Nutzung der Digital-Twin-Technologie für maximale Anlagenleistung in der Schwerindustrie

Die Folgen von COVID-19 haben die Landschaft der Vermögensverwaltung verändert, insbesondere in der Schwerindustrie wie Raffinerien und Produktionsanlagen. Diese Herausforderung bietet die Chance, einen Paradigmenwechsel hinsichtlich der Verwaltung des Anlagenbetriebs voranzutreiben.

Eigentümer und Betreiber von Industrieanlagen kämpfen derzeit mit mehreren Herausforderungen, wie etwa Unterbrechungen der globalen Lieferkette, die sich auf den „Betrieb und die Aufrechterhaltung“ des Betriebs auswirken können, während sie gleichzeitig versuchen, den wachsenden Produktionsanforderungen gerecht zu werden. Was ihnen den Schlaf raubt, sind die Risiken, die sie nicht erkennen können, insbesondere wenn es um unerwartete Vermögensprobleme und mögliche langfristige Schäden an der Ausrüstung geht. 

Um die Lebenszyklen aller Anlagen in einer Industrieanlage zu verwalten, suchen Unternehmen nach innovativen Lösungen, um die Leistung ihrer Geräte zu optimieren und gleichzeitig Sicherheit und Betriebszuverlässigkeit zu gewährleisten. Dazu gehören die Datenintegration und -standardisierung sowie die Einführung der Digital-Twin-Technologie, die vorausschauende Analysen zur Anlagenwartung ermöglicht. 

Was ist Digital Twin-Technologie?

Heutzutage verwenden Ingenieurs- und Designteams dynamische Prozesssimulationsmodelle, um den aktuellen Zustand des Anlagenbetriebs anzuzeigen. Dies ermöglicht es ihnen, betriebliche Engpässe, Einheitenmängel, Designbeschränkungen und die Angemessenheit von Entlastungssystemen schnell zu lokalisieren. Allerdings sind fortgeschrittene maschinelle Lernfähigkeiten (ML) erforderlich, um den zukünftigen Zustand des Anlagenbetriebs zu modellieren und vorherzusagen.

Die digitale Zwillingstechnologie nutzt Algorithmen des maschinellen Lernens, um historische Betriebs- und Entwurfsdaten zu aggregieren, zu integrieren, zu analysieren und mit aktuellen Daten zu vergleichen, um das statistische Modell zu bilden. Das Ergebnis ist ein virtueller Klon jeder Einheit in einer Anlage, der die Funktionen, Merkmale und Verhaltensweisen seines physischen Gegenstücks sowie die in ihn eingespeisten mechanischen und elektrischen Systeme nachbildet. 

Digitale Zwillingsmodelle umfassen auch die physische Infrastruktur einer Anlage oder eines Industriestandorts und ein komplexes Netz von Werksprozessen, einschließlich Beschaffung und Lieferkettenlogistik, um eine digitale Betriebsumgebung zu schaffen.

Beispiel für einen virtuellen Klon der Digital Twin-Technologie. Quelle:Anvil Corporation

Der Erhalt der richtigen Informationen zur richtigen Zeit verhindert Geräteausfälle. Die fortschrittliche Fähigkeit des digitalen Zwillings zum maschinellen Lernen bietet Eigentümern/Betreibern prädiktive Analysen basierend auf Mustern und Korrelationen in den Daten. 

Mit diesen Informationen können Eigentümer/Betreiber Folgendes sehen: 

• Wie jede Einheit im Laufe der Zeit altern und sich verändern kann 
• Wenn bei einer Einheit Fehler auftreten können 
• Wann sollten Artikel mit langem Vorlauf bestellt werden, basierend auf Beschaffungs-/Lieferkettensystemmodellen 
• Wann muss ein Problem behoben werden, bevor es auftritt?

Eine häufig gestellte Frage bezieht sich auf den Unterschied zwischen künstlicher Intelligenz (KI) und maschinellem Lernen, da beide fortschrittlichen Technologien prädiktive Analysen liefern. Der Unterschied ist: 

• Maschinelles Lernen liefert Eigentümern/Betreibern objektive Informationen, auf die sie ihre Entscheidungen stützen können
• KI bietet einen subjektiven Ansatz zur Entscheidungsfindung, indem sie Handlungsempfehlungen gibt. 

Die Absicht des maschinellen Lernens digitaler Zwillinge besteht nicht darin, die menschliche Interaktion und Bewertung zu ersetzen, sondern die Interaktion nicht aufdringlich und ständig lernend zu gestalten. 

