اجرای فناوری دوقلو دیجیتال چقدر دشوار است

سوال شما مربوط به "آب های عمیق"-چالش برانگیزترین مرحله- اجرای دیجیتالی سازی صنعتی است! من این ترکیب پیچیده از احساسات را کاملاً درک می کنم: خوش بین بودن در مورد چشم انداز آینده دوقلوهای دیجیتال، در عین حال نگران از اینکه اجرای آنها ممکن است مملو از "تله های پنهان و سنگرهای عمیق" باشد. در حقیقت، انتقال این فناوری از مرحله مفهومی به خط تولید زنده، مطمئناً یک فرآیند یک شبه نیست. این شبیه یک روش جراحی ظریف است که در آن هر مرحله نیاز به یک رویکرد ثابت و روشمند دارد.

به طور کلی، پیاده‌سازی فناوری دوقلو دیجیتال در سیستم‌های دونده داغ سطح نسبتاً بالایی از دشواری را نشان می‌دهد. چالش‌های اصلی بر چهار حوزه کلیدی متمرکز هستند:-مدل‌سازی با دقت بالا،-ادغام داده‌ها در زمان واقعی، قابلیت همکاری چند سیستم-و کمبود استعدادهای تخصصی. مخصوصاً برای شرکت‌های کوچک و متوسط ​​(SMEs)، سرمایه‌گذاری اولیه و موانع فنی موجود، موانع مهمی را تشکیل می‌دهند.

1.-مدلسازی با دقت بالا: یک پایه متزلزل در دنیای مجازی همه چیز را باطل می‌کند

"روح" یک دوقلو دیجیتال در توانایی آن برای تکرار صادقانه سیستم فیزیکی است که نشان می دهد. با این حال، مدل‌سازی یک سیستم دونده داغ بسیار پیچیده‌تر از چیزی است که تصور می‌شود:

پیچیدگی هندسی: سازه‌هایی مانند رانر اصلی، زیر{0}رانرها، نازل‌های داغ، و پین‌های شیر به‌طور پیچیده طراحی شده‌اند. تلورانس‌های{1}}سطح میکرون می‌توانند به طور قابل‌توجهی بر دینامیک جریان مذاب تأثیر بگذارند و مدل‌های CAD با دقت بسیار بالا را ضروری می‌سازند.

مدل‌سازی رفتارهای فیزیکی: این امر مستلزم ادغام چندین میدان فیزیکی-از جمله هدایت گرما، جریان سیال غیرنیوتنی و جفت مکانیکی حرارتی- است. نیازهای محاسباتی بسیار زیاد است و نیازمندی های بسیار بالایی را بر روی بسته های نرم افزاری شبیه سازی (مانند Moldex3D یا ANSYS) قرار می دهد.

پارامترهای مواد از دست رفته: در محیط‌های تولید واقعی، داده‌های خصوصیات فیزیکی پلاستیک‌ها-مانند ویسکوزیته-منحنی‌های دما و ظرفیت‌های گرمایی خاص-اغلب ناقص یا نادرست هستند که منجر به نتایج شبیه‌سازی مخدوش یا غیرقابل اعتماد می‌شوند.

واقعیت: ایجاد یک مدل{0}} با وفاداری بالا می‌تواند چندین روز طول بکشد تا یک مهندس متخصص بسازد و کالیبره کند. این فرآیند پرهزینه و دشوار است که به سرعت در چندین برنامه تکرار شود.

2.{1}}ادغام داده‌های زمان واقعی: اگر داده‌ها جریان نداشته باشند، دوقلو "مرده" است

یک دوقلو دیجیتال برای زنده ماندن به "خوراک" ثابتی از داده‌های-زمان واقعی متکی است. با این حال، جمع آوری و ادغام داده ها از خط تولید اغلب بزرگترین تنگنا را نشان می دهد:

منابع داده متنوع: داده‌ها باید از منابع متعددی جمع‌آوری شوند-از جمله PLC ماشین‌های قالب‌گیری تزریقی، کنترل‌کننده‌های دما، حسگرهای ذوب، و تصویرگرهای حرارتی مادون قرمز. این منابع اغلب از پروتکل ها و فرمت های ارتباطی متفاوت (مانند Modbus، Profibus، OPC UA و غیره) استفاده می کنند.

