Что такое цифровой двойник экземпляр

Цифровое зеркало

Создать своего двойника и переложить на него самые трудные, неприятные или даже опасные дела и заботы — время от времени такие мечты посещают многих. А сильные мира сего, как говорят, и на самом деле прибегают к услугам очень похожих на себя людей, когда не могут или боятся показываться на публике. Сколько в этом правды, а сколько вымысла, сказать сложно. Однако цифровые двойники разнообразных объектов — зданий, машин, производственных процессов и целых заводов — уже прочно вошли в практику многих отраслей промышленности и решают вполне реальные задачи

Братья по данным

Цифровой двойник (или «цифровой близнец», если буквально переводить английское словосочетание digital twin) — это виртуальный аналог реального объекта, компьютерная модель, которая в своих ключевых характеристиках дублирует его и способна воспроизводить его состояния при разных условиях. По сути, это набор математических формул, описывающих сам объект и протекающие в нем процессы.

Как это ни странно, такой двойник может родиться даже раньше своего оригинала: виртуальную модель могут создать еще на этапе проектирования объекта (здания, машины, установки), чтобы протестировать его работу в разных условиях и режимах и скорректировать проект, если будут обнаружены недочеты. Но затем, когда объект уже построен, такая модель требует постоянного обновления, для того чтобы соответствовать его актуальному состоянию.

Цифровой двойник представляет собой мостик между физическим миром и цифровой реальностью. Такие системы называют киберфизическими. Программные компоненты и физические процессы в них тесно связаны и влияют друг на друга.

И здесь не обойтись без интернета вещей — множества датчиков, которые собирают информацию о работе оборудования, — а также без технологий машинного обучения, которые помогают предсказать, как будет вести себя система в тех или иных обстоятельствах. Это особенно актуально, когда цифровой двойник создается для уже существующего объекта, например установки на нефтеперерабатывающем заводе. Досконально описать все процессы формулами — чрезвычайно сложная задача. Но, имея большой объем данных о работе установки за определенный период времени, проще выявить закономерности в ее работе при помощи нейросети.

В самой идее цифрового двойника в промышленности нет ничего нового: расчеты и модели того, как будет вести себя какая-нибудь конструкция, установка на заводе или реактор, делались и раньше. Но лишь недавно появились достаточные вычислительные мощности, чтобы проводить такие расчеты в реальном времени, а также возможности для постоянного обновления моделей на основе данных, получаемых с реальных объектов.

Цифровой керн

Керн — столбики породы, которые извлекают из разведочных скважин для изучения характеристик нефтеносного пласта. Это особенно актуально для трудноизвлекаемых и нетрадиционных запасов, поиск технологий для эффективной разработки которых продолжается. Исследование керна в лаборатории — дорогой и длительный процесс. Кроме того, отдельные образцы во время таких тестов часто разрушаются, и продолжать опыты с ними более невозможно. Решить проблему позволяет создание цифровых двойников керна. Для этого образцы породы сканируют в томографе высокого разрешения — и дальше проводят виртуальные эксперименты уже с трехмерной компьютерной моделью. Создание цифровых двойников керна решает сразу несколько задач: позволяет существенно ускорить проведение исследований, дает возможность для неограниченного количества виртуальных тестов на одном и том же материале, сохраняя реальный образец для проверки результатов и донастройки модели, открывает новые возможности исследования керна на микроуровне. Новая технология работает даже тогда, когда оценить строение и характеристики породы традиционным способом невозможно из-за сложной или хрупкой внутренней структуры или трудностей, связанных с извлечением образцов. Проект «Цифровой керн» по внедрению такой технологии реализуется сейчас в «Газпром нефти».

Зачем нужны цифровые двойники

Некоторые считают, что скоро цифровые двойники будут создаваться для всего, в том числе и для людей. На самом деле в той или иной мере это уже происходит: например, профиль в социальных сетях характеризует круг общения человека, история поисковых запросов — его интересы, а кредитная история — финансовую состоятельность. И эту информацию используют те, кто хочет предсказать наше поведение, — работодатели, спецслужбы, банки, продавцы товаров и услуг. Возможно, уже в недалеком будущем развитие систем медицинского мониторинга позволит предупреждать о приближении болезни задолго до появления явных симптомов.

