ЦИФРОВЫЕ ДВОЙНИКИ И ИХ ПРИМЕНЕНИЕ В НЕФТЕХИМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ

DIGITAL TWINS AND THEIR APPLICATION IN THE PETROCHEMICAL INDUSTRY

Maksim Lashkin

master's student, department of Digital control of oil and gas complex processes and systems, Omsk state technical university,

Russia, Omsk

АННОТАЦИЯ

Статья посвящена концепции и применению цифровых двойников (ЦД) в нефтехимической промышленности. Представлен обзор определения ЦД, ключевых элементов, дизайна, сценариев применения и моделей зрелости для данного сектора. Особое внимание уделено управлению жизненным циклом ЦД, интеграции MBSE и SysML для улучшения системного представления и взаимодействия. Введена модель зрелости "4П" (Predictive, Performance, Prescriptive, Prognostic) для оценки и улучшения функциональности ЦД, с примерами и перспективами развития, включая управление данными, альянсы моделей и использование облачных платформ.

ABSTRACT

The article is dedicated to the concept and application of digital twins (DT) in the petrochemical industry. It provides an overview of the definition of DT, key elements, design, application scenarios, and maturity models for this sector. Special attention is given to the lifecycle management of DT, integration of MBSE and SysML to enhance system representation and interaction. The "4P" maturity model (Predictive, Performance, Prescriptive, Prognostic) is introduced to assess and improve the functionality of DT, with examples and development perspectives, including data management, model alliances, and the use of cloud platforms.

Ключевые слова: цифровые двойники, нефтехимическая промышленность, дискретное производство, процессное производство, жизненный цикл, модельно-ориентированная системная инженерия (MBSE), модель зрелости управление данными, облачные платформы.

Keywords: digital twins, petrochemical industry, discrete manufacturing, process manufacturing, life cycle, model-based systems engineering (MBSE), maturity model, data management, cloud platforms.

Введение

Цифровой двойник (далее ЦД) привлекает значительное внимание как со стороны академического сообщества, так и со стороны промышленности и правительства. Однако представления о ЦД в различных областях могут сильно различаться. Более того, большинство обсуждаемых сценариев применения ЦД относятся к дискретному производству и не подходят для процессов непрерывного производства, характерных для нефтехимической промышленности. Нефтехимическая промышленность представляет собой типичный пример процессного производства с многоуровневой и функциональной структурой в пространстве и времени. Данная статья сосредоточена на применении ЦД в нефтехимической промышленности и охватывает следующие аспекты:

1. Определение ЦД в контексте процессной промышленности.
2. Три ключевых элемента и дизайн ЦД для нефтехимической промышленности.
3. Особенности и сценарии применения нефтехимического ЦД с точки зрения точности модели, масштаба модели и жизненного цикла актива.
4. Применение методологии MBSE (модельно-ориентированная системная инженерия) в контексте цифровых двойников.
5. Модель зрелости "Четыре П" нефтехимического ЦД.
6. Перспективы развития нефтехимического ЦД.

Определение цифрового двойника

Понятие цифрового двойника впервые было предложено профессором Майклом Гривсом из Университета Мичигана для управления жизненным циклом продукта (PLM) в 2002 году и называлось "зеркальная модель пространства". С тех пор было предложено множество различных определений ЦД в академической литературе. Основные компоненты цифрового двойника включают:

1. Модель объекта или процесса — это цифровое представление реальных объектов и процессов.
2. Набор данных, относящихся к объекту или процессу — это данные, которые постоянно обновляются и синхронизируются с физическим объектом.
3. Средства динамического обновления или корректировки модели в соответствии с данными — это механизмы, обеспечивающие актуальность модели на основе поступающих данных.

Digital Twin Consortium (DTC) определяет цифровой двойник как виртуальное представление реальных сущностей и процессов, синхронизированное с определенной частотой и точностью. Цифровые двойники используют данные в реальном времени и исторические данные для представления прошлого и настоящего и моделирования прогнозируемого будущего.

Ключевые элементы и дизайн ЦД в нефтехимической промышленности

Модели, входящие в состав ЦД

Цифровой двойник химического процесса должен содержать вычислительные или аналитические модели, необходимые для описания, понимания и прогнозирования состояний и поведенческих аспектов химического процесса. Эти модели могут включать:

• Модели на основе первых принципов (алгебраические уравнения, ОДУ (обыкновенные дифференциальные уравнения), ДАУ (дифференциально-алгебраические уравнения), уравнения в частных производных). Они основаны на фундаментальных физических и химических законах, таких как законы сохранения массы, энергии и импульса.
• Модели, основанные на данных (статистические модели, модели машинного обучения и искусственного интеллекта). Эти модели обучаются на больших объемах данных и могут выявлять сложные зависимости и тенденции.
• 3D-модели и модели дополненной реальности для визуализации и понимания операционных состояний или поведения установки. Они помогают операторам и инженерам лучше понимать процессы и принимать обоснованные решения.

