デジタルツインテクノロジーを活用して重工業における最高の資産パフォーマンスを実現

新型コロナウイルス感染症（COVID-19）の余波により、特に製油所や製造工場などの重工業における資産管理の状況は一変した。この課題により、プラント運営の管理方法に関するパラダイムシフトを推進する機会が生まれます。

産業施設の所有者や運営者は現在、増大する生産需要に対応しようと努めながら、「運営と維持」業務に影響を与える可能性のある世界的なサプライチェーンの混乱など、いくつかの課題に取り組んでいます。特に予期せぬ資産の問題や、長期にわたる機器の損傷の可能性に関しては、目に見えないリスクがあるため、彼らは夜眠れなくなります。

産業施設内のすべての資産のライフサイクル管理を支援するために、組織は安全性と運用の信頼性を確保しながら機器のパフォーマンスを最適化する革新的なソリューションを探しています。これには、データの統合と標準化、および予測資産メンテナンス分析を提供するデジタルツインテクノロジーの導入が含まれます。

デジタルツインテクノロジーとは何ですか?

現在、エンジニアリングチームと設計チームは、動的なプロセスシミュレーションモデルを使用して、プラントの運用の現在の状態を確認しています。これにより、運用上のボトルネック、ユニットの欠点、設計上の制限、救済システムの適切性を迅速に特定することができます。ただし、プラント運用の将来の状態をモデル化して予測するには、高度な機械学習 (ML) 機能が必要です。

デジタルツインテクノロジは、機械学習アルゴリズムを活用して、過去の運用データと設計データを現在のデータと集計、統合、分析し、比較して統計モデルを形成します。その結果、施設内の各ユニットの仮想クローンが作成され、物理的な対応するユニットの機能、特徴、動作と、そこに供給される機械システムおよび電気システムが複製されます。

デジタルツインモデルには、デジタル運用環境を構築するために、施設や産業現場の物理インフラストラクチャと、調達やサプライチェーンのロジスティクスを含む複雑なプラントプロセスの網も含まれます。

デジタルツインテクノロジーの仮想クローンの例。出典:アンビル社

適切な情報を適切なタイミングで受け取ることで、機器の故障を防ぎます。デジタルツインの高度な機械学習機能は、データ内のパターンと相関性に基づいた予測分析を所有者/運用者に提供します。

この情報があれば、所有者/運営者は以下を確認できます。

各ユニットが時間の経過とともにどのように劣化し、変化するか
ユニットに障害が発生する可能性がある場合
調達/サプライチェーンシステムモデルに基づいて、納期の長い商品をいつ注文するか
問題が発生する前に問題に対処する時期

人工知能 (AI) と機械学習の違いは、どちらの高度なテクノロジーも予測分析を提供するため、よく生じる質問です。違いは次のとおりです。

機械学習は、所有者や運営者に意思決定の基礎となる客観的な情報を提供します
AI は、行動方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、人間の対話や評価を置き換えることではなく、対話を非侵入的で継続的に学習できるようにすることです。

さらに、AI はインターネット上で動作するオープンソーステクノロジーであり、機密情報を侵害する可能性がありますが、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、または場所に限定されています。

デジタルツインモデルと機械学習予測分析を使用して将来の運用シナリオをシミュレーションすることで、所有者/運用者はリソース、プロセス、メンテナンスのスケジュール、戦略、セットアップを最適化できます。

デジタルツインテクノロジーは、オーナー/オペレーターがいつターンアラウンドをスケジュールするか、いつシャットダウン前に納期の長い商品を注文するかを予測するのにも役立ちます。これは、機器のリードタイムが長い遠隔サイトにとって特に重要であり、所有者/オペレーターは、必要なときに調達した機器が現場にあるという安心感を得ることができます。