Что же касается промышленных объектов, их цифровые двойники позволяют выбирать наиболее оптимальные режимы работы, ставить виртуальные эксперименты, которые в реальности могут быть сопряжены с риском повредить оборудование. Данные, которые собирают с датчиков на объекте, а также информация о ранее проведенном обслуживании, позволяют установить степень износа и вероятность выхода из строя узлов, а значит, сократить расходы на профилактику и ремонт. Если тот или иной параметр отклоняется от нормы, цифровой двойник проинформирует ответственных сотрудников, которые отреагируют и примут меры.

Те же подходы и технологии дают возможность создавать информационные копии не только отдельных машин или установок, но целых цехов, заводов, цифровые двойники предприятий со всеми производственными и логистическими процессами. Такие модели позволят найти узкие места, которые проявят себя лишь через несколько лет работы, и сделать необходимую тонкую настройку.

Для нефтегазовых объектов цифровые двойники — многообещающая технология, ведь такие объекты часто бывают удалены и труднодоступны, распределены на большой территории, их стоимость велика, а эксплуатация связана с рисками. Стремясь сократить эксплуатационные издержки, увеличить объемы добычи и эффективность переработки нефти, нефтяные компании сегодня оцифровывают свои активы — создают цифровые месторождения и цифровые заводы.

Стремясь сократить эксплуатационные издержки, увеличить объемы добычи и эффективность переработки, нефтяные компании сегодня оцифровывают свои активы — создают цифровые месторождения и цифровые заводы

Цифровое месторождение

Развитие концепции цифрового месторождения («умного месторождения», «интеллектуального месторождения» — разные компании используют для обозначения разные слова) началось с появления умных скважин, оснащенных всевозможными датчиками и системами для удаленного управления. Впрочем, одних скважин недостаточно: необходимо создать модель, в которой будут учтены и геологические особенности месторождения, и все оборудование, которое осуществляет добычу. Такая модель позволяет лучше контролировать процесс добычи, лучше им управлять и в конечном счете добывать больше, эффективнее и безопаснее.

В «Газпром нефти» пилотное внедрение программы «Цифровое месторождение» началось в 2014 году на активах дочерней компании «Газпромнефть-Хантос». В 2017 году здесь был создан Центр управления добычей (ЦУД), объединивший все разработанные в компании решения по повышению эффективности отдельных производственных процессов добычи. Одна из ключевых систем ЦУД — цифровой двойник процесса подъема жидкости из скважин. Он позволяет подбирать наиболее оптимальные режимы работы, заранее идентифицировать нештатные ситуации, вести превентивную оценку работы системы в случае изменения ее конфигурации. Со временем ЦУД пополнится и другими цифровыми двойниками — для систем поддержания пластового давления, энергообеспечения, подготовки и утилизации попутного газа.

По данным исследования компании gartner, 48% предприятий, внедривших технологии интернета вещей, уже используют цифровых двойников или планируют начать их использовать до конца 2018 года. К 2022 году число компаний, запустивших проекты с цифровыми двойниками, утроится, прогнозируют в gartner.

Цифровой завод

В основе цифрового нефтеперерабатывающего завода — цифровые двойники установок НПЗ. Виртуальная копия установки должна заключать в себе максимально полную информацию о каждом ее элементе: характеристики деталей и узлов, инженерных систем, средств автоматизации, их сроки службы, периоды обслуживания и т. д. Кроме того, двойник должен содержать детальное описание физико-химических процессов, процессов потребления и выработки энергии, параметры входного сырья и продуктов производства.

