本文介绍了数字孪生体在自动化生产系统(aPS)的操作阶段的一个应用案例——工业警报管理。 工业警报管理是在“提高可验证效率的生产系统创新建模方法”(IMPROVE,Innovative Modeling Approaches for Production Systems to Increase Validatable Efficiency)项目中开发的。 该项目由欧盟支助,专注于未来虚拟工厂(vFoF)。数据驱动和基于模型的数字孪生体是Self-X技术整体解决方案的一部分,包括工业部件、机器和工厂的诊断和优化。Self-X技术有助于提高效率、降低故障频率和降低运营成本。 弗劳恩霍夫IOSB-INA、Ostwestfalen-Lippe应用科学大学以及其他11个学术界、工业界和软件开发的合作伙伴共同参与了IMPROVE项目。 IMPROVE项目的主要应用案例之一是智能警报管理,它侧重于分析工厂运行期间产生的警报和警告。遗憾的是,很多警报对操作员来说要么是冗余警报,要么就是滋扰警报(例如颤动报警或延迟报警)。最终,生产现场的警报此起彼伏,烦不胜烦,以至于机器操作员疲于应付、不堪重负。 警报泛滥是工厂运行中一个持续性的问题。 SmartFactoryOWL通用生产系统演示的模型仿真实例。模块2中出现的故障导致了生产停止并引发警报泛滥。当警报通知的频率变得很高,以至于操作员不知所措而无法解决问题时,就会发生这种情况。在最坏的情况下,这将导致真正严重的警报被忽略,并且需要费时费力地搜寻问题的根本原因。 依此推断,还可能会导致非常危险的情况,比如重大停机事故,甚至发生不可逆转的损害,历史上臭名昭著的Texaco炼油厂大爆炸,事后发现其起因就是警报泛滥引发一系列负面效应而酿成事故。 智能警报管理系统的目标是避免警报泛滥,并在设备发生报警时为操作员提供支持。 警报泛滥的主要原因是报警系统的设计存在缺陷。由于为正在运行的系统修改警报设计是不可能的,而且专门停产做修复升级也不切实际,因此需要有其它解决方法。 传统上,警报管理都是采用简单的方法,例如基本信号和报警滤波,可以把一些不必要的警报在向操作员显示之前去除,或者为操作员提供选项,关闭他们认为无关或多余的警报。对于任何比传统更先进的方法,则需要对系统有深入的了解,即专家知识。这要么非常困难,要么太耗费时间。 机器学习和数据驱动的计算机智能兴起,使我们可以考虑利用更复杂、更智能的方法来应对警报泛滥——通过利用系统的数字孪生体。智能方法可以减少警报的数量,或帮助操作员识别故障的根本原因。 在IMPROVE项目中,工业警报管理实现数字孪生体应用的基础是仿真环境,使用PhysX引擎进行离散事件模拟仿真。PhysX引擎控制基本物理元素的行为,例如轨道和传送带,或代表制成品的离散载荷。 仿真模型的设计丰富了生产单元和传感器的自定义行为,基于传感器值发出警报的定义以及警报泛滥监测系统。离散事件仿真允许用户大大加快时间流,观察工厂模型的长期表现,并记录数据。在特定模块中引入故障使我们能够收集带有语义注释的警报泛滥示例的案例库。 用于工业警报管理的数字孪生体概念:仿真模型生成数据,用于构建案例库、机器学习和分析,以支持生产系统操作员。图形显示了此类模型的示例,模拟了一个模块中引起的故障触发警报泛滥的情况。模拟案例库是有价值的工具,可以进行分析,并将结果应用于实际工厂。原始案例库本身就是工厂中错误行为的模型,可以使用数据挖掘方法进行分析,以便深入了解工厂中反复出现的问题。 此外,它可以用于在运行心中的工厂发生警报泛滥时直接支持操作员。从机器学习方法中就可以找到类似的、先前出现过或者带有说明的案例,向操作员建议可能的解决方案。案例库还可以用于进一步学习各种模型,例如基于叶贝斯网络或马尔科夫链的因果关系模型,此类模型揭示了警报之间的依赖关系,可用于减少显示的警报数。 嵌入式行为仿真模型与模型学习分析方法的结合,构成了数字孪生体。在工业报警管理中,利用数字孪生体构建预防警报泛滥数据库,对于分析警报系统的整体行为以及支持操作人员的现场作业都很有用。 |
|