通过混合数字孪生提高运营效率：Vitor Lopes访谈

运营商可在运营中重复使用工程设计，而工程师可将数据中获得的现场洞察应用于下一个设计周期。混合数字孪生可应用于从虚拟传感器到未建模物理场的各个行业，帮助企业解决许多挑战。在此次对Ansys高级产品销售经理Vitor Lopes的采访中，我们将更深入地了解混合数字孪生以及该技术在能源行业的典型用例。

提问：您能否概述一下净零排放和数字化转型环境下的设备资产管理？

Vitor Lopes：在提及设备资产管理时，我们通常会考虑性能、资产可靠性和安全性。目前，我们正在考虑如何以更高效的方式实现给定资产的运营。在能源行业，当我们面临提高效率的问题时，我们通常想要收集偏移数据，进行分析并做出决策。拥有的数据的质量越高，制定的决策就越出色，这样可最大限度地降低风险，并提高我们成功实现目标的机会。

但有时我们无法获得所有想要的数据，或者有时可以获得，但其风险远高于可用数据的质量。通常，流程从一开始就考虑了安全裕度，但当缺乏数据或存在很大的不确定性时，安全裕度会变得更宽泛。这必然会限制我们可以从特定资产中获得的性能。

如今，能源行业面临着许多挑战和经济压力。与此同时，该行业一直在大力推动提高现有资产的效率。此外，该行业中的大多数流程都是热密集型的，性能提升有时也代表碳排放的减少。这正是数字化转型的用武之地，无论是通过改善资产管理体验来提高运营效率，抑或是实现可持续发展目标。

数字化转型可实现数据可用性，并能够从原始数据集中获得更多洞察信息。我们能够以前所未有的高效率实现这一目标，因为大多数企业都采用了最新的数字技术发展，以提高效率，同时降低成本。这一举措还使企业能够提高现有资产的性能，同时开发/替换为下一套更具可持续性和高效的资产，从而率先实现净零排放目标。数字孪生无疑处在这些计划的最前沿。

‍提问：这些计划如何能够消除数字孪生的“神秘感”？

Vitor Lopes：我们先通俗地解释一下数字孪生的概念，比如您在现场具有资产或流程，而在虚拟世界中具有能够代表这些资产的关键要素的模型，并且您有方法使这两者保持同步。数据从现场运行的资产流向数字模型。然后，模型根据该测量数据进行预测，以生成您无法在现场测量得到的洞察信息。最后，运营商会及时从模型中收到这些反馈信息，以便进行调整。借助这些可用的附加数据，您可以更高效地制定决策。这一概念已在资产管理行业应用了多年，甚至在“数字孪生”一词出现之前就存在了。

那么是什么让它变得与以前有所不同呢？技术的进步使我们能够以前所未有的更高频率和保真度同步真实世界和虚拟世界。这增强了我们做出更好决策的能力。当我们从这些角度考虑数字孪生时，在创建模型时通常需要考虑精度和速度的适当平衡。这通常是一种权衡。此外，还有一个灵活性因素。比如，将如何为这些模型带来智能？是否具有传感器数据？是否具有物理模型？它们是1D还是3D模型？接下来，还有一个适应性因素。即使模型对现场测试的响应非常好，并且在第一天就能够提供准确的预测，那么十年后，它们的响应性如何呢？数字孪生是否能够遵循并适应老化的流程？

此外，可扩展性也是重要的考虑因素。即使已经找到了针对其他挑战的解决方案，如何以可扩展的方式实现它们，以便将其轻松复制到大量资产中呢？这里还需要考虑互操作性和安全性的首要挑战，因为我们希望组件能够相互通信并保持安全。

传统上，我们采用两种不同的方法来生成数字孪生背后的模型：基于数据的模型和基于物理的模型。Ansys以及我们的许多客户都深知，这两种方法各有利弊。为了获得最高的准确性、速度、灵活性、适应性和可扩展性，以解决传统挑战，Ansys将这两种方法合并到一种混合解决方案中，使利益相关方能够从更成熟和准备度更高的方法开始，收集初始值，并通过引入第二种方法的更多元素，获得更深入的洞察信息和优势，从而在此基础上不断发展。

‍提问：您能介绍一下用于在线自适应虚拟传感器的Ansys混合数字孪生吗？

Vitor Lopes：混合数字孪生不仅能从物理模型和数据模型中获得智能信息，而且还能将两者的潜力结合起来。如果您从数据的角度开始数字化之旅，随着时间的推移，您可能会发现，这些模型往往存在与传统测量方法相同的局限性。对于具有大量相关高质量历史数据的场景，基于数据的方法可能是一个好的开始。也就是说，当您需要超出该范围进行预测时，情况会变得有点复杂——不仅是在工作范围方面，还包括您从未收集过数据的变量方面。在这里，推断和解释新现象存在一定挑战。

