Моделирование производства
Концепция цифровых двойников развивается вместе с технологиями управления жизненным циклом изделий, меняя бизнес-модели. Двойник эффективно накапливает всю информацию в рамках PLM-деятельности, дополняя исходный цифровой макет, создаваемый в системе автоматизированного проектирования.
Применение цифровых двойников наиболее эффективно при наличии следующих элементов: сопровождение продукции квалифицированным специализированным сервисом (контроль состояния, мониторинг, техническое сопровождение); длительный жизненный цикл изделия (более 5 лет); большое количество экземпляров оборудования; широкий диапазон и многообразие условий эксплуатации; труднодоступность для обслуживания. Этим критериям соответствует продукция различных отраслей – решения для энергетики, авиационные двигатели и системы, сложное промышленное оборудование, медицинское оборудование, железнодорожные и автомобильные транспортные системы.
Традиционный подход предполагает доработку сложных технических изделий для достижения нужных характеристик через многочисленные натурные испытания. В цифровой промышленности ставится задача проводить многократные виртуальные испытания с помощью цифрового двойника, а натурные испытания – проходить с первого же раза. По такому принципу работает современное автомобилестроение.
Для получения нужных характеристик могут потребоваться сотни и тысячи виртуальных испытаний. Соответственно, накапливается и требует обработки очень большое количество данных. Например, "Газпром нефть" за сутки генерирует один терабайт информации, а газовые турбины General Electric – 42 тыс. терабайт за год. То есть многие мировые компании уже генерируют больше информации, чем могут обработать для извлечения полезных сведений.
В этой связи имеет смысл использовать лишь содержательные, очищенные данные. Нецелесообразно оснащать датчиками все производство: это неминуемо приведет к накоплению терабайтов данных, которые не успеть обработать. В этой ситуации может помочь использование цифрового двойника: он позволяет увидеть критические зоны производства и критические характеристики производимого продукта, чтобы собирать только важную информацию. Для этого необходима надежная стратегия сбора и обработки данных.
Вторая задача связана с аналитическим окружением: требуется построить достаточно точные аналитические модели, которые можно применить к каждому из цифровых двойников. Решение заключается в поэтапном подходе: не надо пытаться построить все сразу, для всего предприятия, поскольку цифровые двойники создаются последовательно для каждого сценария использования. Необходимо выбрать основной вариант применения, один сценарий: можно нацелиться на обнаружение брака продукции или оптимизацию выработки для конкретного оборудования. Затем надо собрать данные и создать аналитику для выбранного актива и его цифрового двойника. Далее прорабатывается следующий вариант применения, где можно использовать часть того, что создано для первого сценария, добавляя новые данные и новую аналитику. Таким образом, можно получить монетизацию, отдачу от цифрового двойника – как результат его использования в конкретных поэтапных сценариях.
В качестве примера рассмотрим задачу одного из заказчиков "Техносерва", крупной металлургической компании. Цифровой двойник был нужен для исследования причин неуспешного охлаждения листового металлопроката и прогнозирования брака как факта непопадания итоговой температуры металлопрокатного листа в допустимый диапазон. Входными данными цифрового двойника стали исторические данные о параметрах металлических слябов второго и третьего уровней АСУ ТП и лог-файлы информационной системы, обеспечивающей задание на охлаждение металлопроката. Для аналитической обработки данных был разработан продукт – аналог цифрового двойника, основанный на модели машинного обучения, показавшей лучший результат прогноза брака XG Boost. В ходе аналитической обработки параметров металлических слябов в процессе раскатки, исторических данных и характеристик выставленного задания на охлаждение листа выполняется анализ производственного цикла (сопоставление данных контроллеров оборудования с отчетностью) и определяется вероятность брака по итогам текущего процесса охлаждения. В результате были достигнуты следующие показатели: 42 % брака определяется заранее, до момента охлаждения листа, на 20 % сокращен объем брака выпускаемой продукции, на 35 % сокращены расходы на закупку расходных материалов для измерительного и испытательного оборудования. Кроме того, система автоматического контроля металлургических процессов обеспечивает отсутствие человеческого фактора при выполнении сбора данных и способна самостоятельно выставлять нужные параметры охлаждения.
