Конкретные аспекты моделирования производственного процесса посредством цифровых двойников в перерабатывающей промышленности
Цифровой двойник в эволюции создания жизненного цикла
Перерабатывающая промышленность характеризуется двумя цепочками создания стоимости. Это горизонтальная цепочка поставок/добычи сырья и вертикальный жизненный цикл активов, которые объединяются в производстве. Эффективность всей системы в значительной степени определяется быстрым и всесторонним доступом к достоверной информации из всех звеньев двух производственно-сбытовых цепочек. Например, изменение качества сырья, которое может потребоваться, приведёт к значительному прогрессу или к повышению надёжности процесса, эффективности и, наконец, прибыльности.
Цифровой двойник консолидирует и постоянно обновляет данные о жизненном цикле активов и цепочке поставок. Он также включает в себя модели, имитирующие процессы и условия в реальном мире. Модели могут получать доступ ко всем данным из цепочки поставок и жизненного цикла активов, обеспечивая корреляции или закономерности, которые в настоящее время не видны. Использоваться могут физически обоснованные и современные модели производственных процессов, управляемые данными, а также гибридные модели. Однако статистическое обучение обеспечивает корреляции, а не причинно-следственные связи. Они должны быть выведены экспертом, например, метод обучения может дать подсказку к определённому шаблону в данных. В какой степени шаблон в данных может быть использован для прогнозирования зависит от инженера.
Конечно, цифровой двойник не обязательно должен полностью отображать цепочку поставок и жизненный цикл активов, а может быть ограничен подобластями. Однако решающим фактором является автоматическое непрерывное согласование данных с реальной ситуацией, которое будет тем сложнее реализовать, чем менее стандартизированы будут модели передачи/обработки данных рассматриваемого системного ландшафта. Примером эффективного использования согласованных данных является обмен данных с юнитами оборудования на реальном предприятии. Обмен обычно документируется в корпоративной системе SAP со всеми данными. Привязка моделирования процесса к этим системам позволяет поддерживать моделирование в актуальном состоянии, что всегда обеспечивает отображение текущего поведения процесса. Это приведёт к созданию различных моделей и элементов документации статического и динамического характера, документации истории разработки и строительства, а также имитационных моделей для текущей эксплуатации и многого другого.
Аспекты создания и функционирования модели
Модели незаменимы для разработки оптимального построения и эффективного функционирования процессов. Они могут быть не лишены упрощений и неопределённостей в подходе, структуре или параметрах модели. Сочетание моделей делает общую систему ещё более сложной. Модели должны быть как валидными, так и надёжными. Они становятся частью цифрового двойника, как только внедряются в алгоритмы и программное обеспечение. Внятные интерфейсы важны для обеспечения согласованного ввода и вывода.
Предыдущие традиционные механистические модели процесса основаны на известных физико-химических соотношениях, а также на эмпирических соотношениях для отдельных этапов процесса. Вместе с данными о материалах из модели продукта, эти модели позволяют рассчитывать технологические процессы. Поскольку знания о физическом процессе на практике являются неполными, расчёт характеристик процесса может быть выполнен только приблизительно. Таким образом, вышестоящие цели, такие как ресурсо- или энергоэффективность, также могут быть точно рассчитаны лишь в ограниченной степени.
По этой причине необходимо разработать методы, которые с помощью машинного обучения, на основе данных процесса, дополняют существующие модели процессов и предоставляют информацию о необходимости дополнительных датчиков. Комбинация механистических моделей с разработанными методами учёта технологических данных позволяет получить точное описание общего поведения процесса и, таким образом, комплексную оптимизацию технологического цикла.
Для достижения оптимального управления производственным процессом, с помощью элементов цифрового двойника, также необходимо, чтобы механические модели также описывали динамические процессы и рассчитывали технологический процесс в режиме реального времени. Это позволяет прогнозировать этапы операции с целью разработки новых концепций управления даже для сложных процессов, где классические подходы к разработке систем управления терпят неудачу. Однако одним из ограничений механистических моделей является то, что часто не все свойства материалов (и систем) воспроизводятся с помощью разработанных подходов, или анализ функций материалов требует слишком больших усилий.
