Digitální dvojče

Je velký rozdíl mezi digitálním dvojčetem v laboratoři a jeho reálným, spolehlivým a bezpečným nasazením v průmyslovém měřítku.

Autor: Jiří Bavor, ředitel pro oblast průmyslu české pobočky společnosti Atos

Údržba třikrát jinak, pokaždé dobře, jednou nejlépe
 

V průmyslové praxi existují v zásadě tři přístupy k údržbě strojů a zařízení. Každý má své výhody, nevýhody a optimální scénáře nasazení. Nejdelší tradici má klasická, reaktivní údržba, kdy opravujeme, až se něco rozbije. Většinou je také nejdražší variantou, protože neplánované výpadky zařízení mohou způsobit výpadky ve výrobě, překážky na straně zaměstnavatele a narušení dodavatelského řetězce. Přesto má stále své místo. Typicky tam, kde provoz disponuje levnými nástroji nebo zásobou náhradních strojů.

Při preventivní údržbě vyměňujeme kritické součástky v pravidelných intervalech bez ohledu na jejich skutečný stav. Sice je to jednodušší a levnější než řešit havárii, přesto stále nepříliš optimální z hlediska hospodárnosti, protože měníme věci dříve, než je třeba. Na druhou stranu ji ocení firmy, pro které je důležitý faktor jistoty založený na prevenci. Zejména pokud jejich stroje pracují v konstantním prostředí a tempu bez výkyvů teplot, výkonu a dalších proměnných. 

Teoreticky nejlepší je prediktivní údržba. Opírá se o průběžný monitoring reálného stavu zařízení a dokáže včas rozpoznat, kdy se provozní parametry stroje začínají zhoršovat. Výsledkem je servisní zásah ve správný čas – ani příliš brzy, ani příliš pozdě. Ano, není to řešení pro každého, ale s ohledem na samotnou podstatu digitálního dvojčete a skutečnou škálovatelnost v průmyslovém měřítku je téměř pro všechny. Stačí si jen vybrat ten správný model nasazení, který přinese užitek vaší firmě.

Digitální dvojče v průmyslovém nasazení není hračka, ale trojnásobná výzva
 

Spustit funkční pilot digitálního dvojčete na jednom stroji v laboratoři je relativně snadná věc. Skutečná výzva nastává v okamžiku, kdy chceme totéž nasadit jako nástroj prediktivní údržby ve stovkách nebo tisících zařízení rozmístěných po celém světě. Právě zde se oddělí projekty, které zůstávají hezkými marketingovými a technologickými ukázkami, od těch s reálnou hodnotou.

V základu je digitální dvojče modelem reálného zařízení nebo procesu, který má nadefinováno, jak se mění jeho chování při různých vstupních podmínkách. Lidé si ho většinou představují v jeho grafické podobě, tedy jako 3D model stroje. Ovšem často se může jednat o vizuálně méně atraktivní, ale vysoce funkční sadu rovnic, například modelujících tepelné nebo mechanické chování zařízení. Co digitální dvojče odlišuje od pouhého modelu je propojení s živými daty ze skutečného provozu. Díky nim se jeho výstupní parametry průběžně zpřesňují a aktualizují.

Nasazení a propojení v průmyslovém měřítku
 

Velkou výzvou je samotné nasazení digitálních dvojčat do provozu v průmyslovém měřítku. To klade nároky v několika vzájemně propojených oblastech. Vedle modelu je třeba vyřešit spolehlivý sběr velkého množství dat z různých lokalit, nasadit robustní datovou platformu schopnou tato data ukládat, integrovat a analyzovat v reálném čase a výstupy napojit na existující podnikové systémy plánování údržby, jako je SAP Maintenance. Zejména bez tohoto posledního kroku zůstane prediktivní model pouhou hračkou. Teprve když výstup modelu automaticky vygeneruje pracovní příkaz v podnikovém systému plánování údržby, objednávku náhradního dílu nebo avízo pro servisní tým, stává se z chytré technologie užitečným nástrojem.

Bezpečnost na prvním místě
 

Další výzvou je bezpečnost. Data ze strojů se sbírají v infrastruktuře zákazníka a mnohdy je problém nějak jednoduše zjistit, jestli je neposílají ven. Nebo jestli se k nim naopak nemůže dostat někdo zvenčí. Osvědčeným přístupem je whitelisting, kdy do podnikové sítě mají přístup pouze explicitně schválená zařízení. Platí přitom jednoduchá, ale zásadní logika: co lze na dálku monitorovat, lze zpravidla také vzdáleně řídit a v horším případě i ovládnout a zneužít. Zejména pokud stroj komunikuje přes vlastní router nebo mobilní síť, vzniká potenciální bezpečnostní riziko.