デジタルツインブループリントの構築

デジタルツインブループリントを構築するための最初のステップは、検査記録、新しいコード、再レート、現在の運用データを含むすべての履歴データを見つけてデジタルツインソフトウェアに入力し、生産施設内の各物理資産の仮想的で再利用可能なプロトタイプを開発することです。

デジタルツインテクノロジーの仮想クローンの例。出典:アンビル社

このステップの重要な部分は、デジタルモデルに継続的にデータを供給するための適切な監視機器が確実に設置されていることを確認することです。過去の製造ガイドラインとオリジナル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て、潜在的な問題や故障について所有者に警告することができます。

デジタルツイン機械学習の機能はそこからそれを取得し、複数のソースからのすべての異種データをリアルタイムで集約、相互参照し、瞬時に統合します。それに比べて、エンジニアが同じ情報を手動で計算するには数週間かかります。

すべてのデータが収集され統合されると、機械学習が現在のパフォーマンスをユニットの当初の設計と比較し、異常や予想される動作からの逸脱を即座に警告します。これにより、エンジニアはさらに調査すべき懸念領域を即座に特定し、施設の運用を中断することなくモデルを仮想的に検証および拡張して機能を拡張できます。

次に、デジタルツインモデルは、将来の運用シナリオをシミュレーションして、ユニットが時間の経過とともにどのように進化するか、ユニットコンポーネントの交換がいつ必要になるかを判断することで、今後の展開を予測します。

デジタルツインテクノロジーが進化し続けるにつれて、オンラインテストの実行など、他の種類の物理的評価は時代遅れになる可能性があります。たとえば、これらの高度なモデルは、施設の日常業務を混乱させることなく、プロセス変数の変化にシステムがどのように反応するかを予測でき、仕様外の製品や実際のテスト実行に伴う潜在的な安全上の懸念を排除できます。

デジタルツインテクノロジーの課題

出力は入力と同じくらい優れています

デジタルツインモデルを構築する際の主な課題はテクノロジーというよりも、モデルに入力される複数の変数に基づいて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。

たとえば、オペレータはモデルを構築するときに、部品やシステムがすでに故障状態にあることをどのようにして知ることができるでしょうか?

これには、信頼できる情報の定義が含まれます。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および検証されたより多くのデータ、つまりスマートな自動化されたプラントネットワークに統合されたプロセスおよび機器の監視機器からのデータから得られます。

たとえば、ユニットのパフォーマンスに関する 1 セットのデータを取得するだけでは十分ではありません。より信頼性の高い情報を得るには、ユニットをサポートするインフラストラクチャのデータも収集することが重要です。ユニットへの配管やユニットに電力を供給している電気部品がすでに故障状態にあり、同じ機械部品や電気部品やシステムで動作している他の複数のユニットに影響を与えている可能性があります。

データの力

データが増えると、オーナー/オペレーターは現在の業務をより現実的に把握できるようになり、より正確なデジタルツインモデルの構築に役立ちます。複数の入力からの統合および検証済みデータを使用して、デジタルツインモデルは次のことが可能になります。

機器の寿命を見積もる
機器の故障を予測する
施設の復旧スケジュールをいつ設定するかを決定する

デジタルツインモデルを使用すると、施設の所有者とオペレーターは、納期や生産のピーク時にも業務を実行および維持できます。

ただし、エンジニアにとって主観的な動作データを入力することは依然として重要です。デジタルツイン情報を完全に活用するには、冶金学上の考慮事項と、プロセスの流れが機器や配管に及ぼす化学的および物理的影響を考慮し、エンジニアリングの知識と専門知識が依然として必要です。

どの産業施設でも数百万の部品が数百のシステムを構成しているという事実は、正確なメンテナンス記録を維持することの重要性を強調しています。デジタルツインモデルの出力は、その入力と同じくらい優れています。したがって、テクノロジーを採用する利害関係者の意欲を獲得できるかどうかは、利害関係者の信頼の程度と、情報が正確であると信じるかどうかにかかっています。