Výhodou hybridního dvojčete je predikce budoucího stavu v reálném čase

Zbyněk Nevole Zbyněk Nevole

Na poli optimalizace údržby zařízení se digitální dvojčata ukázala jako velmi účinný nástroj. Cílem jejich  implementace je pochopení toho, jak se projevují určité kombinace materiálových komponent, míra vytížení strojního zařízení a především prediktivní údržba na základě detailní znalosti faktorů ovlivňujících životnost aktiv. Na scéně se však objevuje technologie Hybrid Twin™, která je obohacením virtuálního dvojčete (modelu založeném na fyzice) o Digitální dvojče (model řízený daty) v reálném čase. Zlepšuje predikci následných stavů skutečného produktu a přináší vyšší přesnost a kvalitu. Technologii Hybrid Twin™ nám v rozhovoru vysvětlil Zbyněk Nevole, Business Development Manager společnosti MECAS ESI.

Technologie Hybrid TwinTM není prozatím příliš rozšířená, na rozdíl od digitálních dvojčat, které si už přeci jen do řady podniků cestu našly. Čím to podle Vás je způsobeno?

Ano, máte pravdu. Koncept digitálních dvojčat je podstatně známější, ale stále jen užší skupině odborníků. Oba koncepty spadají do oblasti technologií Průmysl 4.0 s tím, že hybridní dvojče je oproti digitálnímu dvojčeti novější a poskytuje mnoho dalších možností a výhod.

Podstatou hybridního dvojčete je model řízený daty v reálném čase. Jakými všemi způsoby mohou být data sbírána? Existují u sběru dat, popřípadě technologií, na které může být Hybrid TwinTM aplikován, nějaká omezení?

Přesně tak, hybridní dvojče je model reálného objektu, kterým může být větrná elektrárna, automobil, výrobní linka a pokud bychom to vzali obecně, tak se může jednat o repliku jakéhokoliv neživého i živého objektu. Pokud bychom začali u živých objektů, pak se nabízí všeobecně známý příklad chytrých náramků, které pomocí senzorů sbírají data, jako tep, počet kroků, geografickou polohu a podobně. Tato data lze po automatickém odeslání do datového úložiště vizualizovat a vytvářet různé přehledy. Na tomto principu může analyzovat nasbíraná data program umělé inteligence, který následně odešle případná upozornění buď uživateli náramku nebo i jeho lékaři.

V oblasti průmyslového nasazení je princip stejný. Různorodá data se sbírají přímo z reálného objektu. Může se jednat o teplotu, tlak, otáčky, vibrace, polohu, napětí, fotografii a podobně. Podle charakteru procesu se určí časový úsek pro odečet dat – od zlomku vteřiny po hodiny. Data jsou pak přímo odesílána do úložiště pro další zpracování, případně jsou před odesláním předzpracována již v jednotce přímo na zařízení. Další zobrazování, analyzování a akce jsou podobné, jako v předchozím příkladu s tím, že místo lékaře dostane upozornění údržba. Navíc lze zajistit zpětnou vazbu na reálný objekt.

Omezením u sběru dat může být vysoká teplota, kterou senzor/čidlo nezvládne, potřebná frekvence sběru dat u rychlých procesů, kapacita jejich přenosu a mnoho dalších. Naším úkolem je pak hledat řešení, jak omezení překonat.

Schéma fungování:

Predikce následných stavů skutečného produktu je možná díky multifyzikálním simulacím zpracovaných pomocí technologie PGD (Proper Generalised Decomposition) s technologií MOR (Model Order Reduction), která snižuje počet potřebných senzorů na skutečném objektu a zvyšuje přesnost predikce i v oblastech, kde chybí potřebná data. Na jakém principu tedy simulace fungují, když mi méně senzorů přináší více potřebných dat?

Je to skutečně tak, mnoho potřebných hodnot se dá dopočítat. Například napětí v konkrétních místech ocelového nosníku zjistíte tak, že umístíte na tato konkrétní místa senzory, ze kterých získáte potřebná napětí, nebo umístíte senzor pouze jeden a zbylá napětí získáte dopočítáním nebo simulací. Potřebná napětí lze získat i výpočtem z naměřeného průhybu nosníku. Vždy záleží na konkrétní situaci.