Darüber hinaus handelt es sich bei KI um eine Open-Source-Technologie, die im gesamten Internet operiert und möglicherweise proprietäre Informationen verletzen kann, während die Software für maschinelles Lernen des digitalen Zwillings auf ein bestimmtes Unternehmen, eine bestimmte Einrichtung oder einen bestimmten Standort beschränkt ist. 

Durch die Simulation zukünftiger Betriebsszenarien mit digitalen Zwillingsmodellen und prädiktiver Analyse durch maschinelles Lernen können Eigentümer/Betreiber ihre Ressourcen, Prozesse sowie Wartungspläne, -strategien und -einstellungen optimieren. 

Die digitale Zwillingstechnologie hilft Eigentümern/Betreibern auch dabei, vorherzusagen, wann eine Abfertigung geplant und Artikel mit langer Vorlaufzeit vor einem Stillstand bestellt werden müssen. Dies ist besonders wichtig für abgelegene Standorte mit längeren Vorlaufzeiten für die Ausrüstung und gibt Eigentümern/Betreibern die Gewissheit, dass sie ihre beschaffte Ausrüstung bei Bedarf vor Ort haben.

Erstellen eines Digital Twin Blueprint

Der erste Schritt zur Erstellung eines Entwurfs für einen digitalen Zwilling besteht darin, alle historischen Daten, einschließlich Inspektionsaufzeichnungen, neue Codes, Neubewertungen und aktuelle Betriebsdaten, zu lokalisieren und in die Software für den digitalen Zwilling einzuspeisen, um einen virtuellen und wiederverwendbaren Prototyp jedes physischen Vermögenswerts in einer Produktionsanlage zu entwickeln. 

Beispiel für einen virtuellen Klon der Digital Twin-Technologie. Quelle:Anvil Corporation

Ein wichtiger Teil dieses Schritts besteht darin, sicherzustellen, dass die richtigen Überwachungsinstrumente vorhanden sind, um das digitale Modell kontinuierlich zu speisen. Sowohl historische als auch ursprüngliche Fertigungsrichtlinien können als „Alarm“-Punkte im Modell programmiert werden, um Besitzer vor möglichen Störungen oder Ausfällen zu warnen.

Die Funktion des maschinellen Lernens des digitalen Zwillings geht von dort aus und aggregiert, vergleicht und integriert sofort alle unterschiedlichen Daten aus mehreren Quellen in Echtzeit. Im Vergleich dazu würde ein Ingenieur Wochen brauchen, um dieselben Informationen manuell zu berechnen. 

Sobald alle Daten erfasst und integriert wurden, vergleicht maschinelles Lernen die aktuelle Leistung mit der ursprünglichen Leistung des Geräts, um Anomalien oder Abweichungen vom erwarteten Verhalten sofort zu erkennen. Dies hilft Ingenieuren, sofort einen Problembereich zu identifizieren, der weiter untersucht werden muss, und die Modelle virtuell zu validieren und zu skalieren, um ihre Fähigkeiten zu erweitern, ohne den Anlagenbetrieb zu stören.

Digitale Zwillingsmodelle sagen dann voraus, was vor uns liegt, indem sie zukünftige Betriebsszenarien simulieren, um zu bestimmen, wie sich die Einheiten im Laufe der Zeit entwickeln und wann Gerätekomponenten ausgetauscht werden müssen. 

Mit der Weiterentwicklung der Digital-Twin-Technologie können andere Arten physischer Auswertungen, wie beispielsweise Online-Testläufe, obsolet werden. Diese fortschrittlichen Modelle können beispielsweise vorhersagen, wie Systeme auf Prozessvariablenänderungen reagieren, ohne den täglichen Betrieb einer Anlage zu stören, wodurch Produkte außerhalb der Spezifikation und potenzielle Sicherheitsbedenken im Zusammenhang mit realen Testläufen vermieden werden.

Herausforderungen der Digital-Twin-Technologie

Die Ausgabe ist nur so gut wie die Eingabe.

Die größte Herausforderung bei der Erstellung digitaler Zwillingsmodelle ist nicht so sehr die Technologie – es geht vielmehr darum, festzustellen, ob die aggregierten Daten aus mehreren Quellen auf der Grundlage mehrerer Variablen, die in die Modelle einfließen, auf zuverlässigen Informationen basieren. 

