중공업 분야 최고의 자산 성과를 위한 디지털 트윈 기술 활용

코로나19의 여파는 특히 정유공장, 제조 공장과 같은 중공업 분야의 자산 관리 환경을 변화시켰습니다. 이러한 과제는 공장 운영 관리 방식에 대한 패러다임 전환을 주도할 수 있는 기회를 제공합니다.

산업 시설 소유자와 운영자는 이제 증가하는 생산 수요를 충족하기 위해 노력하는 동시에 "운영 및 유지" 운영에 영향을 미칠 수 있는 글로벌 공급망 중단과 같은 여러 가지 과제와 씨름하고 있습니다. 그들이 밤을 지새우는 이유는 그들이 보지 못하는 위험 때문입니다. 특히 예상치 못한 자산 문제와 장기적인 장비 손상 가능성이 있을 때 더욱 그렇습니다. 

산업 시설의 모든 자산의 수명주기를 관리하기 위해 조직은 장비 성능을 최적화하는 동시에 안전과 운영 신뢰성을 보장할 수 있는 혁신적인 솔루션을 찾고 있습니다. 여기에는 데이터 통합 ​​및 표준화, 예측 자산 유지 관리 분석을 제공하는 디지털 트윈 기술 채택이 포함됩니다. 

디지털 트윈 기술이란?

오늘날 엔지니어링 및 설계 팀은 동적 프로세스 시뮬레이션 모델을 사용하여 플랜트 운영의 현재 상태를 확인합니다. 이를 통해 운영 병목 ​​현상, 장치 단점, 설계 제한 및 구호 시스템의 적절성을 신속하게 찾아낼 수 있습니다. 그러나 공장 운영의 미래 상태를 모델링하고 예측하려면 고급 기계 학습(ML) 기능이 필요합니다.

디지털 트윈 기술은 기계 학습 알고리즘을 활용하여 과거 운영 및 설계 데이터를 현재 데이터와 집계, 통합, 분석 및 비교하여 통계 모델을 형성합니다. 그 결과 시설 내 각 장치의 가상 복제가 이루어지며, 기계 및 전기 시스템과 함께 물리적 장치의 기능, 특징, 동작을 복제합니다. 

또한 디지털 트윈 모델에는 시설이나 산업 현장의 물리적 인프라와 조달 및 공급망 물류를 비롯한 공장 프로세스의 복잡한 웹이 포함되어 디지털 운영 환경을 조성합니다.

디지털 트윈 기술 가상 복제의 예. 출처:Anvil Corporation

적시에 올바른 정보를 수신하면 장비 고장을 예방할 수 있습니다. 디지털 트윈의 고급 기계 학습 기능은 소유자/운영자에게 데이터의 패턴과 상관 관계를 기반으로 한 예측 분석을 제공합니다. 

이 정보를 바탕으로 소유자/운영자는 다음을 확인할 수 있습니다. 

• 시간이 지남에 따라 각 단위가 노화되고 변화하는 방식 
• 장치에 오류가 발생할 수 있는 경우 
• 조달/공급망 시스템 모델을 기준으로 리드가 긴 품목을 주문하는 경우 
• 문제가 발생하기 전에 문제를 해결해야 하는 경우

자주 제기되는 질문은 인공 지능(AI)과 기계 학습의 차이점과 관련됩니다. 두 가지 고급 기술 모두 예측 분석을 제공하기 때문입니다. 차이점은 다음과 같습니다. 

• 기계 학습은 소유자/운영자에게 결정의 근거가 되는 객관적인 정보를 제공합니다.
• AI는 조치 과정을 추천하여 의사 결정에 대한 주관적인 접근 방식을 제공합니다. 

디지털 트윈 기계 학습의 목적은 인간의 상호 작용과 평가를 대체하는 것이 아니라 상호 작용을 방해하지 않고 지속적으로 학습하도록 만드는 것입니다. 