Řemeslo k nezaplacení 
 

A to nejdůležitější nakonec. Třetím pilířem úspěšného fungování digitálního dvojčete v rámci údržby je znalost konkrétního stroje a procesu. Zkušený technik typicky ví, jaká vibrace stroje je ještě v pořádku a jaká už signalizuje blížící se krizovou situaci. Velkým problémem je, jak tyto znalosti uchovat, protože zkušených techniků je jako šafránu a bude jich ještě méně. I proto je důležité, aby tuto znalost model dostal a uchoval buď formou explicitně daných pravidel anebo se jí, stejně jako technik, naučil praxí – v tomto případě prostřednictvím strojového učení z historických dat. Čas, za který se model dokáže naučit chování stroje, se liší podle složitosti procesu, zpravidla však jde o týdny.

Nejlepší reklamu si digitální dvojčata dělají samy
 

V rámci mezinárodní skupiny Atos máme bohaté zkušenosti s nasazením digitálních dvojčat na prediktivní údržbu v různých odvětvích i regionech. Ze všech jsem pro vás vybral sedm, které jsou zajímavé z pohledu technologie, aplikace nebo návratnosti. 

• Autoprůmysl. Asi nejambicióznějším příkladem průmyslového nasazení je IoT platforma propojující 40 výrobních závodů a 22 000 strojů do jediné datové platformy pro francouzskou automobilku. Výsledkem byla úspora přibližně 200 milionů eur na nákladech na údržbu.
• Papírenský průmysl. Papírenské stroje patří k nejsložitějším průmyslovým zařízením vůbec. Mnohdy zaplní celou halu a pracují v kontinuálním provozu. Monitoring kvality v reálném čase umožňuje predikovat zhoršení provozních parametrů a naplánovat servis dříve, než dojde k výpadku.
• Ropné plošiny. Vzdálené lokality kladou zvláštní nároky na plánování údržby. Digitální dvojče plošiny slouží také jako tréninkový nástroj. Servisní technici si prostřednictvím 3D modelu a rozšířené reality mohou nacvičit servisní zásah dříve, než na plošinu vyrazí vrtulníkem.
• Tepelná čerpadla. Na jednotnou IoT platformu jsme napojili několik tisíc tepelných čerpadel instalovaných v jednom regionu. Sběr dat z takto velkého množství zařízení umožňuje průběžně zpřesňovat matematický model čerpadla a díky tomu optimalizovat řízení fyzických čerpadel v reálných podmínkách.
• Větrné farmy. Data z turbín jsou kombinována s předpovědí počasí a předpovědí spotřeby. To umožňuje optimalizovat výrobu energie a zároveň plánovat servisní intervaly na základě skutečného stavu strojů.
• Výrobní linky pro nápojový průmysl. Pro výrobce nápojů s několika závody po Evropě jsme vybudovali propojení IoT dat přímo do SAP Maintenance. Řešení muselo respektovat interní pojmenování datových bodů, formáty kompatibilní s SAP a navázání na plánovací procesy zákazníka.
• Železnice. Realizovali jsme projekt digitálního dvojčete vlakové soupravy a vlakové trati, který umožňuje plánovat údržbu souprav a infrastruktury.

Skvělý model nejen pro servis, ale také pro obchod

Technologie digitálních dvojčat není nová. Přesto stále vidíme rezervy v jejím průmyslovém nasazování. Ať už se jedná o správné měřítko, odpovídající bezpečnost, napojení na existující ERP systémy nebo reálný dopad na provozní výsledky. Průmyslové podniky by si měly uvědomit, že s digitálním dvojčetem nepřichází jen úspora na údržbě. Otevírají se také dveře k novým obchodním modelům jako garantovaný uptime, prodej strojového času namísto strojů samotných, nebo servis jako služba. Stačí mít dostatečně přesný a škálovatelný model.

Proto má rada na závěr zní: Pokud vaše firma zvažuje udělat první kroky v oblasti prediktivní údržby nebo digitálních dvojčat, začněte otázkou škálovatelnosti. Při výběru technologického partnera se zajímejte nejen o to, jak pěkný pilotní model vám vymodeluje v laboratoři, ale především jak je schopný ho provozovat na tisících datových vstupů ze strojů a čidel v reálném provozu. Protože právě za takových podmínek bude vznikat skutečná přidaná hodnota digitálních dvojčat pro vaši firmu.