工业设备数字孪生
2023-01-06 10:29:14 7 举报
AI智能生成
工业设备数字孪生是一种新兴技术,它通过将物理设备与其数字模型相结合,实现了对设备的实时监控、预测和优化。数字孪生技术能够收集设备运行过程中的大量数据,并通过数据分析和机器学习算法,为工程师提供有关设备性能、故障预警和维护建议等信息。这种技术不仅提高了设备的可靠性和效率,还降低了维护成本和停机时间。总之,工业设备数字孪生为现代制造业带来了巨大的变革,为企业提供了更加智能、高效和可持续的解决方案。
作者其他创作
大纲/内容
21世纪初,“PLM概念理想“、“信息镜像模型”
2009年美国空军实验室“机身数字孪生”
起源
物联网技术
大数据技术
物理实体的机理模型,是数字孪生系统的骨架
多领域、多层次参数化机理模型建模技术
数字孪生对于工程应用的重要意义在于其智能分析和自主决策能力。
人工智能技术
云端强大的存储/计算能力
边缘端个性化实时感知和控制能力
云/边缘协同计算技术
发展
起源和发展
产品数字化、生产工艺流程数字化、设备数字化、数字孪生应完整真实再现整个企业
西门子
数字孪生是资产和 过程的软件表达,用于理解、预测和优化性能以改进业务产出。由三部分组成,数据模型、一组分析方法以及知识
GE
数字孪生是由物(产生数据的设备和产品)、连接(搭建网络)、数据管理(云计算、存储和分析)和应用构成的功能体。因此它将深度参与物联网平台的定义与构建
PTC
企业
基于传感器所建立的某一物理实体的数字化模型、可模拟显示世界的具体事物
密歇根大学
充分利用物理模型、传感器更新、运行历史等数据集成多学科、多物理量、多尺度、多概率的仿真过程、在虚拟空间中完成映射、从而反映实体装备的全生命周期过程。
美国国防采办大学
数字孪生体是某一物理实体(或过程)历史和当前的数字化描述,这是一种持续进化的描述,有利于优化业务绩效
德勤
数字孪生体是现实事物(或过程)具有特定目的的数字化表达,并通过适当频率的同步式物理实体与数字实例之间趋于一致
ISO dis
机构
以数字化的方式建立物理实体的多维、多时空尺度、多学科、多物理量的动态虚拟模型来仿真和刻画物理实体在真实环境中的属性、行为、规划
陶飞
数字孪生模型是实体或逻辑对象在数字空间的全生命周期的动态复刻体,可基于丰富的历史和实时数据,先进的算法模型,实现对对象状态和行为高保真数字化表达、模拟实验和预测
林诗万
数字孪生是将物理对象以数字化方式在虚拟空间呈现,模拟在现实环境中的行为特征
宁振波
学者
概念
传统建模仿真与数字孪生均强调数字模型与物理实体的一致性,但数字孪生实现一致性的手段是借助物联网技术,进而与实体物理模型进行深度融合分析。而传统建模仿真缺乏与物理实体的深度融合分析。
与物理实体的融合分析能力
数字孪生与建模仿真均可面向现有或尚未构建的物理实体进行应用,而数字孪生模型是动态模型,可以贯穿物理实体的全生命周期的活动,传统建模仿真往往仅针对某一具体阶段进行阶段性分析与应用
与物理活动周期的融合分析能力
数字孪生能够基于信息技术和明确机理融合进行融合计算分析,如基于大数据和运行机理的融合决策和预测等,而传统的建模仿真大多是基于明确运行机理进行分析。
与信息技术的结合能力
数字孪生与建模仿真
CPS是一个理念框架和理念指导,是在工业互联网基础下信息与物理世界多对多的连接管理,并未给出具体实施方案。而数字孪生则是更为具体得实施技术,强调具体问题给出具体解决方案
实施理念的区别
CPS强调计算、通信和控制能力。传感器和控制器是CPS的核心组成部分,旨在实现信息世界对物理世界的决策,数字孪生更关注数字模型对物理世界的映射和记录。
实施技术的区别
数字孪生与CPS
数据建模构建的模型可能是机器学习模型,也可以是简单的列表,大多数情况下为黑盒模型
数字孪生建模指仿真软件构建的虚拟模型,既可以包含数据建模的方法,也包含对物理空间的实体明确机理模型描述
建模范围
数据模型多局限于数据的挖掘、智能算法的训练等。
