Kokie yra iššūkiai ir sprendimai, susiję su hot runner skaitmenine dvynių technologija

Jūsų klausimas smogia tiesiai į pramonės skaitmeninimo įgyvendinimo „giliąją pusę“! Puikiai suprantu tą sudėtingą optimizmo -dėl skaitmeninių dvynių potencialo-mišinį ir nuogąstavimą, kad realiai jų įgyvendinimas gali būti kupinas „paslėptų minų ir gilių spąstų“. Iš tikrųjų iššūkiai, būdingi šiai technologijai-ir jų įveikimo strategijos-panašūs į tikslią chirurginę procedūrą, kai kiekvienam žingsniui reikalingas pastovus, metodiškas požiūris.

Pagrindiniai iššūkiai, su kuriais susiduria karštųjų bėgikų skaitmeninių dvynių technologijų centras keturiose pagrindinėse srityse: didelio-tikslaus modeliavimo sudėtingumas, sudėtingas-duomenų integravimas realiuoju laiku, prastas sistemos sąveikumas ir kapitalo bei talentų trūkumas. Atitinkami sprendimai: pradedant nuo lengvo modeliavimo; sukurti „kraštų duomenų vidurinę platformą“, kad būtų galima išvalyti ir suderinti „nešvarius duomenis“; pritaikyti OPC UA standartą, kad būtų pašalintos konkrečios pardavėjo{3}kliūtys; ir debesų platformų panaudojimas, siekiant sumažinti didelę priklausomybę nuo labai specializuotų, daugiadalykių ekspertų,{4}}taip įgalinant laipsnišką, etapinį diegimo procesą, kuris pereina nuo „bandomojo patvirtinimo“ iki „didelio masto replikacijos“.

1. Iššūkis: sudėtingas didelio-tikslaus modeliavimo sunkumas - Netvirtas virtualaus pasaulio „pamatas“

Skaitmeninio dvynio „siela“ slypi jo sugebėjime ištikimai atkartoti fizinę sistemą; Tačiau karšto bėgio sistemos modeliavimas yra daug sudėtingesnis, nei galima įsivaizduoti:

Dvigubas sudėtingumas: geometrija ir fizika - Sistemą sudaro tikslūs komponentai, pvz., pagrindiniai bėgeliai, po-bėgeliai, karšti purkštukai ir vožtuvų kaiščiai. Jų mikronų-lygio tolerancijos-derinamos su sudėtingomis šiluminėmis-mechaninėmis-skysčių sujungimo elgsenomis-reikalauja modelio, pasižyminčio dideliu geometriniu tikslumu ir tiksliomis fizinėmis savybėmis (pvz., medžiagos šilumos laidumu, ne{10}}niutono skysčio klampa).

Didelė priklausomybė nuo duomenų - Modelio tikslumas labai priklauso nuo autentiškų medžiagų savybių parametrų ir ribinių sąlygų. Tačiau tikroje gamybos aplinkoje šie duomenys dažnai yra neišsamūs arba sunkiai gaunami, todėl modeliavimo rezultatai nutrūksta nuo tikrosios-pasaulio realybės.

Didelis įėjimo barjeras - Norint sukurti didelio tikslumo{1}}modelį, reikalingi CAE modeliavimo programinės įrangos (pvz., Moldex3D ar ANSYS) meistrai. Šis procesas užtrunka keletą dienų, reikalauja didelių išlaidų ir iš prigimties jį sunku padidinti masiniam replikavimui.

Praktinė dilema - Be „gero modelio“, visi tolesni modeliavimai ir nuspėjamoji analizė tampa tik „piliu ore“. Sprendimas: nuo „Viso-masto modeliavimo“ iki „Key-Area Modeling + AI Assistance“

Dėmesys pagrindiniam{0}}srities modeliavimui: pirmenybę teikite didelio-tikslumo kritiniams komponentams, turintiems įtakos srauto balansui,-pvz., pagrindinių bėgelių, karštų purkštukų ir vožtuvų kaiščių,-kaip lengva apdoroti ne-pagrindines struktūras, kad sumažintumėte skaičiavimo apkrovą.

Pristatykite dirbtinį intelektą, kad pagreitintumėte modeliavimą: naudokite mašininio mokymosi algoritmus (pvz., „Huawei Cloud ModelArts“), kad pagal istorinius duomenis automatiškai rekomenduotumėte medžiagų parametrus ir ribines sąlygas, taip sumažinant laiką, reikalingą rankiniam parametrų derinimui.

Sukurkite įmonės modelių išteklių biblioteką: moduliuokite ir standartizuokite patvirtintus modelius, kad sukurtumėte daugkartinio naudojimo išteklius,{0}}pvz., „karštus purkštukų šablonus“ ir „bėgiklio sistemos komponentus“-, kuriuos galima tiesiogiai iškviesti naujiems projektams, pašalinant pasikartojantį darbą.