Данные, используемые в ЦД

В нефтехимической промышленности цифровой двойник должен охватывать весь жизненный цикл актива и цепочки создания стоимости от проектирования и эксплуатации до обслуживания и стратегического бизнес-планирования. Данные должны включать:

• Исторические данные - данные, накопленные за весь период эксплуатации актива. Эти данные важны для анализа долгосрочных тенденций и оценки износа оборудования.
• Данные в реальном времени - данные, генерируемые в процессе эксплуатации и обслуживания. Они необходимы для оперативного мониторинга и управления процессами.

Для достижения необходимого уровня точности данные должны собираться в реальном времени, проверяться и синхронизироваться. Данные могут поступать из различных источников, включая датчики, системы управления, базы данных и облачные платформы.

Сервисы ЦД

Цифровой двойник процесса должен содержать набор интерфейсов приложений (API) для продвинутого анализа данных или других цифровых двойников для доступа к его данным и вызова его возможностей. Основные виды аналитики:

• Описательная аналитика - отвечает на вопрос "Что произошло?". Эта аналитика помогает понять текущие состояния процессов и оборудование.
• Диагностическая аналитика - отвечает на вопрос "Почему это произошло?". Она используется для выявления причин отклонений и проблем.
• Предсказательная аналитика - отвечает на вопрос "Что произойдет?". Она позволяет прогнозировать будущие события и состояния на основе исторических данных и текущих тенденций.
• Предписывающая аналитика - отвечает на вопрос "Что следует делать?". Эта аналитика помогает определить оптимальные действия и решения для достижения целей.

Решение должно быть ориентировано на проблему, которую необходимо решить, а не на количество аналитики, применяемой к данным.

Сервисы, предоставляемые ЦД

Цифровой двойник процесса должен содержать набор интерфейсов приложений (API) для продвинутого анализа данных или других цифровых двойников для доступа к его данным и вызова его возможностей. Основные виды аналитики:

• Описательная аналитика - отвечает на вопрос "Что произошло?". Эта аналитика помогает понять текущие состояния процессов и оборудование.
• Диагностическая аналитика - отвечает на вопрос "Почему это произошло?". Она используется для выявления причин отклонений и проблем.
• Предсказательная аналитика - отвечает на вопрос "Что произойдет?". Она позволяет прогнозировать будущие события и состояния на основе исторических данных и текущих тенденций.
• Предписывающая аналитика - отвечает на вопрос "Что следует делать?". Эта аналитика помогает определить оптимальные действия и решения для достижения целей.

Решение должно быть ориентировано на проблему, которую необходимо решить, а не на количество аналитики, применяемой к данным.

Взаимоотношения между ЦД в составе систем

Цифровые двойники в системах можно классифицировать на четыре уровня:

1. Уровень оборудования — фокусируется на ключевом и дорогостоящем оборудовании, таком как компрессоры, крупные насосы и теплообменники. Эти цифровые двойники обеспечивают мониторинг текущей, прогнозирование будущей и анализ исторической производительности оборудования.
2. Уровень технологической установки - охватывает базовые химические процессы, такие как крекинг или дистилляция. Эти цифровые двойники включают в себя модели процессов, состояния активов, контроль и оптимизацию.
3. Уровень завода - представляет собой цифровое отображение всего завода или нескольких заводов. Эти цифровые двойники могут охватывать оптимизацию потребления энергии, планирование производства и управление цепочками поставок.
4. Уровень предприятия - используется для анализа и оптимизации производственных процессов на уровне предприятия. Эти цифровые двойники могут включать модели рисков, цепочек поставок и многомасштабное планирование.

Каждый уровень цифрового двойника интегрируется с предыдущим, создавая иерархическую систему цифровых моделей, которые вместе обеспечивают полное представление о производственном процессе.

Жизненный цикл ЦД

Успешное применение цифрового двойника требует "сдвига влево" в мышлении, что означает необходимость более целостного подхода к управлению химическими процессами, установками и продуктами на ранних стадиях проектирования. Система ЦД должна точно отражать актив на протяжении всего его жизненного цикла, включая:

• Проектирование - оптимизация конструкции и тренировка персонала. На этом этапе создается начальная модель цифрового двойника, которая используется для проектирования и оптимизации конструкции актива.
• Строительство и ввод в эксплуатацию - обеспечение оптимальной конструкции и плавного перехода к эксплуатации. Цифровой двойник используется для проверки соответствия проектным требованиям и подготовки к эксплуатации.
• Эксплуатация и обслуживание - оптимизация производительности и управление жизненным циклом. Цифровой двойник обеспечивает мониторинг состояния актива, предсказание отказов и оптимизацию обслуживания.

