デジタルツイン技術で重工業のアセット性能を最大化する
COVID-19の影響により、特に精油所や製造プラントなどの重工業におけるアセット管理のあり方が大きく変わりました。この課題は、プラント運営の管理方法におけるパラダイムシフトを推進する好機でもあります。
産業施設のオーナーや運営者は現在、グローバルサプライチェーンの混乱が「運転・保全」業務に影響を与える可能性がある中、増大する生産需要を満たす必要に迫られています。彼らを悩ませているのは、見えないリスク、特に予期せぬアセットの問題や長期的な設備損傷の可能性です。
産業施設内のすべてのアセットのライフサイクルを管理するため、組織は設備性能を最適化しながら安全性と運転信頼性を確保する革新的なソリューションを模索しています。これには、データの統合・標準化、予知保全分析を提供するデジタルツイン技術の導入が含まれます。
デジタルツイン技術とは
現在、エンジニアリングおよび設計チームは動的プロセスシミュレーションモデルを用いて、プラント運転の現状を把握しています。これにより、運転ボトルネック、ユニットの欠点、設計上の制約、安全装置の妥当性を迅速に特定できます。しかし、プラント運転の将来状態をモデル化し予測するには、高度な機械学習(ML)機能が必要です。
デジタルツイン技術は、機械学習アルゴリズムを活用して、過去の運転・設計データを収集・統合・分析し、現在のデータと比較して統計モデルを構築します。その結果、施設内の各ユニットのバーチャルクローンが生成され、その物理的な対応物の機能、特性、振る舞い、さらにはそれに供給される機械・電気システムまで再現されます。
デジタルツインモデルには、施設や産業サイトの物理的インフラと複雑なプラントプロセス(調達やサプライチェーンロジスティクスを含む)が組み込まれ、デジタル運用環境が構築されます。
デジタルツイン技術によるバーチャルクローンの例. 出典: Anvil Corporation
適切な情報を適切なタイミングで受け取ることで、設備故障を未然に防げます。デジタルツインの高度な機械学習機能は、データのパターンと相関に基づく予測分析をオーナー/運営者に提供します。
この情報により、オーナー/運営者は以下を把握できます:
- 各ユニットが時間の経過とともにどう劣化・変化するか
- ユニットが故障する可能性がある時期
- 調達/サプライチェーンシステムモデルに基づき、長納期部品をいつ発注すべきか
- 問題が発生する前に対処すべきタイミング
よくある質問として、人工知能(AI)と機械学習の違いが挙げられます。両方とも予測分析を提供する先進技術ですが、その違いは以下の通りです:
- 機械学習は、オーナー/運営者が意思決定の基盤とする客観的な情報を提供します
- AIは、行動指針を推奨することで、意思決定に主観的なアプローチを提供します
デジタルツインの機械学習の目的は、人間の判断と評価を置き換えることではなく、その関わりを非侵襲的かつ継続的な学習のあるものにすることです。
また、AIはインターネット上で動作するオープンソース技術であり、独自情報の漏洩リスクがありますが、デジタルツインの機械学習ソフトウェアは特定の企業、施設、ロケーションに限定されます。
デジタルツインモデルと機械学習予測分析で将来の運転シナリオをシミュレーションすることで、オーナー/運営者はリソース、プロセス、保全スケジュール、戦略、体制を最適化できます。
デジタルツイン技術は、ターンアラウンド(計画停止)の実施時期や、シャットダウン前の長納期部品発注時期の予測にも役立ちます。これは、設備調達に長いリードタイムを要する遠隔地のサイトにおいて特に重要で、必要なときに調達設備が現場にあるという安心感をオーナー/運営者にもたらします。
デジタルツインのブループリント構築
デジタルツインのブループリント構築の第一歩は、点検記録、新コード、再評価、現在の運転データなど、すべての履歴データを特定し、デジタルツインソフトウェアに取り込んで、生産施設内の各物理アセットのバーチャルで再利用可能なプロトタイプを開発することです。
デジタルツイン技術によるバーチャルクローンの例. 出典: Anvil Corporation
このステップの重要なポイントは、デジタルモデルに継続的にデータを供給する正しい監視計装が整っていることを確認することです。履歴データと元の製造ガイドラインの両方をモデル内の「アラーム」ポイントとしてプログラムし、潜在的な異常や故障をオーナーに警告できます。
そこから先は、デジタルツインの機械学習機能が、複数のソースからのあらゆる異種データをリアルタイムで集約、相互参照、瞬時に統合します。同じ情報をエンジニアが手作業で計算するには数週間かかるでしょう。
すべてのデータが収集・統合されると、機械学習は現在の性能をユニットの初期設計値と比較し、期待される振る舞いからの異常や逸脱を即座に検知します。これにより、エンジニアは懸念領域を瞬時に特定してさらに調査し、モデルを仮想的に検証・拡張して、施設運転を妨げることなく機能を拡張できます。
