Digital Twin Technologie für maximale Anlagenleistung in der Schwerindustrie nutzen

Die Nachwirkungen von COVID-19 haben die Landschaft des Asset Managements neu geformt, insbesondere in der Schwerindustrie wie Raffinerien und Fertigungsanlagen. Mit dieser Herausforderung geht die Chance einher, einen Paradigmenwechsel in der Steuerung von Anlagenprozessen voranzutreiben.

Betreiber industrieller Anlagen sehen sich derzeit mit mehreren Herausforderungen konfrontiert: Globale Lieferkettenstörungen können den laufenden Betrieb und die Instandhaltung beeinträchtigen, während gleichzeitig wachsende Produktionsanforderungen erfüllt werden müssen. Was sie nachts wach hält, sind die Risiken, die sie nicht sehen können – insbesondere unerwartete Anlagenschäden und mögliche langfristige Geräteschäden.

Was ist Digital Twin Technologie?

Heute nutzen Engineering- und Design-Teams dynamische Prozesssimulationsmodelle, um den aktuellen Zustand des Anlagenbetriebs einzusehen. Damit lassen sich betriebliche Engpässe, Einheitenmängel, Konstruktionsgrenzen und die Angemessenheit von Sicherheitssystemen schnell identifizieren. Doch um den zukünftigen Zustand des Anlagenbetriebs zu modellieren und vorherzusagen, sind fortschrittliche Machine-Learning-Fähigkeiten (ML) erforderlich.

Digital Twin Technologie nutzt Machine-Learning-Algorithmen, um historische Betriebs- und Konstruktionsdaten mit aktuellen Daten zu aggregieren, zu integrieren, zu analysieren und zu vergleichen, um ein statistisches Modell zu bilden. Das Ergebnis ist ein virtueller Klon jeder Einheit einer Anlage, der die Funktionen, Merkmale und Verhaltensweisen seines physischen Pendants – einschließlich der zuführenden mechanischen und elektrischen Systeme – repliziert.

Digitale Zwillinge umfassen auch die physische Infrastruktur einer Anlage oder eines Industriestandorts sowie das komplexe Geflecht von Anlagenprozessen, einschließlich Beschaffung und Lieferkettenlogistik, um eine digitale Betriebsumgebung zu schaffen.

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

Die richtige Information zum richtigen Zeitpunkt verhindert Geräteausfälle. Die fortschrittliche Machine-Learning-Fähigkeit des Digital Twin liefert Betreibern prädiktive Analysen basierend auf Mustern und Korrelationen in den Daten.

Mit diesen Informationen können Betreiber:

• sehen, wie jede Einheit altern und sich im Laufe der Zeit verändern kann
• vorhersagen, wann eine Einheit Ausfälle erleiden könnte
• entscheiden, wann Langzeitlieferteile basierend auf Beschaffungs-/Lieferkettenmodellen bestellt werden müssen
• ein Problem beheben, bevor es auftritt

Eine häufige Frage betrifft den Unterschied zwischen künstlicher Intelligenz (KI) und Machine Learning, da beide fortschrittlichen Technologien prädiktive Analysen liefern. Der Unterschied liegt darin:

• Machine Learning liefert Betreibern objektive Informationen als Entscheidungsgrundlage
• KI verfolgt einen subjektiven Ansatz, indem sie Handlungsempfehlungen ausspricht

Die Absicht von Digital Twin Machine Learning ist nicht, menschliche Interaktion und Bewertung zu ersetzen, sondern diese nicht-invasiv und kontinuierlich lernend zu gestalten.

Zusätzlich ist KI eine Open-Source-Technologie, die über das Internet operiert und potenziell proprietäre Informationen verletzen kann, während Digital Twin Machine Learning Software auf ein bestimmtes Unternehmen, eine Anlage oder einen Standort beschränkt ist.

Durch die Simulation zukünftiger Betriebsszenarien mit Digital Twin Modellen und Machine Learning prädiktiver Analytik können Betreiber ihre Ressourcen, Prozesse und Instandhaltungspläne, -strategien und -konfigurationen optimieren.

Digital Twin Technologie hilft Betreibern auch vorherzusagen, wann eine Großrevision (Turnaround) geplant und wann Langzeitlieferteile vor einem Shutdown bestellt werden müssen. Dies ist besonders kritisch für abgelegene Standorte mit längeren Lieferzeiten für Ausrüstung und gibt Betreibern die Sicherheit, dass die beschaffte Ausrüstung bei Bedarf vor Ort ist.

Einen Digital Twin Blueprint erstellen

Der erste Schritt zum Aufbau eines Digital Twin Blueprints besteht darin, alle historischen Daten – einschließlich Inspektionsaufzeichnungen, neuer Codes, Neubewertungen und aktueller Betriebsdaten – in die Digital Twin Software einzuspeisen, um einen virtuellen und wiederverwendbaren Prototyp jedes physischen Assets in einer Produktionsanlage zu entwickeln.

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

Ein wesentlicher Teil dieses Schritts ist die Sicherstellung, dass die korrekte Überwachungsinstrumentierung vorhanden ist, um das digitale Modell kontinuierlich zu speisen. Sowohl historische als auch ursprüngliche Fertigungsrichtlinien können als „Alarm“-Punkte im Modell programmiert werden, um Betreiber vor potenziellen Störungen oder Ausfällen zu warnen.

Die Machine Learning Funktion des Digital Twin übernimmt ab hier: Sie aggregiert, kreuzreferenziert und integriert alle disparaten Daten aus mehreren Quellen in Echtzeit. Zum Vergleich: Ein Ingenieur würde Wochen benötigen, um dieselben Informationen manuell zu berechnen.