Hybridní dvojče je unikátní v tom, že má dopředu na fyzikálním simulačním modelu napočítané výsledky pro všechny variace možných vstupních hodnot z reálného objektu. Simulační model je obvykle sestaven na bázi metody konečných prvků. Takto získaná rozsáhlá data o chování objektu je možné zredukovat pomocí technik Proper Generalised Decomposition a Model Order Reduction. Tím je zajištěna prakticky okamžitá dosažitelnost odhadu budoucího stavu reálného objektu na základě naměřených dat s možností rychlého ovlivnění reálného objektu. 

hybrid twinTechnologie Hybrid TwinTM

Předpokládám, že je zde plně použitelná vzdálená správa. Jaké jsou ale požadavky na cloudová zařízení? Liší se nějak zásadně, od těch, které je potřeba pro klasický sběr velkých dat?

Jedná se v principu o stejná cloudová zařízení pro ukládání dat pro pozdější analýzy. Výstupem hybridního dvojčete, které je implicitně obohacené o historická data, je predikce budoucího stavu na základě naměřených hodnot. Hybridní dvojče je možné dále kombinovat s technikami strojového učení a umělé inteligence.

S Hybrid Twinem získáváme poměrně silný nástroj pro prediktivní údržbu. V čem spatřujete aktuální překážky jeho většího rozšíření a k čemu dalšímu můžeme ještě technologií Hybrid Twin využívat?

S konceptem Hybrid TwinTM přišla společnost ESI Group teprve před pár lety, ačkoliv byl tento koncept vyvíjen řadu let. Jedná se tedy o novou technologii, kterou nyní nasazují progresivní společnosti. Většímu rozšíření jistě napomohou přínosy ověřené praxí.

Výhodou hybridního dvojčete je predikce budoucího stavu v reálném čase, které je dosaženo zpracováním velké množiny předem provedených simulací uvedenými technologiemi PGD/MOR. Cílem je dosáhnout maximální přínos z provozování reálného objektu řízením jeho výkonu po celou dobu jeho životnosti. Říkáme tomu Product Performance LifecycleTM. Technologii Hybrid TwinTM  lze využít všude tam, kde můžeme sledovat fyzikální vlastnosti reálného objektu a na základě predikce simulačního modelu informovat, udržovat jej v provozu nebo řídit. V současné době jsou to zejména náročnější energetické a strojírenské systémy.

Můžete představit některou z referenčních aplikací, její konkrétní přínos v podobě úspor a finanční návratnost investice?

Jedním příkladem může být projekt WindTwin konsorcia společností TWI, ESI Group, Agility3, Dashboard a Brunel University London. Cílem bylo poskytnout řešení, které zmírní stále rostoucí náklady na údržbu a provoz větrných elektráren. Tento projekt se postupně vyvíjel od konceptu digitálního dvojčete až po hybridní dvojče. V současné době je projekt dokončen s tím, že systém plánuje údržbu větrných elektráren na základě naměřených dat podle skutečné potřeby, která je často po delším časovém úseku, než se standardně plánuje. Tím se šetří nemalé náklady spojené s údržbou. Na druhé straně systém dopředu reaguje na problémové stavy i dříve, než by se standardně plánovalo a předchází tím případné havárii.

Další příklady mohou být uvedeny z oblasti tzv. chytré výroby, kdy se technologií Hybrid TwinTM  řídí proces lisování technologií tváření za tepla nebo se optimalizuje provoz poloautomatických linek odlévání pomocí technologie HPDC, kdy obecným cílem je zvýšení životnosti nástrojů a snížení zmetkovitosti.

V současné době je v realizaci více projektů s uvedenou metodikou a budeme se těšit, že s nimi budeme moci vaše čtenáře brzy podrobněji seznámit.

Vítězslav Fejfar

Vítězslav Fejfar je editor ve společnosti Trade Media International (vydavatel časopisů Contorl Engineering Česko a Řízení a údržba průmyslového podniku). Zaměřuje se na rozhovory, reportáže a příběhy z průmyslových firem. 

www.trademedia.cz