Пока еще ни одна нефтегазовая компания не создала полностью цифровой нефтеперерабатывающий завод, но есть предприятия, которые достигли в этом существенных успехов. Оцифровкой своих нефтеперерабатывающих мощностей занимается и «Газпром нефть», начав с создания цифрового двойника установки гидроочистки бензина каталитического крекинга на Московском НПЗ и установки первичной переработки нефти на Омском НПЗ. Пилотный проект по созданию полностью цифрового завода-робота будет реализован на одном из битумных активов компании.

Источник

Что такое цифровой двойник экземпляр

В этой статье мы разберем, что такое цифровой двойник – один из главных трендов развития 4-ой промышленной революции (Industry 4.0) на ближайшие 5 лет. Читайте в сегодняшнем материале, зачем нужен виртуальный макет завода, из чего состоит информационная модель изделия и где используются цифровые двойники. Также рассмотрим, как CALS- и PLM-технологии связаны с Big Data и интернетом вещей, а, самое главное, чем бизнесу выгодна такая цифровизация.

Что такое цифровой двойник и зачем он нужен

Цифровой двойник (Digital Twin) – это виртуальная интерактивная копия реального физического объекта или процесса, которая помогает эффективно управлять им, оптимизируя бизнес-операции. Например, цифровой двойник завода позволяет моделировать расположение оборудования, перемещение сотрудников, рабочие процессы и внештатные ситуации. Именно интерактивность отличает понятие цифрового двойника от термина «информационная модель изделия» (ИМИ) по ГОСТ 2.053-2006. Напомним, ГОСТ 2.053-2006 характеризует ИМИ как совокупность данных и отношений между ними, описывающую различные свойства реального изделия, интересующие разработчика модели и потенциального или реального пользователя [1]. В отличие от ИМИ, цифровой двойник не ограничивается сбором данных, полученных во время разработки и изготовления продукта, а продолжает собирать и анализировать информацию в течение всего жизненного цикла реального объекта, например, с помощью устройств Internet Of Things (IoT) [2].

Множество цифровых двойников можно разделить на 3 категории [2]:

Таким образом, цифровой двойник можно рассматривать в качестве виртуального прототипа реального объекта или процесса, который содержит все данные о нем, включая историю и информацию о текущем состоянии. Интерактивный анализ этих данных с помощью технологий Big Data позволяет эффективно выполнять следующие важные управленческие функции:

Как появились цифровые двойники: синергия Big Data, IoT, CALS- и PLM-технологий

При том, что концепцию цифровых двойников принято относить к Industry 4.0 и цифровизации производства, истоки этого понятия зародились гораздо раньше 2010-х годов. Это понятие продолжает методологии CALS и PLM, которые появились в начале 21 века. Информационная поддержка жизненного цикла изделия или CALS (Continuous Acquisition and Life Cycle Support) предполагает непрерывную интеграцию CAD-, CAE-, CAM-, MRP-, ERP-, SCM- и CRM-систем, использующихся при проектировании, производстве и эксплуатации высокотехнологичной продукции. За интеграцию данных отвечают системы управления данными об изделии (PDM, Product Data Management). Сама технология управления жизненным циклом изделий укладывается в понятие PLM (Product Lifecycle Management) – организационно-техническую систему, поддерживает всю информацию о продукте и связанных с ним процессах от проектирования и производства до снятия с эксплуатации. Одна из целей CALS/PLM-технологий – это создание виртуальных производств, где разработка спецификаций для программно-управляемого технологического оборудования распределена во времени и пространстве между несколькими автономными организациями, чтобы ускорить и оптимизировать процессы разработки и производства изделий. В России для развития CALS/PLM-технологий разрабатываются стандарты электронного обмена данными, электронной технической документации и руководств для усовершенствования процессов под эгидой ФСТЭК РФ. В частности, создан Технический Комитет ТК431 «CALS-технологии», который разработал ряд стандартов серии ГОСТ Р ИСО 10303, соответствующих международным регламентам [3].

