大多数数字孪生演示都会显示在浏览器中旋转的 3D 模型，颜色随着来自传感器的数据而变化。它在视觉上令人惊叹，但在功能上与几乎所有工业用例无关。数字孪生的有用之处不是模型的视觉保真度，而是能够以足够的精度反映物理资产的当前状态，以支持没有它就无法做出的决策。连接到温度传感器的 CAD 文件不是数字孪生。一个模型可以捕捉设备随时间的动态行为，从操作历史中学习，并且允许您在不停止生产线的情况下测试假设 - 就是这样。这种差异很重要，因为它直接影响投资的合理性和无效性。
有用的数字孪生的定义是什么
数字孪生从代表资产行为的数学、物理或混合模型开始。对于离心泵，模型可能包括性能曲线、流量和压力之间的相关性、工作温度限制。对于电动机，它可能包括不同速度和负载下的预期振动模式。对于一条生产线，它可能包括每个步骤的循环时间、中间缓冲区和工位之间的依赖性。
数字孪生模型的独特之处在于通过传感器数据与真实资产同步。该模型在接收来自设备的数据时更新其内部状态，这使得它不仅可以计算当前状态，还可以计算与预期状态的偏差。当泵的运行速度低于预测性能曲线 15% 时，双胞胎会在操作员注意到任何身体症状之前检测到偏差，因为它会将实际数据与模型中的预期行为进行比较，而不是等待操作员注意到似乎有问题。
这里最重要的词是“学习”。根据工厂规范创建且从未更新的静态孪生，从运行第一天起就开始与实际资产产生偏差，因为设备老化、运行条件发生变化，并且工厂规范很少捕捉到特定安装环境的细微差别。随着时间的推移，使用历史数据更新并调整模型参数以反映实际观察到的行为的孪生体的实用性不断增加。这个学习部分是最难实现的，并且在早期项目中最常被忽视。
数字孪生如今带来回报的地方
预测性维护是最成熟的用例。一对旋转设备——涡轮机、压缩机、泵——监测振动、温度、压力和电流，可以提前几周检测到早期故障。与简单阈值监控（振动超过 X 时发出警报）的区别在于，双胞胎检测到模式的变化，而不仅仅是阈值跨越。在保持架缺陷频率下开始显示缺陷特征的轴承将在数周内不会超过绝对振动阈值，但频谱模式已经可以检测到。通过这个早期窗口，您可以在下次计划停机时计划维护，而不是由于灾难性故障而停止生产。
调试新设备是另一个具有明确投资回报率的案例。在为新设备通电之前，双胞胎允许您测试不同负载场景下的预期行为，并确定从一开始就优化性能的参数设置。在拥有复杂工艺设备的工厂中，该模拟阶段可以将启动时间缩短数周。
操作员培训是一个被低估的应用。过程孪生可用于模拟故障、紧急情况和异常情况场景，而不会使实际设备面临风险。操作员在面对真实情况之前先学会识别受控环境中的偏差并对其做出反应。
大多数公司没有的数据
阻碍数字孪生实施的最常见限制不是技术，而是数据。旋转设备双胞胎需要高频振动、温度和压力历史记录。但大多数工业工厂收集这些数据的频率较低（每分钟或每小时读取一次），因为控制系统是为过程监控而不是设备状态分析而设计的。为了检测机械缺陷频率特征的初期故障，采样频率需要至少是感兴趣频率的十倍——对于轴承来说，这意味着 kHz，而不是 Hz。
改造现有仪器以支持双胞胎的决定通常是最大的实施成本，而不是软件。在运行设备中添加高频传感器需要停机安装，这会产生生产成本。一些应用允许使用非侵入式仪器——粘贴式加速度计、CT 电流测量——但其他应用则需要在设备的特定点永久安装。
另一条经常缺失的数据是具有足够背景的故障历史记录。为了训练异常检测模型，双胞胎需要正常行为和失败前的异常行为的示例。如果维护历史记录在纸上或遗留系统中的无文本字段中，与传感器数据没有关联，则该模型没有学习基础。清理和构建这段历史是一项密集的工作，在数字孪生项目的预算中很少考虑。
它仍然是一个昂贵的项目，没有成比例的投资回报率
复杂离散制造流程的数字孪生（具有多种产品变体的装配线、工作站间依赖性、人工操作员）仍然是大多数昂贵的研究项目，且难以展示投资回报率。问题在于维度：决定生产线行为的变量数量很多，其中许多变量无法通过传感器测量（例如操作员之间的技能差异），并且由于边界条件非常丰富，模型无法忠实地捕捉现实。这种性质的过程模拟是存在的，并且对于规划具有价值，但是反映复杂装配线的实时状态并具有足够的精度以进行持续操作优化的双胞胎的想法比当前的商业现实更令人渴望。
构建数字孪生——构建连接到传感器的信息模型——是另一个承诺往往超过执行的类别。最常被引用的用例是能源优化和建筑维护，但模型准确反映建筑物真实状态所需的仪器非常昂贵，并且能源投资回报率很少证明在没有其他用例叠加的情况下进行投资是合理的。
批准预算之前要考虑什么
批准数字孪生项目之前的尽职调查存在三个核心问题。第一个问题：孪生需要什么数据、频率和延迟是多少，以及这些数据是否已经存在或者是否需要新的仪器？仪器成本通常是最大的预算项目，低估该成本的项目在实施过程中已进行到一半，而没有足够的数据来支持模型。
第二：模型是静态的还是从操作中学习？如果答案是学习，谁将随着时间的推移维护和重新训练模型？数字孪生不是一次性安装——它是一种软件产品，当资产的行为因流程修改或老化而发生变化时，需要维护、参数更新和定期重新培训。如果没有内部团队有能力做到这一点，供应商参与模型需要涵盖这个生命周期。
第三：双生要改进的具体决定是什么，这个改进的价值是什么？预计两周内出现故障的压缩机双胞胎具有可计算的值：计划外停机的平均成本乘以避免的故障频率。如果没有这个数字，就不可能将双胞胎的投资与其他降低停机风险的替代方案进行比较——更多的备件库存、更保守的维护计划、设备冗余。
另请阅读
- [预测性维护：从日历到避免停机的智能0
- [边缘计算：为什么计算正在离开云而向数据靠拢1
- [边缘计算：为什么分布式处理将重新定义您的架构2
- [边缘和物联网的 RISC-V：为什么开放架构很重要3
- 【真实过程的权威：为什么展示路径比结果更能证明4
- [超越加密货币的区块链：供应链中的用例5