数字孪生模型除了包含以上内容还包含通过明确机理对物理世界的分析计算,也可以是明确机理模型和数据模型的融合。
模型应用
数据建模与物理实体是抽象映射关系,通过获取物理实体的动态数据,构建数据模型间接反映物理实体状态
数字孪生构建的模型是物理实体在数字空间的孪生体,直接描述物理实体的真实状态
与物理实体的联系
数字孪生与数据建模技术
与相关技术的区别与联系
工厂级数字孪生应用需将工厂业务流程全面贯通、通过对财务、人员、供应链等方面的智能管理,为工厂决策提供数据支持,在工厂层级实现调度一体化、监测实时化、管理透明化、分析智能化、决策自主化、打造数字孪生透明工厂。
数字孪生透明工厂的构建,一般应从工厂设立之初就进行整体规划,从工厂周边环境、厂房布置、数据通信网络、产线运营调度等多个维度考虑才能实现工厂的透明化管理。
一方面受限于现有的基础条件,工厂现有基础设施不易改变,简单改造并不能完全支持工厂级数字孪生应用,
另一方面受限于现有的建模技术水平,工厂作为复杂系统,包含了车间、设备、人员、物料等元素,现有的建模分析能力还不足以支持如此复杂系统的数字孪生应用
工厂级数字孪生现阶段发展较为缓慢,缺乏深度应用,
工业数字孪生技术在工厂的应用现状
生产线级数字孪生应用面向整条生产线,覆盖产线布局优化。生产流程仿真、能耗分析优化、生产排程优化、生产协同优化等场景
工业流程行业得益于生产过程连续、控制过程自动化程度高、数据经验积累丰富、加工模式成熟等特点、生产线级数字孪生应用在流程工业较为成熟。
由于对新生产线进行数字化设计或者对现有产线进行数字化改造相对成熟,生产线级数字孪生实施成本相对较低。目前基于基于独立系统的分析优化应用逐渐增加(能耗优化、状态报警、故障定位)
但生产线级数字孪生复杂应用依赖于多环节、多设备、复杂环境之间相互关系的精确建模,生产线级数字孪生技术受制于个性化产线建模技术的发展水平,同时由于产线信息的采集并不全面,不能很好的支持智能决策,决策算法的完备性和稳定性尚不能满足要求。实现生产线自主决策的深度应用能力,仍需进一步增强。
工业数字孪生技术在生产线的应用现状
比工厂级、生产线级更为成熟。
当前数字孪生在设备级的应用主要通过数字孪生系统的深度分析,完成设备的故障分析、寿命预测、远程管理等功能。当前主要应用于设备的故障诊断、预测性维护、运行参数优化等。
先阶段设备状态监测、故障分析诊断、等应用已经较为成熟,预测性运维和寿命预测应用正在快速发展中,并逐渐聚集于设备全生命周期优化。但是分析优化的准确度和可信任性仍然有待提高,个性化需求尚无法全面满足。
工业数字孪生技术在设备的应用现状
应用现状
数字孪生技术概述
完整的工业设备数字孪生系统包含物理空间、虚实交互、数字空间三个模块。在工业数字孪生系统中,依托虚实交互模块的感知和反馈控制通路,根据工业生产活动的真实数据和智能应用的反馈控制指令,实现物理实体与虚拟实体的精准映射、交互融合和智能反馈控制,服务于研发设计、生产制造、智能运维、运行优化、智能决策等工业生产全过程。同时物理空间和数字空间的功能又可在生产运行中进行持续改进,迭代升级。
工业设备数字孪生系统总体框架
工业设备数字孪生系统的主体是设备本身。不同于传统设备,其具备完整的传感系统,可实现状态信息的感知,并接入虚实交互层以支撑具体应用,并具备执行数字孪生系统智能应用决策和控制指令的执行能力
物理空间
包括数据采集、网络连接和边缘控制等,具备多传感器数据同步获取能力、不同传输协议的多源异构数据的网络接入能力和决策/控制指令的边缘计算能力。
虚实交互
工业设备历史状态数据、实时状态数据、孪生机理模型仿真数据
孪生数据
机理模型是对物理空间设备及其运行环境的各层级属性、组成关系和运行机理的模型化表述,有建模工具构建。该模型综合考虑工业设备不同控制系统的几何、物理、行为和规则信息,具备多领域集成、多层次表述、多信息涵盖、动态更新和数据驱动的能力。
机理模型
