从大数据到智能数据再到数字孪生

这次访客在Altair博客上贡献是由Katja Juschka，营销和销售负责人是Altair合作伙伴联盟的bob游戏下载大全成员。

相关信息而不是大量数据

今天，工业的东西（IIOT）和行业4.0成为每个人都在谈论的流行语。遵循这种技术炒作，存在巨大的压力。在寻找一个有用而聪明的启动方式，企业面临着广阔的数据管理解决方案市场。然而，促进的数据量及其丰富多彩的可视化通常缺乏令人信服的益处。为了向用户提供相关结果，必须在IIOT的系统中通过连接组件提供的数据分析并放置在右侧上下文中。为了提高效率，必须首先识别精确的研究问题。这减少了计算时间并更快地引导有用的信息。

监控工业系统并不是什么新发现。配备传感器并记录数据的系统已经被证明是几十年来的实践。作为预防性维护的一种区别方法的状态监测只是一个例子。

传统和智能系统之间的实际差异由连接等级和与所使用的组件集成的传感器产生。与传统系统相比，智能系统的组件中的传感器提供可根据交联程度分析的数据。这可能听起来很容易，但工业环境中的数据分发仍然是一个巨大的挑战，尤其是安全问题。

将数据转换为相关信息 - 测量数据需要智能处理

一个简单的类比可以说明这一点:汽车司机是人类数据处理器的完美例子。为了安全驾驶汽车，司机必须充分利用他的感官提供的一切信息。经验丰富的驾驶员和经验不足的驾驶员之间的区别包括知道什么信息是相关的，了解安全操作条件，以及系统控制的个人等级。

没有经验的司机往往会被大量的可用信息淹没:交通、路况、天气、交通标志、行人、建筑物，甚至广播节目——所有这些都是司机感知和考虑的。分析这些数据非常耗时，希望他的技能足以做出正确的反应。

另一方面，经验丰富的驾驶员能够更好地过滤传入的信息，知道数据流中影响车辆行为的相关位。他对自己的车的反应以及安全驾驶的相关问题有了更清楚的了解。例如，在树叶覆盖的街道上，道路上的潮湿比在笔直的高速公路上更危险。

已经开发了他的环境和他使用的对象的模型;有经验的驱动程序能够为这个模型提供当前数据。他知道铺满树叶的湿路有多滑，他的车就会失去抓地力。在分析了相关数据并将其作为模型的输入后，他可以预测在不与其他弯道发生碰撞的情况下，他能以多快的速度通过下一个弯道。

分析或预测的质量取决于当前数据、系统（或模型）行为的知识和经验。对相关数据的筛选及其人工评估是一种适用于有限数量的数据和基本系统的方法，但很难应对日益增长的数据量和系统复杂性，因为此时应充分发挥IIoT等新技术的潜力。

自动化处理和数字双向方法

自动化数据处理是一种快速、完整的数据分析方法。现代数据处理系统可以在一瞬间监控数百万个值，将它们与阈值进行比较，并向用户显示警告。然而，越来越多的数据使得不可能通过简单的阈值比较来生成有用的数据，而需要在上下文中找到所需的信息。从更大数据量的全部潜力中获益的解决方案是改变视角。不是利用所有的价值，而是识别和关联数据集群。生成这些相关性的一个例子是系统模型。

在自动分析中，即使没有由特定传感器直接监视，使用适当的模型完成状态描述。在这种情况下，该模型是一种经验丰富的过程工程师，他们可以基于其知识的基于知识的概念来诊断系统错误（例如，通过分析机器噪声）。此外，过程工程师的概念方法以及数字模型方法都可以用于什么方案。这意味着基于行为描述，可以使用模型来推断当前数据。

一个典型的用例是预防性维护。这种方法的目的是避免意外的系统故障。由于组件磨损)，通过监视某些指标的趋势，并估计剩余的运行时间，直到下一次维护需要。这些指标是通过模拟模型计算出来的，模拟模型代表了真实系统的一个副本，即所谓的“数字孪生”。

使用整个系统的数字双胞胎进行大数据的实时处理提供了整个新的可能性。能够预测系统组件声音诱人的任何未来发展。鉴于仿真模型更详细的是，它越广泛，这与充足的解决方案所需的计算性能直接相关。

一个表示整个系统及其所有细节方面的模型对于及时交付系统状态分析来说是太慢了。这可以通过简化和关注基本问题来解决，首先定义需要哪些信息。适应这些需求的仿真模型可以更快地计算出来，而且由于其较小的尺寸，维护起来也容易得多。

一个典型的用例是一个带有液压缸执行器的系统。这类系统被用于材料加工，其中精度和速度是主要优先考虑的，最小化机器停机时间是关键。

为此目的，系统配备了通常的传感器。信号处理系统（SPS）处理相关的传感器数据并控制所需的组件。使用最新技术，运营商是最新的，并已为其系统中安装了所有传入数据的池 - 云。虽然系统组件来自不同的制造商，但所有这些都是通过SPS或接口将数据传输到云。

操作员的目标是实现一台机器的最长的使用寿命，同时保持其精确的操作。在汽缸致动器的该示例中，这主要由高压过滤器和伺服阀确定。因此，操作员希望知道这些组件在当前操作条件下必须更换，或者在不影响产品质量的情况下可以操作电流系统的速度。

焦点组件的状况由它们的系统背景决定。例如，阀门的控制信号必须与当前气缸的运动轮廓相匹配，过滤器上方的压差取决于过滤器负载和介质的粘度。这些依赖关系已经在液压缸驱动的液压元件(数字孪生)模型中进行了描述，并包含在云中。

设置数字双胞胎

数字双胞胎的设置以及模拟模型的生成需要专门知识和数据。这可能是知识产权的问题，因为系统的制造商不一定是所使用的组件的制造商，并且只有有限地访问所需数据。处理缺乏信息的一种方法是根据经验或背景估计缺失的数据。另一种方法是通过添加新进程来扩展组件制造商的值链。

首先，组件制造商可以提供物理组件及其数字孪生。从技术上讲，在本例中，twin是一个具有定义接口的仿真模型包。模型交换在功能模型接口（FMI）上工作，FMI是几年前开发的一个标准，用于简化组件供应商和原始设备制造商之间的交换。FMI保护知识产权，同时允许使用包含供应商数据的模型。该模型以FMI标准命名为FMU（功能模拟单元），成为运营商数据云中数字孪生模型的一部分。

其次，组件制造商可以将包含数据分析的组件作为服务包提供。由于这包括从系统外包的数据分析，组件供应商可以访问运营商云中的某些数据，并通过其组件来使用这些数据进行评估。考虑到组件对系统其余部分没有太多的逻辑依赖关系，这种方法效果最好。尽管许多企业对与第三方的数据交换持怀疑态度，但双方都能从中受益。如果制造商在实时操作条件下获得有关组件性能的信息，则可以相应地调整和改进组件。

数字模型的应用使系统的设计、开发和运行之间的数据流连接起来。虽然仿真模型以前主要用于产品开发阶段，但digital twins消除了这一限制。这些特定模型不仅可以与实际系统的操作阶段并行应用，而且还可以作为新克隆的原型，用于未来的开发，并可以不断地提供实时过程数据。这提供了根据当前数据进行分析的机会，例如，开发阶段的性能和磨损行为。研究表明，基于实测数据的实时条件推导，越来越需要专门的专业知识和仿真能力。

然而，最大的挑战在于云服务供应商的数据管理。因此，绝对前提是在高度保护区内负责处理工厂操作人员的敏感数据。