또한 AI는 인터넷을 통해 작동하는 오픈소스 기술로 독점 정보를 침해할 가능성이 있는 반면, 디지털 트윈의 머신러닝 소프트웨어는 특정 회사, 시설, 위치에 국한된다. 

디지털 트윈 모델과 기계 학습 예측 분석을 통해 미래 운영 시나리오를 시뮬레이션함으로써 소유자/운영자는 리소스, 프로세스, 유지 관리 일정, 전략 및 설정을 최적화할 수 있습니다. 

디지털 트윈 기술은 또한 소유주/운영자가 턴어라운드 일정을 잡을 시기와 가동 중단 전 긴 리드 품목을 주문할 시기를 예측하는 데 도움이 됩니다. 이는 장비 리드 타임이 긴 원격 사이트의 경우 특히 중요하며 소유자/운영자는 필요할 때 조달된 장비를 현장에 배치할 수 있다는 사실을 알고 안심할 수 있습니다.

디지털 트윈 청사진 구축

디지털 트윈 청사진을 구축하는 첫 번째 단계는 검사 기록, 새로운 코드, 재평가 및 현재 운영 데이터를 포함한 모든 기록 데이터를 찾아 디지털 트윈 소프트웨어에 공급하여 생산 시설에서 각 물리적 자산의 재사용 가능한 가상 프로토타입을 개발하는 것입니다. 

디지털 트윈 기술 가상 복제의 예. 출처:Anvil Corporation

이 단계의 핵심 부분은 디지털 모델을 지속적으로 제공하기 위해 올바른 모니터링 장비가 마련되어 있는지 확인하는 것입니다. 역사적 및 독창적인 제조 지침 모두 모델의 "경보" 지점으로 프로그래밍되어 소유자에게 잠재적인 혼란이나 실패를 경고할 수 있습니다.

디지털 트윈 머신 러닝의 기능은 여기에서 시작하여 실시간으로 여러 소스의 모든 개별 데이터를 집계하고 상호 참조하고 즉시 통합합니다. 이에 비해 엔지니어가 동일한 정보를 수동으로 계산하는 데는 몇 주가 소요됩니다. 

모든 데이터가 수집되고 통합되면 기계 학습은 장치의 초기 설계와 현재 성능을 비교하여 이상 또는 예상 동작과의 편차를 즉시 표시합니다. 이를 통해 엔지니어는 추가 조사가 필요한 영역을 즉시 식별하고 모델을 가상으로 검증 및 확장하여 시설 운영을 중단하지 않고 기능을 확장할 수 있습니다.

그런 다음 디지털 트윈 모델은 미래의 운영 시나리오를 시뮬레이션하여 시간이 지남에 따라 장치가 어떻게 발전하고 장치 구성 요소를 교체해야 하는지 결정함으로써 앞으로 일어날 일을 예측합니다. 

디지털 트윈 기술이 계속 발전함에 따라 온라인 테스트 실행과 같은 다른 유형의 물리적 평가가 더 이상 사용되지 않을 수 있습니다. 예를 들어, 이러한 고급 모델은 시설의 일상적인 운영을 방해하지 않고 프로세스 변수 변경에 시스템이 어떻게 반응하는지 예측할 수 있어 사양을 벗어난 제품과 실제 테스트 실행과 관련된 잠재적인 안전 문제를 제거할 수 있습니다.

디지털 트윈 기술의 과제

출력은 입력만큼 좋다

디지털 트윈 모델을 구축할 때 가장 큰 과제는 기술이 아니라 모델에 공급되는 여러 변수를 기반으로 여러 소스에서 집계된 데이터가 신뢰할 수 있는 정보를 기반으로 하는지 확인하는 것입니다. 

예를 들어, 모델을 구축할 때 부품이나 시스템이 이미 현재 오류 상태에 있는지 운영자는 어떻게 알 수 있습니까? 