Применение методологии MBSE (модельно-ориентированная системная инженерия) в контексте цифровых двойников

Методология Model-Based Systems Engineering (MBSE) представляет собой подход к инженерии систем, основанный на использовании моделей для поддержки разработки, анализа, верификации и валидации систем на всех этапах их жизненного цикла. MBSE позволяет интегрировать различные дисциплины и инструменты, обеспечивая единое представление системы и улучшая координацию и сотрудничество.

MBSE включает использование языка моделирования систем SysML (Systems Modeling Language), который предоставляет стандартные нотации и методики для моделирования сложных систем. SysML позволяет создавать графические модели, которые описывают различные аспекты системы, включая ее структуру, поведение, требования и параметры. Применение MBSE и SysML в контексте цифровых двойников предоставляет следующие преимущества:

1. Единое представление системы: SysML позволяет интегрировать различные модели и данные, обеспечивая целостное представление системы и улучшая понимание ее структуры и поведения.
2. Поддержка междисциплинарного взаимодействия: MBSE способствует сотрудничеству между различными дисциплинами и командами, обеспечивая согласованность и синхронизацию их работы.
3. Автоматизация процессов: MBSE и SysML позволяют автоматизировать многие процессы, связанные с разработкой и управлением системами, что снижает вероятность ошибок и повышает эффективность работы.
4. Улучшение управления требованиями: SysML предоставляет средства для управления требованиями на всех этапах жизненного цикла системы, обеспечивая их отслеживаемость и соответствие.

Применение MBSE и SysML в разработке и управлении цифровыми двойниками химических процессов позволяет создавать более точные и согласованные модели, улучшать взаимодействие между командами и повышать эффективность управления системами.

Модель зрелости ЦД в химической промышленности

Модель зрелости цифрового двойника (ЦД) в химического промышленности помогает оценить и улучшить его функциональность и эффективность. Она включает несколько уровней зрелости, каждый из которых характеризуется определенными функциями и возможностями.

В данной статье рассматривается модель зрелости "4П" (Predictive, Performance, Prescriptive, Prognostic), которая охватывает четыре основных аспекта зрелости ЦД.

1. Предсказательная аналитика (Predictive Analytics)

Предсказательная аналитика направлена на использование данных для раннего выявления проблем и неэффективности. На этом уровне ЦД обладает следующими характеристиками:

• Сбор и анализ данных в реальном времени: Использование датчиков и других источников данных для постоянного мониторинга состояния системы.
• Распознавание шаблонов и аномалий: Применение методов машинного обучения и больших данных для выявления отклонений от нормального функционирования.
• Предупреждение о потенциальных проблемах: Создание оповещений и предупреждений на основе обнаруженных аномалий, что позволяет оперативно реагировать на возникающие проблемы.

Пример: на химическом предприятии предсказательная аналитика может использоваться для выявления признаков износа оборудования, что позволяет планировать профилактическое обслуживание и избегать неожиданных поломок.

2. Производительность (Performance)

Производительность ориентирована на оптимизацию работы процессов и оборудования. Этот уровень включает:

• Термодинамическое моделирование и симуляция: Использование математических моделей для анализа и оптимизации тепловых и массовых потоков в процессе.
• Сравнение с операционными данными: Сопоставление модельных предсказаний с реальными данными для выявления отклонений и неэффективности.
• Оптимизация процессов: Настройка параметров процессов для достижения максимальной производительности и эффективности.

Пример: ЦД может использоваться для оптимизации работы реакторов, обеспечивая оптимальные условия для химических реакций и минимизируя энергопотребление.

3. Предписывающая аналитика (Prescriptive Analytics)

Предписывающая аналитика помогает принимать оптимальные решения на основе анализа данных. Включает:

• Анализ корневых причин: Определение основных причин выявленных проблем и неэффективности.
• Рекомендации по действиям: Разработка рекомендаций и стратегий для улучшения работы системы.
• Поддержка принятия решений: Использование аналитических инструментов для оценки различных сценариев и выбора наилучших вариантов действий.

Пример: В случае выявления отклонений в работе теплообменников, предписывающая аналитика может предложить корректирующие меры, такие как очистка оборудования или изменение режимов работы.