Diegimo pasiūlymas: mažos ir vidutinės įmonės (MVĮ) gali pradėti naudoti „šablono modeliavimo“ funkcijas, esančias programinėje įrangoje, pvz., „Moldex3D“ ar ANSYS, kad greitai sukurtų lengvus modelius, kurių tikslumas yra maždaug 80 %, kurių pakanka, kad atitiktų išankstinius optimizavimo reikalavimus.

2. Iššūkis: sunkumai integruojant duomenis realiuoju laiku - Jei „kraujas“ neteka, skaitmeninis dvynys „miręs“

„Negyvas“ modelis neturi jokios vertės; tai yra realaus laiko{0}}duomenys, kurie modelį atgaivina. Tačiau tai yra didžiausia kliūtis:

Duomenų šaltinių yra daug, jie yra skirtingi ir netvarkingi: norint integruoti reikia konsoliduoti nevienalyčius duomenis iš kelių šaltinių, -įskaitant liejimo mašinų PLC, temperatūros valdiklius, lydalo slėgio jutiklius ir infraraudonųjų spindulių šiluminius vaizdus-, kurių kiekvienas naudoja skirtingus ryšio protokolus (pvz., Modbus, Profibus, OPC, Profibus duomenų perdavimo spartos, UA).

Duomenų kokybė kelia didelį susirūpinimą: pramoninei aplinkai būdingos problemos, -pvz., stiprūs elektromagnetiniai trukdžiai, signalo triukšmas ir jutiklių poslinkis-, dažnai lemia, kad renkami duomenys yra „nešvarūs“ (sugadinti) ir „netikslūs“.

Didelės{0}}realaus laiko našumo poreikiai: skaitmeniniams dvyniams reikalingas milisekundės-lygio duomenų sinchronizavimas, kad būtų palaikoma-stebėjimas realiuoju laiku ir uždaros{3} kilpos valdymas; tačiau senų gamybos linijų IT infrastruktūra dažnai nėra{4}}įrengta, kad atitiktų šiuos reikalavimus.

Tipinė problema: Net jei jutikliai buvo sumontuoti, jei temperatūros reguliatoriai naudoja patentuotus protokolus (pvz., tokių prekių ženklų kaip Hotset), atitinkami duomenys dažnai negali būti sklandžiai integruoti į sistemą. Sprendimas: sukurkite „Edge Data Hub“, kad „nešvarius duomenis“ pakeistumėte į „veiksmingus duomenis“

Įdiekite vieningą duomenų prieigos šliuzą: naudokite pramoninius šliuzus (pvz., Siemens SIMATIC IPC, Advantech UNO), palaikančius kelis protokolus, -pvz., OPC UA, Modbus TCP ir MQTT-, kad įgalintumėte vieningą duomenų rinkimą ir formatų konvertavimą skirtinguose skirtingų prekės ženklų įrenginiuose.

Išankstinis duomenų apdorojimas iš krašto: paleiskite lengvus AI algoritmus vietoje, kad filtruotumėte triukšmą, priskirtumėte trūkstamas reikšmes ir sinchronizuotų laiko žymes, užtikrinant, kad į skaitmeninį dvynių modelį įkelti duomenys būtų „švarūs ir tinkami naudoti“.

Hierarchinė sinchronizavimo strategija: sinchronizuokite svarbius duomenis (pvz., karšto bėgelio purkštuko temperatūrą, lydymosi slėgį) realiuoju laiku (milisekundės-lygio delsa), įkeldami ne-kritinius duomenis mažesniu dažniu, kad pasiektumėte pusiausvyrą tarp realiojo-laikinio reagavimo ir pralaidumo sąnaudų.

Atvejo analizės palaikymas: „Quanying Smart Thermal & Power Cloud System“ naudoja pažangų skaičiavimą kartu su 5G perdavimu, kad būtų pasiektas mažas -delsos laikas, labai patikimas duomenų sinchronizavimas- – sprendimas, kuris jau sėkmingai patvirtintas šiluminės energijos pramonėje.

3. Iššūkis: prastas sistemos sąveikumas-„Informacijos silosų“ kliūčių sugriovimas

Tikroji skaitmeninio dvynio vertė slypi bendradarbiavime; tačiau realybė tokia, kad įvairios sistemos dažnai veikia atskirai:

Prekės ženklo ir protokolo kliūtys: skirtingų gamintojų (pvz., Mold-Master, Yudo, Haitian) įranga ir valdymo sistemos dažnai naudoja uždarus, patentuotus protokolus. Vieningų ryšio standartų (pvz., OPC UA) trūkumas apsunkina duomenų laisvą judėjimą tarp šių sistemų.

IT/OT konvergencijos sunkumai: tarp Informacinių technologijų (IT) ir Operatyvinių technologijų (OT) skyrių yra didelis atotrūkis tikslų, terminų ir darbo eigos požiūriu, todėl skaitmeninės transformacijos projektai organizaciniu lygmeniu vyksta lėtai.