デジタルツインモデルは、将来の運転シナリオをシミュレーションすることで、ユニットが時間とともにどう進化し、いつコンポーネントの交換が必要になるかを予測します。
デジタルツイン技術が進化し続けるにつれ、オンライン試運転などの他の物理的評価が不要になる可能性があります。例えば、これらの高度なモデルは、プロセス変数の変更にシステムがどう反応するかを、施設の日常運転を乱すことなく予測できるため、オフスペック製品の発生や実機テストに伴う潜在的な安全懸念を排除できます。
デジタルツイン技術の課題
アウトプットの質はインプット次第
デジタルツインモデル構築における最大の課題は、技術そのものではなく、複数の変数に基づき複数のソースから集約されたデータが、信頼できる情報に基づいているかどうかを判断することです。
例えば、モデル構築時に、ある部品やシステムがすでに故障状態にあることを運営者がどう知るかという問題があります。
これは信頼できる情報を定義することに関わります。信頼できる情報は通常、デジタルツインの機械学習によって相互参照・検証されたより多くのデータ、すなわちプロセスおよび設備監視計装から得られ、スマートで自動化されたプラントネットワークに統合されたデータから得られます。
例えば、ユニットの性能に関する1セットのデータを取得するだけでは不十分です。より信頼性の高い情報を得るには、ユニットを支えるインフラストラクチャのデータも取得することが重要です。ユニットへの配管やユニットを駆動する電気コンポーネントがすでに故障状態にあり、同じ機械・電気部品・システムで動作する複数の他のユニットに影響を与えている可能性があるからです。
データの力
より多くのデータは、オーナー/運営者により現実的な現在の運転状況を提供し、より正確なデジタルツインモデルの構築を助けます。複数の入力から統合・検証されたデータにより、デジタルツインモデルは以下が可能になります:
- 設備寿命の推定
- 設備故障の予測
- 施設ターンアラウンドの実施時期の決定
デジタルツインモデルにより、施設オーナーと運営者は、ターンアラウンド時やピーク生産期においても運転と保全を継続できます。
しかし、主観的な運転データを補完するエンジニアの役割は依然として重要です。冶金学的考慮、プロセス流体が設備と配管に及ぼす化学的・物理的影響については、エンジニアリングの知識と専門性があってこそ、デジタルツイン情報を最大限に活用できます。
あらゆる産業施設が数百万の部品で構成される数百のシステムで成り立っている事実は、正確な保全記録を維持することの極めて重要性を物語っています。デジタルツインモデルのアウトプットは、そのインプットの質に左右されるからです。したがって、利害関係者がこの技術を採用する意向は、情報が正確だと信頼できるかどうかにかかっています。
技術への信頼
デジタルツイン技術を成功裏に導入するには、適切なソフトウェアツールと訓練を受けた専門家へのアクセスが必要です。プロセスシミュレーションソフトウェア企業は、インターフェース技術を購入してデジタルツインモデルの開発を強化しています。
課題は、インターフェースが正しく統合され、正確なベースライン情報が生成されることを確実にすることにあります。デジタルツイン技術とプロセスに精通し、業界メタデータを用いてモデルに供給されるすべての履歴情報が正しいことを保証できる訓練済みの専門家が必要です。
まとめ
デジタルツインの高度な機械学習アルゴリズム、予測分析、モデリング機能は、あらゆる規模の施設に新たなコスト効率の高いアセット管理オプションを提供します。エンジニアリングコンサルタントと協力し、適切なソフトウェアを使用することで、施設オーナー/運営者はこの技術を迅速に導入し、運用に統合できます。
この技術は複数のコストメリットも生み出します:
- 運転およびエネルギー効率の向上
- 信頼性、安全性、保全予測の改善
- リスク、ダウンタイム、不要な保全コストの削減
急速に進化する産業市場で競争力を維持するには、デジタルツイン技術を積極的に採用することが不可欠です。
モノのインターネットテクノロジー
- IoT導入が急成長に追いつかない——企業を阻む要因とは
- リモート採用の完全ガイド:必須ツール、ベストプラクティス、最新トレンド
- シスコ、拡張検証済みデザイン発表で産業界全体のIoT成功を支援
- QoSがLPWAN IoTネットワークの信頼性と効率を高める仕組み
- 予測分析が鍵:テスラの100ドル/kWhバッテリーパック目標達成へ
- iOSとAndroid:エンタープライズ・アプリのセキュリティで優れるのはどちら?
- 在宅勤務の意外なメリット:リモートワークの新常識 – 第4部
- RTI Connext DDS MicroとAdmin Consoleでセンサーデータを可視化
- Ayla Networks、接続デバイス1,500万台達成でグローバルIoTクラウドプラットフォームを強化
- 実運用で成功する高精度RTLSシステムの設計指針
- エッジコンピューティング:リアルタイムデータを解き放ち、効率を高め、新たな収益を創出