4. Прогностическая аналитика (Prognostic Analytics)

Прогностическая аналитика ориентирована на прогнозирование будущих событий и состояния системы. Включает:

• Прогнозирование отказов и деградации: Использование моделей для предсказания срока службы оборудования и вероятности отказов.
• Оптимизация графиков обслуживания: Планирование профилактического обслуживания на основе прогнозов, что позволяет минимизировать простои и затраты.
• Анализ рисков: Оценка вероятности возникновения различных сценариев и их воздействия на систему.

Пример: ЦД может прогнозировать срок службы катализаторов в реакторах и рекомендовать оптимальное время для их замены, что снижает риски отказов и повышает эффективность работы.

Перспективы развития

В будущем потребуется решать следующие вопросы для успешного применения ЦД в нефтехимической промышленности:

1. Управление данными: Одной из самых серьезных проблем применения цифрового двойника является часто обсуждаемая проблема изолированности данных. В нефтехимической промышленности производится огромное количество разнообразных данных, которыми приходится управлять в нескольких различных программных инструментах, базах данных и документах. Это связано с отсутствием согласованных структур данных. Необходимо улучшить интеграцию данных на протяжении всего жизненного цикла активов и обеспечить единый стандарт данных и единый источник истины (source of truth) для обмена и совместного использования.
2. Создание альянсов моделей: В то время как сегодня существуют отдельные точечные решения ЦД, в будущем необходимо создать единую многоцелевую систему ЦД, объединяющую жизненный цикл активов и цепочку создания стоимости. Одним из таких решений является альянс моделей, который позволяет обмениваться ключевыми основными данными и компонентами моделей между различными приложениями для достижения максимального синергетического эффекта в рамках всей организации, разрушая функциональное разделение между инженерией, производством, цепочкой поставок и техническим обслуживанием, а также оптимизируя развертывание и обслуживание приложений.
3. Использование облачных платформ: Облако уже стало предпочтительной инфраструктурой для большинства бизнес-приложений. Облачные платформы следует использовать, где это возможно для размещения ЦД по следующим причинам:

• Позволяет ЦД подписываться на внешние каналы данных, которые могут улучшить его разрешающую способность(точность).
• Поддерживает и развивает гибкость в отношении ЦД. Это позволяет экспериментировать и быстро внедрять новые решения.
• Упрощает обновление решений и значительно снижает затраты на инфраструктуру.

Заключение

Модель зрелости ЦД в химической промышленности "4П" обеспечивает структурированный подход к развитию и применению цифровых двойников в нефтехимической промышленности. Постепенное внедрение каждого уровня зрелости позволяет компании эффективно управлять своими активами, повышать производительность и снижать риски. Цифровые двойники предлагают значительные преимущества, такие как улучшение надежности, снижение затрат и поддержка принятия решений, что делает их важным инструментом в современном промышленном управлении.

Список литературы:

1. Wang J.M. Challenges facing China Petrochemical Industry and Their Countermeasure Suggestions // Petroleum & Petrochemical Today. – 2015. – Vol. 23. – P. 1-7.
2. Смирнов А.В., Петров И.В. Цифровые двойники в промышленности: современные подходы и перспективы // Промышленная автоматизация и информационные технологии. – 2021. – Т. 12. – С. 45-59.
3. Li D.F., Suo H.S., Liu W. System Structure and Network Computing Architecture of Petrochemical Cyber-Physical System: Overview and Perspective // The Canadian Journal of Chemical Engineering. – 2019. – Vol. 97. – P. 2176-2198. DOI: 10.1002/cjce.23511.
4. Lim K.Y.H., Zheng P., Chen C.H. A State-of-the-Art Survey of Digital Twin: Techniques, Engineering Product Lifecycle Management and Business Innovation Perspectives // Journal of Intelligent Manufacturing. – 2020. – Vol. 31. – P. 1313-1337. DOI: 10.1007/s10845-019-01512-w.
5. Смирнов А.В., Петров И.В. Цифровые двойники в промышленности: современные подходы и перспективы // Промышленная автоматизация и информационные технологии. – 2021. – Т. 12. – С. 45-59.
6. Grieves M., Vickers J. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems // Transdisciplinary Perspectives on Complex Systems / Ed. by Kahlen J., Flumerfelt S., Alves A. – Cham: Springer, 2017. – P. 85-113. DOI: 10.1007/978-3-319-38756-7_4.
7. Zhang L., Lu H. Discussing Digital Twin from the Perspective of Modeling and Simulation // Journal of System Simulation. – 2021. – Vol. 33. – P. 995-1007.