Однако, начиная с 2010 года, как раз, когда появился термин Big Data, популярность CALS/PLM стремительно снижается. Концепция виртуального производства воплощается в виде цифрового двойника, т.к. именно со второй половины 2010-х вычислительные мощности позволили создавать практически идентичные копии реальных физических объектов и процессов в реальном времени [4]. Благодаря этому, а также развитию больших данных и интернета вещей (Internet Of Things, IoT) идеи CALS/PLM получили продолжение в Industry 4.0. Интерактивный сбор данных с IoT-устройств позволяет в режиме онлайн наблюдать за объектом или процессом и даже управлять ими. Например, Apache Kafka вместе со Spark, Storm, Flink или NiFi обеспечивают непрерывную агрегацию и онлайн-обработку эксплуатационных данных. А за надежное хранение этой информации и данных из CAD, CAE, CAM, MRP, ERP, SCM, CRM, и даже SCADA-систем отвечает экосистема Apache Hadoop.

Кроме того, цифровые двойники активно используют еще одну трендовую технологию I4.0 – дополненную и виртуальную реальность (AR/VR). Это позволяет моделировать практически любые ситуации и наглядно представлять внутреннее устройство сложных систем, от живых организмов до космических спутников. Таким образом, цифровизация промышленных предприятий, в рамках которой разрабатываются цифровые двойники индустриальных объектов и процессов, стала современным воплощением CALS/PLM-идей, значительно расширяя их первоначальную область действия [5].

Анализ популярности тем PLM, Big Data и Internet Of Things по Google Trends

Примеры цифровых двойников в отечественной и зарубежной промышленности

Однако, тяжелая индустрия – это не единственный кейс для использования цифровых двойников. Такая интерактивная модель объектов и процессов актуальна и для научных целей. К примеру, в нижегородском университете имени Лобачевского ученые разрабатывают цифровую копию человека с точными аналогами всех жизненных систем, чтобы контролировать физическое состояние пациента и предупреждать риски развития заболеваний. В будущем подобные виртуальные модели позволят медикам в реальном времени отслеживать данные о здоровье клиентов и состоянии медицинского оборудования [2].

Однако, в настоящее время технологии Digital Twin более распространены в промышленности, интегрируясь с индустриальным интернетом вещей (Industrial Internet Of Things, IIoT). Например, интерактивный анализ данных с цифрового двойника на одном из европейских нефтеперерабатывающих предприятий позволил предсказать сбой технологического компрессора за 25 дней до того, как он случился. Благодаря такой предиктивной аналитике на базе технологий Big Data, Machine Learning, IIoT и Digital Twin компания сэкономила несколько миллионов долларов. В другом случае, цифровой двойник помог агрегировать в единый диспетчерский пункт 20 перерабатывающих и добывающих предприятий нефтегазового оператора ADNOC. Компания Schneider Electric разрабатывает Digital Twin на Яйском нефтеперерабатывающем заводе, чтобы создать виртуальный тренажер для операторов и систему оперативного предотвращениях аварийных ситуаций [2].

В декабре 2019 года Газпромнефть приступила к созданию цифровой интегрированной модели Восточного участка Оренбургского нефтегазоконденсатного месторождения [6]. А Роснефть уже реализовала подобный проекта, запустив в опытно-промышленную эксплуатацию своего цифрового месторождения в мае 2019 году [7]. Подробнее об этих и других примерах создания цифровых двойников в отечественной промышленности мы расскажем в следующей статье.

Полная цифровизация: как PLM, Big Data, Machine Learning и IIoT-технологии создают виртуальное предприятие

Какую пользу цифровизация производства принесет вашему бизнесу и как построить свой цифровой двойник, узнайте на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

Источник

Цифровой двойник: настоящее и будущее

Есть много разрозненной информации о том, что такое цифровой двойник, а много компаний уверяет, что может создать его. Но это не всегда так. Директор по продуктам Factory5 Артем Серебров раскрывает суть этого явления и рассказывает о возможностях и истории развития цифровых двойников.