여기에는 신뢰할 수 있는 정보를 정의하는 것이 포함됩니다. 신뢰할 수 있는 정보는 일반적으로 디지털 트윈의 머신 러닝이 상호 참조하고 검증한 더 많은 데이터, 즉 스마트하고 자동화된 공장 네트워크에 통합된 프로세스 및 장비 모니터링 기기의 데이터에서 나옵니다. 

예를 들어, 장치 성능에 대한 한 가지 데이터 세트를 캡처하는 것만으로는 충분하지 않습니다. 더욱 신뢰할 수 있는 정보를 얻으려면 장치의 지원 인프라에 대한 데이터도 캡처하는 것이 중요합니다. 장치에 전원을 공급하는 장치나 전기 구성 요소에 대한 배관이 이미 고장난 상태일 수 있으며, 동일한 기계 및 전기 부품과 시스템으로 작동하는 여러 다른 장치에 영향을 미칠 수 있습니다. 

데이터의 힘

더 많은 데이터는 소유자/운영자에게 현재 운영에 대한 보다 현실적인 보기를 제공하여 보다 정확한 디지털 트윈 모델을 구축하는 데 도움이 됩니다. 여러 입력의 통합되고 검증된 데이터를 통해 디지털 트윈 모델은 다음을 수행할 수 있습니다. 

• 장비 수명 예측 
• 장비 고장 예측 
• 시설 교체 시기 결정

디지털 트윈 모델을 통해 시설 소유자와 운영자는 턴어라운드 및 피크 생산 시즌 동안 운영을 운영하고 유지할 수 있습니다. 

그러나 엔지니어가 주관적인 운영 데이터를 작성하는 것은 여전히 중요합니다. 장비 및 배관에 대한 프로세스 흐름의 화학적, 물리적 영향과 함께 야금학적 고려 사항에는 디지털 트윈 정보를 완전히 사용하기 위한 엔지니어링 지식과 전문 지식이 여전히 필요합니다.  

산업 시설에서 수백만 개의 부품이 수백 개의 시스템을 구성한다는 사실은 정확한 유지 관리 기록을 유지하는 것의 중요성을 강조합니다. 디지털 트위닝 모델의 출력은 입력만큼만 좋습니다. 따라서 이해관계자의 기술 채택 의지를 확보하는 것은 신뢰 정도와 정보가 정확하다고 믿는지에 따라 달라집니다. 

기술에 대한 신뢰 

디지털 트윈 기술을 성공적으로 구현하려면 올바른 소프트웨어 도구와 숙련된 전문가에 대한 액세스가 필요합니다. 프로세스 시뮬레이션 소프트웨어 회사들은 이제 디지털 트윈 모델을 더 잘 개발하기 위해 인터페이스 기술을 구매하고 있습니다.

문제는 정확한 정보 기준을 생성하기 위해 인터페이스가 올바르게 통합되었는지 확인하는 것입니다. 모델에 제공되는 모든 기록 정보가 올바른지 확인하려면 산업 메타데이터를 사용하는 디지털 트윈 기술 및 프로세스에 대해 잘 알고 있는 숙련된 전문가가 필요합니다. 

요약

디지털 트윈의 고급 기계 학습 알고리즘, 예측 분석 및 모델링 기능은 모든 규모의 시설에 비용 효율적인 새로운 자산 관리 옵션을 제공합니다. 엔지니어링 컨설턴트와 협력하고 올바른 소프트웨어를 사용함으로써 시설 소유자/운영자는 기술을 신속하게 구현하고 운영에 통합할 수 있습니다. 

이 기술은 또한 다음과 같은 여러 가지 비용 이점을 제공합니다. 

• 운영 및 에너지 효율성 
• 향상된 신뢰성, 안전성 및 유지보수 예측 
• 위험 감소, 가동 중지 시간 및 불필요한 유지 관리 비용

빠르게 발전하는 산업 시장에서 경쟁력을 유지하려면 디지털 트윈 기술을 수용하는 것이 필수적입니다.