Sobald alle Daten gesammelt und integriert wurden, vergleicht Machine Learning die aktuelle Leistung mit den ursprünglichen Konstruktionsvorgaben der Einheit, um Abweichungen vom erwarteten Verhalten sofort zu kennzeichnen. Dies hilft Ingenieuren, einen Problembereich sofort 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.

Digital Twin Modelle prognostizieren dann die Zukunft, indem sie zukünftige Betriebsszenarien simulieren, um zu bestimmen, wie sich Einheiten im Laufe der Zeit entwickeln werden und wann Einheitskomponenten ersetzt werden müssen.

Da sich Digital Twin Technologie weiterentwickelt, könnten andere Arten physischer Evaluierungen obsolet werden, wie z. B. Online-Testläufe. Diese fortschrittlichen Modelle können beispielsweise vorhersagen, wie Systeme auf Änderungen von Prozessvariablen reagieren, ohne den täglichen Anlagenbetrieb zu stören, wodurch Off-Spec-Produkte und potenzielle Sicherheitsbedenken bei realen Testläufen eliminiert werden.

Herausforderungen der Digital Twin Technologie

Die Ausgabe ist nur so gut wie die Eingabe

Die größte Herausforderung beim Aufbau von Digital Twin Modellen liegt nicht so sehr in der Technologie – es geht darum festzustellen, ob die aggregierten Daten aus mehreren Quellen, die auf mehreren Variablen basieren und in die Modelle einfließen, auf verlässlichen Informationen beruhen.

Wie weiß ein Betreiber beispielsweise, ob ein Teil oder System beim Aufbau der Modelle bereits in einem aktuellen Ausfallzustand ist?

Dazu gehört die Definition verlässlicher Informationen. Diese stammen typischerweise aus mehr Daten, die Digital Twins Machine Learning kreuzreferenziert und validiert hat – Daten aus Prozess- und Geräteüberwachungsinstrumentierung, die in ein intelligentes, automatisiertes Anlagennetzwerk integriert sind.

Beispielsweise reicht ein Datensatz zur Leistung einer Einheit nicht aus. Für verlässlichere Informationen ist es wichtig, auch Daten zur unterstützenden Infrastruktur der Einheit zu erfassen. Es könnte sein, dass die in die Einheit führende Rohrleitung oder die die Einheit mit Strom versorgenden elektrischen Komponenten bereits in einem Ausfallzustand sind, was mehrere andere Einheiten beeinträchtigt, die mit denselben mechanischen und elektrischen Teilen und Systemen arbeiten.

Die Macht der Daten

Mehr Daten geben Betreibern realistischere Einblicke in den aktuellen Betrieb, was hilft, ein präziseres Digital Twin Modell zu erstellen. Mit integrierten und validierten Daten aus mehreren Eingaben können Digital Twin Modelle:

• Gerätelebensdauer schätzen
• Geräteausfälle vorhersagen
• festlegen, wann Anlagenrevisionen geplant werden sollen

Mit Digital Twin Modellen können Anlagenbetreiber ihren Betrieb während Revisionen und Spitzenproduktionsphasen fahren und instand halten.

Dennoch bleibt es kritisch, dass ein Ingenieur die subjektiven Betriebsdaten ergänzt. Metallurgische Aspekte sowie die chemischen und physikalischen Auswirkungen von Prozessströmen auf Ausrüstung und Rohrleitungen erfordern weiterhin ingenieurtechnisches Wissen und Expertise, um Digital Twin Informationen voll auszuschöpfen.

Die Tatsache, dass Millionen von Teilen hunderte von Systemen in jeder Industrieanlage ausmachen, unterstreicht die Kritikalität genauer Instandhaltungsaufzeichnungen; die Ausgabe eines Digital Twin Modells ist nur so gut wie seine Eingabe. Daher hängt die Bereitschaft der Stakeholder, die Technologie zu adoptieren, von ihrem Vertrauensgrad ab und davon, ob sie die Informationen für genau halten.

Vertrauen in die Technologie

Die erfolgreiche Implementierung von Digital Twin Technologie erfordert Zugang zu den richtigen Software-Tools und ausgebildeten Spezialisten. Prozesssimulations-Softwareunternehmen kaufen nun Schnittstellentechnologien auf, um Digital Twin Modelle besser zu entwickeln.

Die Herausforderung besteht darin, sicherzustellen, dass die Schnittstellen korrekt integriert sind, um eine genaue Informationsbasis zu erzeugen. Es bedarf ausgebildeter Spezialisten, die sich mit Digital Twin Technologie und Prozessen sowie der Verwendung von Industriemetadaten auskennen, um sicherzustellen, dass alle historischen Informationen, die in die Modelle einfließen, korrekt sind.

Zusammenfassung

Digital Twins fortschrittliche Machine Learning Algorithmen, prädiktive Analysen und Modellierungsfähigkeiten bieten eine neue, kosteneffektive Asset Management Option für Anlagen jeder Größe. Durch die Zusammenarbeit mit Engineering-Beratern und den Einsatz der richtigen Software können Anlagenbetreiber die Technologie schnell implementieren und in ihre Prozesse integrieren.

Die Technologie erzeugt zudem vielfältige Kostenvorteile, darunter:

• Betriebs- und Energieeffizienz
• Verbesserte Zuverlässigkeit, Sicherheit und Instandhaltungsprognosen
• Reduziertes Risiko, Ausfallzeiten und unnötige Instandhaltungskosten

Die Einführung von Digital Twin Technologie wird essenziell sein, um in sich rasant entwickelnden Industriemärkten wettbewerbsfähig zu bleiben.