另一方面，如果您从基于物理的角度来开始数字孪生之旅，物理模型的强大可解释性能让您获取更深入的洞察信息。通过使用物理模型训练这些数字孪生，您可以更好地控制预测范围，还可以确保模型在预期用于现场资产的边界条件下进行训练。不仅如此，就3D物理模型而言，您可以在数字资产中的任何位置定义局部测量，这个功能非常强大。这基本上就是虚拟传感器的概念。

然而，在大多数情况下，物理模型并不完美。它可能缺少物理场，或者资产可能已经老化。因此，将来自现场的测量数据用于微调这些模型至关重要。这就是混合数字孪生的主要概念。

在这种情况下，Ansys提供的平台可帮助您开启这段旅程。您可以在自己的环境中构建和验证模型，无论它们是3D模型还是1D模型。可以进一步创建可部署的单元，将其连接到资产并对其进行校准。您甚至可以设置相关技术来在线调整这些模型。

最后，还有扩展功能。无论是涉及容器还是Web应用，都有多种不同的方法来提取Ansys数字孪生平台中构建的模型，并将其导出到外部，这样您可以将其放置在自己的环境中，并使用实时传感器数据运行它。您可以使用模型来为测量数据馈送信息，并预测无法测量得到的洞察。

‍提问：混合数字孪生的典型用例有哪些？

Vitor Lopes：我们的行业中有许多不同的参与者。在不同的业务环节，可能包括运营商；服务公司；工程、采购和施工（EPC）专家或原始设备制造商（OEM）。根据数字孪生为企业带来价值的具体方式，这些用例可能有不同的表现形式。例如，制造商倾向于使用其系统中已有的设计信息来构建数字孪生。他们很可能会通过提供数字孪生，向运营商销售现有产品之外的附加服务或高级服务。此外，运营商还可以开发内部孪生，以优化运行时、正常运行时间和产量，并预测维护、故障率和未来性能。

在最常见的混合数字孪生用例中，您通常会试图更改或启动新的流程。您可以离线使用这些数字孪生，以作为虚拟调试的一部分。可以试图了解假设情境，并学习如何定义设置点。然后您可以将其联机，以接收虚拟传感数据。您可以开始将其用于监控，然后通过自动化和优化进行扩展。最后，您还可以使用这些虚拟传感器进行预测性维护。即使您必须在现场对资产进行维护，如果能够提前了解维护计划，通常就能为公司节省更多成本，因为其可以避免计划外停机时间。

‍提问：这款解决方案有哪些独特之处？

Vitor Lopes：有三个主要方面。首先，我们可以从3D模型中获取结果，并将其用于针对各种应用和用例来训练降阶模型（ROM）。过去，由于运行时间太长，3D模型在在线资产管理方面的应用十分有限。但是，我们现在能够采用这些模型，并提高其运行速度，同时保持其准确性和保真度。其次，解决方案能够使用测量数据和机器学习技术来对残差物理场进行校准或建模，混合孪生的概念正体现了其将两种方法的优势相结合。第三，解决方案能够将这些模型实现容器化，以便于可扩展的部署。您可以在Ansys环境外部工作，并将这些容器或独立于平台的产品连接到自己的环境中。它们使用表述性状态转移（REST）API连接到您的物联网（IoT）或边缘设备，以实现快速部署。

Ansys在业界深耕了50年之久，我们的数字孪生平台已经推出了至少10年。我们不仅可以利用自身在不同行业中积累的知识来帮助您，还能够跨行业为您提供一臂之力。我们有大量的专业知识可以在不同的领域中交叉使用，Ansys技术专家可与您合作构建第一款解决方案。

‍提问：能否使用基于物理的模型和有限的数据为传统资产开发数字孪生？

Vitor Lopes：这将取决于拥有的信息有多少。假设您拥有基于物理的模型和有限的数据，您可能遇到的一大障碍是如何对这些模型进行验证。是否能够信任结果并推动决策，将是一大挑战。不过，凭借这种级别的洞察能力，如果您可以量化这种不确定性并确定愿意承担的风险水平，您可以相信初始的数字孪生将随着时间的推移而演变发展。

当通过混合技术收集越来越多的数据时，您可以调整和验证这些物理模型，或者甚至可能从一开始就能认识到其优势所在。这种量化结果将减少工程障碍，因为您可以充分信任您的数字孪生。

‍提问：如果我们没有3D物理模型该怎么办？

Vitor Lopes：目前，我们有许多客户正在使用内部代码、1D模型或制造商提供的性能曲线。通常情况下，这是一个好的开始。但如果他们只拥有这些信息呢？是不是很难开始？并非如此。重要的是要了解这些模型将带来的不确定性水平。如果您发现1D模型不准确，并且内部代码运行时间过长，我们可以提供解决方案。

您可以使用ROM技术来加速模型，并使用混合分析对其进行微调。结合您已经拥有的信息和我们的平台，我们可以帮助您生成一个有意义的孪生模型，您可以在其中了解决策水平，并制定计划来并行创建3D模型。并非每种应用都需要3D模型，但即使在需要3D模型的应用中，您也可以从1D模型开始，并逐步实现3D模型。

如果您想要了解Ansys数字孪生解决方案，请联系我们，开始免费试用。