Stan na dziś – regularne przeglądy
Auta, ale również i inne maszyny, są poddawane regularnym przeglądom. W trakcie takiego przeglądu dokonuje się zmiany poszczególnych komponentów na podstawie:
- Wcześniejszych obliczeń teoretycznych (w przypadku auta zmiana paska rozrządu co określoną liczbę cykli).
- Stanu maszyny (w przypadku auta zmiana klocków hamulcowych na podstawie ich stopnia zużycia).
- Wskazań komputera pokładowego (w przypadku auta - zaświeciła się kontrolna „silnika”).
Ten ostatni przypadek to najprostsze przykłady rozwiązań „predictive maintenance”. Zamiast czekać na wystąpienie awarii, szuka się subtelnych znaków świadczących o ryzyku jej wystąpienia. Już niedługo tego typu technologie całkowicie zmienią sposób użytkowania większości zakładów przemysłowych i nie tylko.
Jak przewidywać przyszłość?
Aby skutecznie przewidywać co złego może stać się z maszyną w przyszłości musimy uzbroić się w arsenał pomocnych do tego narzędzi:
Modele teoretyczne – dzięki rozwijanym przez lata modelom teoretycznym rozumiemy fizykę min. zjawisk mechanicznych, przepływowych, termodynamicznych mających miejsce w różnych komponentach maszyny. Dzięki modelom teoretycznym wiemy kiedy poszczególne elementy mogą ulec zużyciu oraz jak interpretować potencjalne zmiany w obserwowanej pracy maszyny.
Symulacje numeryczne – na podstawie modeli teoretycznych tworzone są symulacje numeryczne obejmujące całokształt pracy maszyny. Komputery o dużej mocy obliczeniowej pozwalają już dziś bardzo skutecznie oceniać wytrzymałość złożonych konstrukcji lub zjawiska przepływowe i termiczne mające miejsce w skomplikowanych konstrukcjach takich jak np. silnik lotniczy.
Dane historyczne – firmy, które posiadały wysoką kulturę gromadzenia danych są obecnie w bardzo dobrej sytuacji. Dzięki nim znają scenariusze, które prowadziły do awarii w przeszłości i mogą wiedzieć jakie są pierwsze symptomy świadczące o nadchodzącym niebezpieczeństwie. Dane historyczne mogą też być podstawą do rozwijania przedstawionych poniżej modeli.
Półempiryczne modele – łączą wiedzę teoretyczną z doświadczeniami zebranymi na podstawie danych historycznych. Dane półempiryczne mogą nam np. dostarczyć informację na temat erozji poszczególnych komponentów silnika w toku eksploatacji, a wiedza teoretyczna pozwala ocenić jak wpłynie ona na sprawność układu i czy stanowi zagrożenie dla ciągłości pracy.
Nieliniowa Analiza Sygnałów – zaawansowane metody analizy sygnałów pozwalają dokonywać tzw. „ekstrakcji cech”. Gdy zmiany rejestrowanych sygnałów są dostrzegalne gołym okiem, jest już zazwyczaj za późno. Analiza nieliniowa pozwala wyłuskać subtelne anomalie, zanim będą one dostrzegalne dla użytkownika.
Sztuczna Inteligencja – W ostatnich latach coraz częściej obserwujemy działające przykłady systemów oceniających stan pracy maszyny z użyciem sztucznej inteligencji. To zupełnie nowe możliwości, które pozwalają algorytmowi „samemu” nauczyć się możliwych scenariuszy działania maszyny na podstawie danych historycznych. Minusem modeli AI jest fakt, że nie podają one powodu takiej czy innej decyzji. Potrafią być bardzo skuteczne w ocenie stanu pracy, ale bez dodatkowych analiz nie dostarczają wyjaśnienia „dlaczego”.
Wirtualny bliźniak
Żadne z powyższych narzędzi nie zapewni sukcesu w pojedynkę. Ale integracja części z nich może dać niesamowite rezultaty. Wyobraźmy sobie, że równolegle z uruchomieniem nowej instalacji w zakładzie przemysłowym uruchamiamy jego wieloelementowy model. Taki model działa na podstawie rejestrowanych na bieżąco w maszynie danych. Aby je zinterpretować wykorzystuje założenia teoretyczne, symulacje numeryczne, algorytmy półempiryczne i scenariusze znane na podstawie danych historycznych. Rejestrowane dane są analizowane za pomocą algorytmów nieliniowej analizy sygnałów i sztucznej inteligencji. Taki model nazywamy „wirtualnym bliźniakiem” (Digital Twin, lub krócej DT).
Celem „bliźniaka” jest jak najlepsze odwzorowanie wszystkich zjawisk mających miejsce w układzie. Ma on jednak jedną, zasadniczą, zaletę – jego awaria nic nas nie kosztuje. Ponieważ „bliźniak” istnieje w przestrzeni wirtualnej, możemy też zawsze przesunąć suwak czasu i zobaczyć jak będzie pracował w przyszłości. Na tej podstawie dowiemy się, które elementy są najbardziej narażone na awarię do następnego przeglądu. W toku pracy wirtualny bliźniak pozwoli ocenić, jakie zmiany wymagają natychmiastowego zatrzymania pracy, a jakie nie odbiją się negatywnie na warunkach pracy. Producenci dostępnych rozwiązań deklarują, że technologia Digital Twin przynosi 40% zmniejszenie ilości nieplanowanych przestojów już po jednym roku działania. DT pozwala też na optymalizację warunków pracy. Bez większego ryzyka możemy zobaczyć jak układ będzie działał po zmianie parametrów pracy.
Digital Twin znajduje coraz szersze pola zastosowania, również poza przemysłem. DHL wdrożył DT do optymalizacji procesów logistycznych, znane ą przypadki „wirtualnych bliźniaków” miast – taki projekt wdrożył np. Szanghai. W Finlandii został zrealizowany DT krajowej sieci elektrycznej. Również serce jest maszyną, dla której możliwe jest utworzenie DT co pokazał projekt firmy Philips. Pierwsze sukcesy pokazują, że to krok w dobrą stronę i należy się spodziewać jeszcze gwałtowniejszego rozwoju DT.
