Matemaattinen digitaalinen kaksonen tukee teollisuudessa optimointia ja kunnossapitoa

Mikä on matemaattinen digitaalinen kaksonen?

Matemaattisella digitaalisella kaksosella viitataan fyysisen järjestelmän – esimerkiksi teollisuuslaitteen, prosessin tai infrastruktuurin – mahdollisimman täsmälliseen laskennalliseen vastineeseen. Malli elää ja päivittyy samanaikaisesti tosielämän kohteensa kanssa.

Digitaalisen kaksosen rakentaminen alkaa mallinnettavan kohteen pohjatiedoista sekä elinkaaren aikana kertyvästä, tuotantoprosessin tuottamasta sekä muusta datasta. Käytettäviä datapisteitä ovat tyypillisesti prosessiin menevien raaka-aineiden mittaus- ja analyysitiedot, prosessin lopputuloksena syntyvien tuotteiden mittaus- ja analyysitiedot sekä prosessin sisäiset säädöt ja mittaukset. 

Tyypillisin tapa toteuttaa matemaattinen digitaalinen kaksonen on historiadatalla koulutettu neuroverkkomalli, joka oppii tunnistamaan, miten prosessin eri muuttujat tyypillisesti käyttäytyvät suhteessa toisiinsa. Muita mahdollisia tapoja ovat esimerkiksi tilastollisten menetelmien, koneoppimisen tai vahvistusoppimisen hyödyntäminen.

Oleellista on, että kaksonen päivittyy ajantasaisesti mittausdatan pohjalta. Se ei siis ole staattinen kuvaus, vaan dynaaminen malli, joka heijastaa fyysisen vastineensa reaaliaikaista tilaa ja kykenee siten ennustamaan tulevaa käyttäytymistä.

Teollisuuden kaksi keskeistä käyttökohdetta

Matemaattisen digitaalisen kaksosen tärkeimpiin sovelluksiin teollisuudessa kuuluu tuotannon optimointi. Kaksosella voidaan mallintaa koko tuotantoprosessi ja siihen liittyvät  kymmenet tai sadat säädettävät parametrit, kuten materiaalivirrat, energiankulutus, lämpötilat, paineet, ajoitukset, seossuhteet, reaktioajat ja virtausnopeudet.

Parametrien optimoinnissa matemaattinen digitaalinen kaksonen etsii optimointialgoritmien avulla yhdistelmän, joka minimoi häviöt ja maksimoi saannon. Esilaskentaan perustuva parametrioptimointi soveltuu erityisen hyvin tilanteisiin, joissa reaaliaikainen laskenta vie liikaa aikaa tai uuden parametriyhdistelmän testaus tosielämässä on tavalla tai toisella riskialtista.

Kun kaksonen on kalibroitu reaaliaikaiseen anturidataan, sitä voidaan ajaa nopeammin kuin todellista prosessia. Näin päästään skenarioimaan erilaisten säätöjen vaikutuksia prosessin toimintaan ja etsimään tilanteeseen parhaiten soveltuvat parametrit.

Toinen merkittävä käyttöalue on älykäs kunnossapito. Kun fyysisen laitteen anturidata alkaa poiketa normaalista – esimerkiksi laakerin värinä tai moottorin ottama virta kasvaa yli ennustetun – poikkeama voidaan tunnistaa kaksosen avulla jo varhain. Näin voidaan siirtää kunnossapidon painopistettä reaktiivisuudesta yhä vahvemmin ennakointiin.

Milloin investointi kannattaa?

Matemaattinen digitaalinen kaksonen on perusteltu investointi etenkin jos:

• tuotannon raaka-aine on kallista

• prosessin rahallinen arvo on merkittävä tai 

• toiminto on yhteiskunnallisesti tai muutoin kriittinen.

Luontevia kohteita ovat esimerkiksi energia-, paperi-, kemian- ja prosessiteollisuus, mutta kustannustehokkaita sovelluksia löytyy monilta muiltakin alueilta.  

Käytännön työ alkaa datan saatavuuden arvioinnista sekä datan siivoamisesta ja oikeellisuuden varmistamisesta. Tämän jälkeen voidaan rakentaa Proof of Concept -malli, jolla todennetaan ratkaisun käytännön arvo.

Tuotannollistamiseen kannattaa siirtyä vasta kun investoinnin kannattavuus on saatu aidosti todennettua. Vaikka matemaattinen digitaalinen kaksonen tarjoaakin varsin kiehtovan työkalun monenlaisiin ympäristöihin, investointipäätös kannattaa aina perustaa ennalta mitattuun ja varmennettuun liiketoiminta-arvoon.

Kiinnostuitko ratkaisusta?

Tutustu palveluihimme teollisuudelle