کیفیت داده ضعیف: مسائلی مانند نسبت سیگنال به{{1} بالا، فرکانس‌های نمونه‌گیری ناهماهنگ، و ساعت‌های سیستم غیرهمگام می‌تواند منجر به عدم توانایی مدل مجازی در "درک واضح" وضعیت واقعی و واقعی سیستم شود.

قابلیت‌های محاسباتی لبه ناکافی:-شبیه‌سازی زمان واقعی نیازمند زمان‌های پاسخگویی در سطح میلی‌ثانیه است. با این حال، خطوط تولید قدیمی اغلب فاقد پشتیبانی از دروازه لبه هستند، که منجر به تأخیر بالای داده می شود.

مشکل معمولی: حتی زمانی که سنسورها نصب می شوند، اگر پروتکل های ارتباطی ناسازگار باشند، داده ها را نمی توان در سیستم ادغام کرد (به عنوان مثال، پروتکل اختصاصی مورد استفاده توسط کنترل کننده های دمای Hotset).

3. قابلیت همکاری سیستم: سیلوهای اطلاعات و همکاری مانع

دوقلوهای دیجیتال نیاز به یکپارچه سازی یکپارچه با سیستم هایی مانند MES، ERP و SCADA دارند. با این حال، واقعیت یکی از "عملیات سیلو" است:

قفل شدید فروشنده-در: تجهیزات تولیدکنندگان مختلف (مانند Mold-Master، Yudo، Haitian) از پروتکل‌های ارتباطی اختصاصی استفاده می‌کنند که یکپارچه‌سازی سیستم یکپارچه را بسیار دشوار می‌کند.

فقدان استانداردهای یکپارچه: اگرچه استانداردهایی مانند OPC UA وجود دارد، نرخ پذیرش همچنان پایین است. در نتیجه، شرکت ها اغلب با نیاز به توسعه واسط سفارشی پرهزینه و زمان بر هستند.

چالش‌های همگرایی IT/OT: بخش‌های فناوری اطلاعات داده‌ها را مدیریت می‌کنند در حالی که بخش‌های OT تجهیزات را مدیریت می‌کنند. این موانع سازمانی اغلب منجر به پیشرفت کند پروژه می شود.

نتیجه: دوقلوهای دیجیتال صرفاً به "داشبوردهای تجسم پیشرفته" کاهش می‌یابند، و نمی‌توانند به کنترل حلقه بسته واقعی- دست یابند.

4. هزینه ها و استعداد: سرمایه گذاری بالا، تخصص کمیاب

سرمایه‌گذاری اولیه بالا: هزینه‌های استقرار حسگر، مجوز نرم‌افزار، خدمات مدل‌سازی، و یکپارچه‌سازی سیستم-برای یک راه‌حل کامل-می‌تواند به راحتی صدها هزار دلار شود که منجر به بازگشت سرمایه‌گذاری طولانی{-در-چرخه سرمایه‌گذاری (ROI) می‌شود.

کمبود استعدادهای چند رشته‌ای: کمبود شدید «{0}}مهندسین پشته»-حرفه‌ای که در فرآیندهای قالب‌گیری تزریقی و همچنین شبیه‌سازی CAE، الگوریتم‌های هوش مصنوعی و پروتکل‌های ارتباط صنعتی تخصص دارند، وجود دارد.

عدم درک سازمانی: برخی از شرکت ها هنوز هم دوقلوهای دیجیتال را صرفاً به عنوان یک "نمایش فناوری" به جای "موتور کاهش هزینه و بهبود کارایی" می بینند که منجر به عدم سرمایه گذاری پایدار در این پروژه ها می شود.

تضاد اصلی: در حالی که خود فناوری پیشرفته است، عناصر اساسی-افراد، فرآیندها، و زیرساخت داده- نتوانسته اند سرعت خود را حفظ کنند، و در نتیجه سناریویی ایجاد می شود که شرکت ها "سیستم را دارند، اما نمی توانند به طور موثر از آن استفاده کنند."

5. مسیر پیاده‌سازی پیشنهادی: از «نقاط ورودی کوچک-مقیاس» تا «ادغام عمیق»

توصیه عملی: به شرکت‌های کوچک و متوسط{0}}توصیه می‌شود که با پروژه‌های آزمایشی در خطوط تولید کلیدی، همکاری با ارائه‌دهندگان پلت‌فرم- مانند Huawei Cloud یا Alibaba Cloud-برای ایجاد راه‌حل‌های مشترک، در نتیجه کاهش موانع فنی و کاهش هزینه‌های مرتبط با خطاهای فنی، شروع کنند.