Wie erkennt ein Bediener beispielsweise beim Erstellen der Modelle, ob sich ein Teil oder System bereits in einem aktuellen Fehlerzustand befindet? 

Dabei geht es darum, verlässliche Informationen zu definieren. Zuverlässige Informationen stammen in der Regel aus mehr Daten, die durch maschinelles Lernen des digitalen Zwillings mit Querverweisen versehen und validiert wurden – Daten aus Prozess- und Geräteüberwachungsinstrumenten, die in ein intelligentes, automatisiertes Anlagennetzwerk integriert sind. 

Beispielsweise reicht es nicht aus, einen einzigen Datensatz über die Leistung einer Einheit zu erfassen. Für zuverlässigere Informationen ist es wichtig, auch Daten über die unterstützende Infrastruktur der Einheit zu erfassen. Es könnte sein, dass die Rohrleitungen zur Einheit oder die elektrischen Komponenten, die die Einheit mit Strom versorgen, bereits ausgefallen sind, was sich auf mehrere andere Einheiten auswirkt, die mit denselben mechanischen und elektrischen Teilen und Systemen arbeiten. 

Die Macht der Daten

Mehr Daten geben Eigentümern/Betreibern realistischere Einblicke in den aktuellen Betrieb, was dazu beiträgt, ein genaueres digitales Zwillingsmodell zu erstellen. Mit integrierten und validierten Daten aus mehreren Eingaben können digitale Zwillingsmodelle: 

• Schätzen Sie die Lebensdauer der Ausrüstung.
• Geräteausfälle vorhersagen 
• Bestimmen Sie, wann Anlagen-Turnarounds geplant werden sollen

Mit digitalen Zwillingsmodellen können Anlageneigentümer und -betreiber ihren Betrieb während Turnarounds und Hauptproduktionszeiten weiterführen und aufrechterhalten. 

Dennoch ist es für einen Ingenieur immer noch wichtig, die subjektiven Betriebsdaten einzugeben. Metallurgische Überlegungen sowie die chemischen und physikalischen Auswirkungen von Prozessströmen auf Geräte und Rohrleitungen erfordern weiterhin technisches Wissen und Fachwissen, um die Informationen digitaler Zwillinge vollständig nutzen zu können.  

Die Tatsache, dass Millionen von Teilen Hunderte von Systemen in jeder Industrieanlage ausmachen, unterstreicht, wie wichtig es ist, genaue Wartungsaufzeichnungen zu führen; Der Output eines digitalen Zwillingsmodells ist nur so gut wie sein Input. Daher hängt die Bereitschaft der Stakeholder zur Einführung der Technologie von ihrem Vertrauensgrad ab und davon, ob sie glauben, dass die Informationen korrekt sind oder nicht. 

Vertrauen Sie der Technologie 

Die erfolgreiche Implementierung der Digital-Twin-Technologie erfordert den Zugriff auf die richtigen Softwaretools und geschulte Spezialisten. Unternehmen für Prozesssimulationssoftware kaufen jetzt Schnittstellentechnologien, um digitale Zwillingsmodelle besser entwickeln zu können.

Die Herausforderung besteht darin, sicherzustellen, dass die Schnittstellen korrekt integriert sind, um eine genaue Informationsbasis zu erzeugen. Um sicherzustellen, dass alle historischen Informationen, die in die Modelle eingespeist werden, korrekt sind, sind geschulte Spezialisten erforderlich, die sich mit der Technologie und den Prozessen des digitalen Zwillings auskennen und Branchenmetadaten verwenden. 

Zusammenfassung

Die fortschrittlichen Algorithmen für maschinelles Lernen, prädiktive Analysen und Modellierungsfunktionen von Digital Twin bieten eine neue kostengünstige Asset-Management-Option für Einrichtungen jeder Größe. Durch die Zusammenarbeit mit Ingenieurbüros und den Einsatz der richtigen Software können Anlageneigentümer/-betreiber die Technologie schnell implementieren und in ihren Betrieb integrieren. 

Die Technologie bringt auch mehrere Kostenvorteile mit sich, darunter: 

• Betrieb und Energieeffizienz 
• Verbesserte Zuverlässigkeit, Sicherheit und Wartungsprognosen 
• Reduziertes Risiko, Ausfallzeiten und unnötige Wartungskosten

Der Einsatz der digitalen Zwillingstechnologie wird von entscheidender Bedeutung sein, um in sich schnell entwickelnden Industriemärkten wettbewerbsfähig zu bleiben.