通过对常用算法进行封装和组织,支撑智能应用的实施。包括数据处理算法、模型求解/优化/一致性保持算法以及面向不同设备应用领域的基础应用算法。
分析/仿真/决策/算法
智能应用综合机理模型、孪生数据、分析/仿真/决策算法的构建,面向工业设备不同生命周期阶段的具体应用需求,实现设备智能化功能。
智能应用
工业设备数字孪生系统实施要素
工业设备数字孪生系统总体框架与实施要素
基于数字孪生的精益化设计
基于数字孪生的智能化设备制造
基于数字孪生的虚拟调试
基于数字孪生的智能运行决策
基于数字孪生的智能维护
基于数字孪生的绿色回收
基于数字孪生新型营销
场景
提升质量
降低成本
提高效率
创造收益
价值本质视角
对工业设备生产商
对工业设备用户
应用对象视角
价值
工业设备数字孪生技术应用场景和价值模式
设备的数字化模型完整性
传感系统完整性
控制接口能力
设备
网络覆盖能力
数字化传输能力
网络融合能力
网络
系统集成度
系统覆盖层级
信息系统
信息安全
系统运行安全
安全
基础设施
建模宽度和深度
模型更新修正能力
模型可移植性
模型保真性
模型求解能力
建模仿真
传感设备、传输协议的支持能力
闭环控制能力
边缘计算能力
智能感知控制
数据融合、数据价值挖掘、数据字典、数据安全、数据全生命周期管理
子主题
算法支持能力
数据集成融合
可视化
智能分析
智能预测
智能决策
人机交互
服务应用
技术实施
制度规范
组织设置
人员保障
实施管理
应用经济价值
应用效果
应用成效
评估模型
规划级
基本级
智能级
自治级
成熟度
应用成熟度评估
信用要求
资质要求
综合要求
服务能力
基本能力
数字化设计能力
数字化集成能力
数字化交付能力
技术能力
组织架构
人员素质
管理制度
管理能力
工业设备生产商数字孪生服务能力评估模型
实施对象设备所具有的信息化模型
传感系统的完整性
设备基础
网络覆盖程度
网络基础
对现有信息系统的覆盖层级
系统集成接口能力
信息系统基础
数据 集成能力
数据访问能力
数据管理基础
运行安全
安全基础
设备维护能力
系统维护能力
迭代优化能力
系统操作能力
工业设备用户数字孪生实施基础评估模型
主体资质
实施案例
资质
财务状况
资产状况
研发投入
综合
服务
技术规范
相关项目经历
履约能力
培训指导
交付能力
工业设备数字孪生系统开发商服务能力评估模型
实施条件成熟度评估
工业设备数字孪生实施成熟度评估
数字孪生系统主体运行在云端,并与边缘配合以支持边缘设备数字孪生系统的运行
物理空间包含物理实体各组成部分和传感器系统
部署在边缘端的模块包含感知模块、边缘端通信模块和控制模块
部署在云端的模块包含云端通信模块、孪生数据模块、机理模型模块、分析/仿真/决策算法模块/和功能应用模块。
云—边协同模式
数字孪生系统主体整个运行在本地以支持数字孪生应用
根据设备复杂度,机理模型可能无法实现深层次主动更新(如设备性能衰减,设备生产工艺流程变更等)
孪生数据对历史数据和仿真数据的归档存储容量较云边协同模式要小。孪生数据的主要用途为,状态的监控、有限的分析功能、和具体智能算法模型的修正由于数据容量的限制,往往不能用于智能算法模型(如卷积神经网络)的训练和验证
分析/仿真/决策算法也只是面向具体设备应用的具体个性化算法。可通过本地存储有限的孪生数据进行算法验证
具体的智能应用限定为计算量小,实时性强的单机应用,往往无法进行多机协同分析决策
整体功能构成和运行模式与云边协同类似,但由于受本地计算和存储资源的限制,又有所不同
本地部署模式
实施参考模型
以用户需求出发,明确功能需求
以应用目标为导向进行实施准备
工业设备生产商
从价值实现出发,明确应用需求
以应用目标为导向,进行实施准备
工业设备用户
对用户进行综合考察,充分沟通
数字孪生系统开发商
实施准备
对传感器系统进行综合评估后,确定传感器系统和执行系统的改进方案,进行传感器系统的扩充和优化
物理空间设计
根据传感器和执行器的接口,确定采集的数据类型、采集频率、归档需求等