Цифровой двойник — это виртуальная копия физического объекта или процесса. Изначально он был придуман когда-то давно как цифровая копия оборудования. Но с тех пор прошло много времени и у цифрового двойника появилось много вариаций. Все они хорошо проработаны теоретически, но только начинают развиваться практически.

Настоящее

У цифрового двойника есть несколько видов, которые делятся по сфере применения:

Digital Twin Prototype — первый цифровой двойник в истории. В 1970х он использовался компанией Nasa для проектирования миссии Apollo 13. Он был создан для того, чтобы проверить, как будущий объект поведет себя в физическом мире. В дальнейшем, инжинеры NASA обнаружили, что этот же двойник можно использовать для контроля уже существующего оборудования и предсказания что с ним произойдет. Однако, так как условия космоса в то время были плохо изученными, потребовалось создать постоянную связь в реальном времени между оборудованием и двойником, чтобы снимать реальные показания с датчиков. Это и привело к современным цифровым двойникам и их следующему типу.

Digital Twin Instance — цифровой двойник экземпляра. Фактически, это сбор информации с датчиков, установленных на оборудовании, и получение копии работающей единицы в системе. Это позволяет автоматически отслеживать и прогнозировать поведение этого оборудования, предсказывать аварийные остановы и создавать симуляции режимов работы.

Digital Twin Aggregate — модель серии оборудования. Это двойник существующего оборудования, которая в первую очередь применяется для обучения персонала и оптимизации процессов ТОиР. С такой моделью специалисту не нужно читать мануалы по эксплуатации оборудования, а можно сразу практиковаться и смотреть результаты действий на виртуальной модели.

Будущее

Сегодня появляются новые виды двойников: некоторые из них кажутся фантастикой, а некоторые уже создаются и внедряются.

1. Цифровой двойник процесса

Двойник производственного процесса дает понимание того, какого качества продукт получается в конце. Если речь идет о более сложном явлении в компании, то в результате мы можем узнать результаты наших действий. Особенно это касается масштабных процессов, в которые сложно вносить изменения.

2. Цифровой двойник целой компании

Все процессы вместе взятые составят двойник компании. Это позволяет рассматривать общую картину и принимать решения на основе фактических данных.

3. Цифровой двойник изделия

Крыло самолета, винт и другие составные части, перенесенные в цифровую плоскость, можно испытывать и тестировать бесконечно. Для этого вида цифрового двойника требуется очень четкое физическое моделирование, поскольку каждое изделие создается в новых индивидуальных условиях.

Если такая модель станет реальность, то можно будет убрать контроль качества, специальные стенды и бесконечные испытания. Также, мы будем получать больше информации о том, какого качества изготовленные нами продукты. Это, также, решит проблемы крупных отраслей: построение ракет, самолетов и т. д.

Как создается цифровой двойник в F5

В Factory5 мы специализируемся на моделировании, поэтому очень часто решаем конкретные потребности предприятия. Мы можем соптимизировать различные функции предприятия: начиная от ТОиР, заканчивая финансовым планированием и финансовым стресс-тестированием.

На сегодняшний день мы делаем:

цифровых двойников оборудования и используем его для анализа технического состояния,

цифровых двойников производственного и логистического процессов

(сделали первый шаг в сторону) цифрового двойника организации.

Процесс создания проще всего показать на примере двойника оборудования:

Консультации со специалистом по оборудованию.

Сбор телеметрии с датчиков и разметка пути телеметрии из конкретных источников.

Создание статичной древовидной модели.

Написание симуляционных моделей.

Сложности начинаются на последнем этапе. Моделировать все возможные ситуации бесполезно и очень трудоемко. Поэтому необходимо определить самые важные критерии, которые имеет смысл моделировать в каждой конкретной ситуации: перепад напряжения в этом узле и повышение температуры — в другом. Для этого нужен специалист по оборудованию и физическим процессам одновременно, который расскажет, как оборудование работает на самом деле и напишет физические модели действительно важных процессов. Это трудоемкая, но повторяемая работа: описав физическую модель работы электродвигателя, мы можем применить эту модель ко всем электродвигателям.