Например, оборудование процессов химического машиностроения с помощью онлайн-аналитики или анализа процессов на месте, имеет то преимущество, что большой объем технологических данных доступен в течение длительного периода времени. А использование методов машинного обучения позволяет целенаправленно оценивать обычно очень большие объёмы данных и сопоставлять их друг с другом. Соединение машинного обучения с моделированием процессов на физической основе позволяет калибровать модели для новых состояний. Другим примером является настройка функций потерь с учётом экспертных знаний о технологии, что позволяет получить глубокое понимание для построения точной технологической карты.
Цифровой двойник соединяет системы с их моделями и хранилищами данных в различных производственно-сбытовых цепочках технологического мира. Найденные решения могут быть весьма дифференцированными в зависимости от оборудования и ассортимента рассматриваемых технологических установок. Следовательно, не вполне правильным будет утверждать, что цифровой двойник предлагает идеальное решение для решения всех этих проблем. Но совершенно точно, что он должен разрабатываться в рамках итеративного рабочего процесса на протяжении всего технологического и жизненного цикла установки.
В типичном проекте, после размышления над вышеупомянутыми вопросами, получается образчик цифрового двойника, в которой модели создаются в разные моменты времени вертикального жизненного цикла активов и в разных системах. После чего постоянно дорабатываются. Вскоре команде специалистов, занятых в цифровом инжиниринге, станет ясно, что для обработки всех данных активов требуется интегрированный сетевой системный ландшафт.
Необходимо будет последовательно проводить интеграцию с системой управления лабораторной информацией (LIMS), а также с системой планирования ресурсов предприятия (ERP) и управления производством (MES), инженерными системами (CAD/CAE) и инструментами моделирования. Системы обучения операторов (OTS) обычно снабжаются моделями процессов. Вся структура платформы цифровых двойников может быть использована в качестве основы для обучающих симуляций и инструментов виртуальной реальности. Даже демонтаж производственных установок должен быть задокументирован для процессов (например, фармацевтических) в соответствии с надлежащей производственной практикой и требованиями техники безопасности.
Модели установок как часть моделей ресурсов поддерживаются в CAE и в информационных системах моделирования и управления зданиями (BIM). Они представляют все физические элементы контрольно-измерительных приборов и технологий управления, а также оборудования и трубопроводов во всех секциях промышленных установок. Здесь обычно проводится различие между структурой установки и элементом оборудования PEA (сборка технологического оборудования). Данные датчиков от текущей операции обрабатываются в программируемом логическом контроллере (ПЛК) и распределённой системе управления (DCS), после чего могут использоваться для сравнения существующих моделей процессов с реальностью, а также для их обогащения (частичными) моделями, управляемыми данными.
В таком виде цифровой двойник обеспечивает быстрый и всесторонний доступ к данным из всех областей. Кроме того, широкий спектр возможностей возникает в результате анализа данных на основе моделей, результаты которого затем возвращаются в реальный мир и влияют на него. Например, прогнозирование состояния износа компонента может быть сделано на основе конструктивных и эксплуатационных данных. В дополнение к аспекту интеллектуального обслуживания, основанного на потребностях (прогнозирующее/предписывающее обслуживание), управление ресурсосберегающими процессами достигается, в частности, за счёт использования моделей в алгоритмах для (динамической) онлайн-оптимизации.
Подходящее сочетание полностью автоматизированной, контролируемой рецептурной базы и поддержки персонала, посредством системы принятия решений, интерпретируемых подсказок, сообщений или замечаний зависит от сложности и зрелости процесса. Функциональные возможности цифрового двойника поддерживают гибкий выбор, обеспечивая взаимосвязь и объединение модульных производственных единиц в единый «оркестр».
В дополнение к техническим характеристикам, цифровой двойник также предъявляет требования к обучению и дальнейшему образованию. Работа с Digital twin требует междисциплинарного и целостного мышления. Это должно происходить при подготовке бакалавров и магистров, а также в первых подразделениях повышения квалификации после прихода новых инженеров в соответствующие компании и предприятия. Для существующей рабочей силы в организации компании должны быть организованы соответствующие курсы непрерывного обучения. Кроме того, концепции других смежных видов деятельности могут дать новые аспекты для собственных инноваций. Только таким образом новые подходы с использованием цифрового двойника могут быть успешно реализованы в различных практических применениях на производстве.