«Фабрика Цифровой Трансформации» представила решения по мониторингу и предиктивной диагностике активов производства на базе комплексного цифрового двойника

В конце февраля в Москве прошла конференция Innovations Days, организованная компанией B&R. В рамках мероприятия участники ознакомились с широким спектром современных технологий Индустрии 4.0, типовыми решениями для автоматизации производства и выполнения задач предиктивного сервисного обслуживания с помощью цифровых двойников.

Среди спикеров конференции выступил Олег Маковельский, технический директор направления Интернет вещей компании «Фабрика Цифровой Трансформации». На примере демо-проекта, выполненного при участии B&R, он продемонстрировал особенности и технологии комплексного цифрового двойника. Он также рассказал о том, как применять их в качестве подсистем для решения производственных и сервисных задач. В рамках своего второго выступления, подготовленного вместе с экспертом B&R, Олег Маковельский представил сценарии применения AR-технологий как новой альтернативы классическим HMI-панелям, применяемым в промышленной автоматизации для мониторинга и управления производственным оборудованием.

Комплексный цифровой двойник объединяет ряд технологий: численное (CAE) и системное 0D/1D моделирование, машинное обучение (ML/DL) и параметрическую оптимизацию, онлайн вибродиагностику и анализ частичных разрядов, агрегирование полевых подключений, шаблонированную интеграцию с ИТ-системами, дополненную и смешанную реальность (AR, MR), платформу промышленного интернета вещей (IIoT). Такой подход позволяет собирать и использовать данные об активе/изделии на всех этапах жизненного цикла, начиная с проектирования и заканчивая сервисным обслуживанием. Поведение объекта, например, реакция на разные режимы работы или характеристики рабочей среды, моделируется в специализированном программном обеспечении в формате виртуального эксперимента. Это позволяет снизить необходимость проведения физических тестов, точнее оценивать текущее техническое состояние оборудования, определять оптимальные режимы его работы, анализировать изменения в будущем и прогнозировать остаточный ресурс.

Отдельно стоит отметить применение в комплексном цифровом двойнике технологии дополненной реальности (AR), которая помогает визуализировать физические данные работы оборудования и комплексного цифрового двойника актива во время испытаний, производства и эксплуатации. AR-технологии могут применяться в различных сценариях – например, для мониторинга режимов работы оборудования, данных подсистем цифрового двойника и управления оборудованием. Такой сценарий в будущем позволит решать вопрос замены разнообразных физических аппаратных HMI-панелей на полностью унифицированную цифровую технологию, хранящую данные на едином сервере.

Важнейшей темой стало развёртывание и применение цифровых двойников на программируемых логических контроллерах (ПЛК). Были рассмотрены методики встраивания динамических системных моделей в специализированных форматах прямо в контроллер, например, с помощью стандарта FMI (Functional Mock-Up Interface). Такой подход позволяет разгрузить серверную и сетевую инфраструктуру производства и выполнять задачи прогнозирования целевых параметров в реальном времени. Это бывает критически важно на некоторых видах производства (энергетика, атомная энергетика, нефтегазопереработка, изделия и объекты оборонного назначения).

«Очевидно, что уже сейчас производители оборудования заинтересованы не только в том, чтобы предлагать свои изделия рынку. Они хотят дополнительно предоставлять заказчику специализированную готовую программную часть, которая анализирует рабочие режимы, подсказывает оператору, как нужно эксплуатировать оборудование и когда необходимо проводить сервисное обслуживание конкретных агрегатов. То есть комплексный цифровой двойник выступает полноценным средством промышленной конкуренции производителей Если говорить об активах производства, то существует большое количество сценариев применения такой технологии. Это не только системы предиктивного сервисного обслуживания – в этом случае цифровой двойник экономит финансовые ресурсы, но «не зарабатывает» их. Существует также сценарий предиктивного качества. В этом случае цифровой двойник процесса позволяет повысить качество продукции или даже производительность оборудования, например, в непрерывных производствах, и в результате помочь предприятию-изготовителю «заработать» дополнительную прибыль. Некоторые компании уже начали двигаться в этом направлении, действуя на опережение и инвестируя в новые технологии, чтобы не упустить время и не уйти с рынка в следствии технологической отсталости», – комментирует Олег Маковельский.

Ещё одна технология, используемая в комплексном цифровом двойнике – машинная обработка сигналов и вибродиагностика, которая позволяет анализировать механические системы оборудования на основе анализа параметров вибрации, создаваемой работающими агрегатами. Машинная обработка вибросигналов на основе алгоритмов машинного обучения, включая нейронные сети, дает возможность заранее диагностировать и классифицировать неисправность, определять ее причину и планировать обслуживание, исходя из прогноза технического состояния объекта. В рамках конференции Михаил Алпатов, ведущий инженер-аналитик по вибродиагностике «Фабрики Цифровой Трансформации», вместе с представителем B&R рассказал о применении подсистемы предиктивной диагностики на базе вибромониторинга B&R для прогнозирования разрушений механического оборудования. Он продемонстрировал решение на примере подшипников качения, которые используются для многих машин и работают в неблагоприятных условиях. На базе машинной обработки данных колебаний (вибраций) подшипников осуществляется ранее определение дефекта и оценка времени до выхода из строя. Это значительно снижает вероятность неожиданной поломки, прогрессирующих разрушений, и связанного с ней дорогостоящего ремонта и простоя оборудования.

«Сочетание предиктивной диагностики, традиционных подходов к вибрационной диагностике и современных возможностей по измерению и обработке целого комплекса эксплуатационных параметров позволяет значительно повысить достоверность диагностирования. Применение различных алгоритмов машинного обучения делает возможным точное определение глубины развития дефекта и расчет остаточного ресурса на самых ранних стадиях. Это позволяет выстроить оптимальную стратегию обслуживания для каждого отдельного агрегата, снизить затраты ресурсов и сформировать сервис-план, учитывающий целевую политику предприятия в области эксплуатации и управления активами», – рассказал Михаил Алпатов.

digitaltwin.ru