Atsijungimas nuo aukštesniojo-sluoksnio sistemų: be integracijos su aukštesnio-lygio sistemomis-, tokiomis kaip MES (gamybos vykdymo sistemos) ir ERP (įmonės išteklių planavimas)-, neįmanoma sukurti uždaro-ciklo grįžtamojo ryšio mechanizmo, apimančio nuo gamybos{{5}optimizavimo iki strateginių verslo sprendimų.

Rezultatas: skaitmeninis dvynys tapo tik brangiu „vizualizacijos prietaisų skydeliu“, kuris iš tikrųjų nepadeda pagerinti gamybos efektyvumo.

Sprendimas: priimkite OPC UA kaip „universalią kalbą“, kad panaikintumėte prekės ženklo kliūtis

Skatinti standartizuotą OPC UA diegimą: įpareigoti palaikyti OPC UA protokolą visai naujai įsigytai įrangai; senajai įrangai naudokite protokolų konvertavimo šliuzus, kad būtų galima sklandžiai keistis duomenimis tarp skirtingų prekių ženklų.

„Microservices“ architektūros platformos kūrimas: naudojant „Docker“ ir „Kubernetes“ technologijas, funkciniai moduliai iš skirtingų sistemų yra įtraukiami kaip nepriklausomos paslaugos, leidžiančios lanksčiai iškviesti per API, kad būtų padidintas bendras sistemos judrumas.

„Skaitmeninės dvigubos tarpinės programinės įrangos“ kūrimas: ši tarpinė programinė įranga suvienija duomenų skaitymo/rašymo logiką įvairių gamintojų temperatūros reguliatoriams (pvz., Hotset, Yudo), veiksmingai pašalindama pagrindinius aparatinės įrangos skirtumus.

Pramonės tendencijos: „Digital Twin Consortium“ aktyviai reklamuoja vieningas OPC UA modeliavimo specifikacijas gamybos sektoriuje; todėl tikimasi, kad artimiausiu metu sąveika labai pagerės.

4. Iššūkiai: išlaidų ir talentų trūkumas - Didelės investicijos, menka kompetencija

Draudžiama pradinė investicija: visas sprendimas-, apimantis jutiklių diegimą, programinės įrangos licencijavimą, sistemos integravimą ir profesionalias paslaugas-gali lengvai kainuoti šimtus tūkstančių juanių. Ilgas investicijų grąžos (IG) ciklas dažnai atgraso daugelį įmonių nuo tolesnių veiksmų.

Nepaprastas daugiadisciplinių talentų trūkumas: projekto sėkmei reikia „visų{0}}inžinierių“, kurie turėtų patirties liejimo procesų, pramoninės automatikos, CAE modeliavimo ir AI algoritmų srityse. Tokie talentai yra labai paklausūs-ir dabartinėje rinkoje yra aukščiausios kokybės.

Trūksta organizacinio sąmoningumo: kai kurios įmonės vis dar žiūri į skaitmeninius dvynius tik kaip „vyšnią ant torto“-parodomuosius projektus, skirtus pasirodymams-, o ne kaip pagrindinį „išlaidų mažinimo ir efektyvumo didinimo“ variklį.

Pagrindinis prieštaravimas: nors pati technologija yra labai pažengusi, įmonių pagrindinė duomenų infrastruktūra, talentų rezervai ir organizaciniai procesai neatsiliko, todėl susidaro scenarijus, kai technologija egzistuoja, bet negali būti veiksmingai panaudota.

Sprendimai: debesų platformų panaudojimas mažoms investicijoms ir greitiems rezultatams pasiekti

Priimkite „SaaS“{0}}pagrįstą skaitmeninę dvynių platformą: pasirinkite pramonines interneto platformas, kurias siūlo pirmaujantys debesų paslaugų teikėjai (pvz., „Alibaba Cloud“, „Huawei Cloud“, „Baidu AI Cloud“). Užsisakydamos modeliavimo, modeliavimo ir AI analizės paslaugas pagal pareikalavimą, įmonės gali išvengti brangių programinės įrangos licencijavimo mokesčių ir nuolatinių operacijų bei priežiūros išlaidų.

Bendradarbiaukite su ekosistemų partneriais: bendradarbiaukite su universitetais ir automatikos integratoriais, kad sukurtumėte bendras „Verslo ir technologijų“ komandas ir taip sumažintumėte vidines talentų spragas įmonėje.

Laipsniškas investicijas į IG patvirtinimą: pradėkite nuo bandomojo projekto vienoje gamybos linijoje, pirmenybę teikdami temperatūros kontrolės stebėjimo ir lengvų skaitmeninių dviejų modelių diegimui. Patvirtinkite sąnaudų-sumažėjimo ir efektyvumo{2}}gerinimo rezultatus per šešis mėnesius prieš palaipsniui didindami diegimą visoje organizacijoje.

Pragmatiškas požiūris:

Ilgalaike