边缘控制系统主要进行控制器与数字孪生系统的接口设计,确定数字孪生系统决策和控制指令的类型和执行方式、对针对性地对边缘控制器进行改造或设计接口
网络连接主要考虑现场网络异构协议,设计不同协议的传输转换和解析方式
虚实交互层设计
根据应用确定孪生数据的组成,确定孪生数据的构建要求
孪生数据构建
机理模型构建
分析、仿真、决策/算法库设计
具体应用设计
系统设计与实施
系统试运行
评估和优化改进
实施策略
工业设备数字孪生系统实施
56%为大型企业、27%为中型企业、16%为小型企业
企业分布情况
行业分布
应用场景分布
应用价值
应用案例情况介绍
尚属于起步阶段,构建面向风机设备故障的诊断和预测的数字孪生模型属于数字孪生行业建设的主要痛点与难点
主流解决方案仍处于通过三维建模与数据采集相结合实现对风机设备状态的直观展示与实时监测,应用过程控制逻辑运行监测及预警等方面。少数方案能够基于部分场景的机理模型与深度学习相结合,实现预测性运维和备件库存优化
总体应用情况
数字孪生技术助力风机设计研发
数字孪生技术提升风电机组全生命周期管理水平
快速仿真与实时映射为风电系统的健康管理奠定基础
典型应用案例
风电设备
数字孪生助力热电行业精细生产
基于数字孪生的锅炉运维平台
基于数字孪生的智能巡检
数字孪生助力运维效率提升
基于数字孪生的智能化运维提升生产管控能力
基于数字孪生的锂电池化成分溶测试设备与产线
集装箱柜式锂电池数字孪生储能系统
传统电力设备
基于数字孪生的核电应急柴油发电机组智能运维平台
基于数字孪生的柴油机装备及试车管理系统
柴油发电机
基于数字孪生技术提高机床预测性维护精准性
数控机床
基于数字孪生的车间焊接产线
基于数字孪生的挖掘机维护维修服务
工程装备
煤矿装备虚拟远程控制系统保障掘进工作安全性
数字孪生驱动的MR辅助维修系统显著提升维修效率
基于数字孪生的煤矿设备phm服务提升精准运维能力
煤矿装备数字孪生系统提升生产管控效率
煤矿开采及掘进装备
基于数字孪生的油气、化工装置设计协同校审
基于数字孪生体的数字化移交
基于数字孪生体的运维和安全管理
基于数字孪生的回转窑炉
油气化工装备
数字孪生仿真协同应用提升产品质量
数字孪生PHM系统应用提升产品运维能力
基于数字孪生的FMEA分析系统提升产品安全性
轨道交通装备
基于数字孪生的自动化生产线智能运维诊断解决方案
汽车装备
拖轮智能系统形成船舶数据共享与应用模式
数字孪生技术助力船舶管件加工制造流程现代化
数字孪生技术助力船舶远程检验
构建海洋装备结构安全的健康管理实现运维成本降低
船舶和海洋工程装备
重点工业设备数字孪生典型应用案例
当前工业设备现有模型基础大多为二维、三维等几何模型其物理、行为、规则等模型的获取往往比较困难,对于部分现存设备甚至连精准几何模型也很难获取。
机理模型构建中,模型库是提高构建效率的基础。而面向行业的模型库较少,给快速建模带来极大挑战。
机理模型建模技术方面
传感器的复杂种类、精度、可靠性和工作环境,影响了对工业设备的状态监测和工业设备状态特征指标构建模型所需要的数据获取
传感技术有短板
在设备状态信息采集方面,不同信号采集系统的传输协议不同,缺乏适用于动态数据获取 异构协议分析或转换工具来实现不同模块之间的通信,且存在不同网络设备和网络架构不满足传输需求的问题。
数据传输规范不统一
感知传输技术方面
多源异构数据融合困难
数据字典的缺失或不完整
孪生数据处理方面
智能决策技术方面
技术层面
数据标准
机理模型标准
算法库标准
验收标准
标准层面
数据与模型归属
设备全生命周期管理多方协作
机制层面
数据安全方面
平台安全方面
网络安全方面
安全层面
面临调整
制定相关政策,激励工业设备数字孪生关键技术基础理论和应用技术研发
鼓励深层次实施应用
凝聚行业力量,形成数字孪生生态
制定法律法规,明确知识产权归属
应对措施
挑战与应对
工业设备数字孪生
0 条评论
回复 删除
下一页