huidige bedrijfscontext toe te passen en de toekomstige staat van een digitale tweeling te voorspellen, kunt u een asset effectief bewaken, simuleren en besturen. Intelligent gebruik van deze informatie kan de levenscyclus van het activum op de lange termijn optimaliseren.

Geavanceerde analysesimulaties in de cloud op basis van dubbele gegevens van activa kunnen continue realtime informatie bieden over de prestaties van apparatuur in een productieomgeving. Geëxtraheerd naar een nog hoger niveau, kan dit asset twin-model deel uitmaken van een process twin en een algehele enterprise twin die het gebruik van fabrieken, toeleveringsketens en distributiekanalen modelleert. De dubbele gegevens van activa kunnen worden gebruikt voor detectie van afwijkingen in vergelijking met statistische modellen om waarschuwingen voor voorspellend onderhoud en inzicht in de resterende gebruiksduur te genereren.

De gebruiker van de digitale tweeling profiteert van verschillende voordelen. Met een juiste besluitvorming vanuit inzicht ontstaat een verhoogde betrouwbaarheid en beschikbaarheid van de asset. Er is een verminderd risico op verlies of catastrofale verstoring wanneer de informatie uit de digital twin-simulaties wordt toegepast voor verbeteringen. De productie-efficiëntie van de apparatuur wordt verhoogd door minder frequente uitval en onderhoudsonderbrekingen. Er zijn over het algemeen minder onderhoudskosten omdat de gezondheid van de apparatuur robuust kan worden gecontroleerd. Dit leidt tot een snellere terugverdientijd van de kosten van het actief in productiegebruik.

Automotive IoT-productie vergroot inzicht in prestatiegedrag van geavanceerde machines. Het vermogen om gegevens om te zetten in nieuwe inzichten is gebaseerd op nauwkeurige simulaties en modellen van de gebruikte apparatuur. Door digital component twins te implementeren binnen een asset twin framework, kan dit inzicht nu digitaal worden geëxtraheerd zonder de empirisch gedreven fysieke meetprocedures uit het verleden. MachineMetrics industriële IoT-oplossingen voor machines benutten de kracht van machinegegevens om de doorvoer te verhogen en de waarde te maximaliseren. Boek een demo om te zien wat MachineMetrics-applicaties voor uw bedrijf kunnen betekenen.