Если говорить о цифровом двойнике технологических производственных процессов, ситуация выглядит почти так же. Только мы создаем не древовидную, а линейную модель.

Логистический и финансовый процессы создавать немного сложнее. Они пишутся под конкретную организацию, потому что для каждого это индивидуальный процесс. Поэтому специалист должен «высадиться» в организацию, аккуратно записать, как в этой организации работают процессы и создать уникальную блок-схему этих процессов.

Кто участвует в процессе разработки

В процессе разработки MX-моделей участвуют специалисты со следующими ролями:

1. Роль «Бизнес-аналитик». Функции роли:

Сбор и анализ документации и материалов по оборудованию.

Определение перечня инцидентов и прогнозов технического состояния, подлежащих моделированию.

2. Роль «Эксперт». Функции роли:

Подготовка материалов по работе оборудования и инцидентам, консультации по работе оборудования.

Разработка экспертных правил.

Разработка методик расчета информативных неизмеряемых параметров.

Постановка задач на разработку экспертных правил, методик расчета информативных неизмеряемых параметров, верификацию моделей физических процессов.

Экспертная поддержка в процессе разработки и верификации ML-моделей.

3. Роль «Data science специалист». Функции роли:

Исследование данных телеметрии.

Анализ и представление данных телеметрии, выполнение различных расчетов в процессе разработки экспертных правил, методик расчета информативных неизмеряемых параметров.

Подбор функций передаточных моделей с помощью алгоритмов машинного обучения.

Валидация разработанных правил по имеющимся данным телеметрии, данным по отказам, ремонтам, заменам и обслуживанию.

Зачем нужны цифровые модели

В целом цифровые двойники в промышленности уже приносят свою пользу. Например, цифровые двойники оборудования и предиктивная аналитика приводят к сокращению его простоев до 12%, при проектировании цифровые двойники снижают затраты времени на процесс до 30%, а скорость обучения персонала с применением технологии цифровых двойников увеличивается на 50%. В результате предприятия, использующие данную инновацию, быстрее адаптируются к стремительно меняющимся трендам и событиям, повышают производительность и начинают эффективнее управлять ресурсами, что напрямую влияет на их конкурентоспособность.

Примеры использования цифровых двойников от F5

1. Предиктивный анализ состояния газотурбинной установки

В этом кейсе предиктивный анализ технического состояния газотурбинной установки для крупной энергетической компании не состоялся бы без цифрового двойника. Он позволяет прогнозировать отказы и планировать ТОиР в соответствии с этой информацией. Самое главное, он позволяет анализировать режимы работы газотурбинной установки не меняя их в физическом мире. Так удалось понять, какие конструктивные элементы влияют на перерасход топлива, и скорректировать режим работы так, чтобы исключить перерасход.

2. Оптимизация цепочки поставок

Цифровой двойник может учитывать большое количество факторов и позволяет эмулировать ситуацию по разным экономическим показателем: время доставки, сокращение затрат, утилизация и т. д. Поэтому он подходит для оптимизации цепочки поставок для крупной транспортно-логистической компании. В этом кейсе цифровой двойник учитывает более 45 разных факторов и выстраивает маршруты в режиме реального времени. Это позволило сократить затраты на 30%, увеличить утилизацию на 20% и приблизить вероятность построения оптимальной логистической модели к 100%.

3. Средне-срочное финансово-экономическое моделирование

Цифровой двойник учитывает не только большое количество факторов, но и взаимосвязь между ними. Поэтому отлично подходит для сложных системных процессов, как среднесрочное финансово-экономическое моделирование. В данном кейсе для крупного транспортного холдинга удалось цифровой двойник позволяет выстраивать сценарии развития событий в режиме реального времени и видеть результаты тех или иных решений, принимаемых в основном топ-менеджментом. Это сокращает трудозатраты на создание и поддержание в актуальном состоянии стратегических моделей до 70%.

Источник