基于物理机理和大数据分析的混合数字孪生技术

数字孪生是工业数字化转型的重要技术手段,充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的模拟过程,在虚空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生技术不仅运用在设备的预测性维护方面,在优化控制,节能减排等方面,也取得了显著的成效。
物理仿真是数字孪生的基础。设备在设计阶段进行了大量的工况仿真,以保证设备满足设计要求。但由于工作环境,加工物料,操作习惯等差别,仿真并不能完全匹配现场的工况。而仿真计算,往往需要数小时,甚至数天的时间,不能满足实时监测和控制的节拍要求,所以数字孪生往往使用大数据分析技术。大数据分析技术虽然不乏成功案例,但缺乏物理机理的支撑,难以预知和改进数字孪生的效果。
在行业需求的推动下,出现了基于物理机理和大数据分析的混合数字孪生技术,ansys公司的twinbuilder就是其中的代表。如下图所示,twinbuilder利用传统的物理仿真,来训练神经网络,产生所谓的降阶模型(rom),并将现场工况,通过物理机理,抽象出子系统。利用现场的真实测量数据,来标定子系统参数。不仅将仿真速度提高到100毫秒到数秒的数量级,满足常用控制系统的节拍,而且仿真精度更加符合现场的实测数据。
在新能源领域,电机得到了广泛的应用。电机主要有磁性材料和线圈组成,高温不仅会造成磁性材料的退磁,降低运行效率,也会引起线圈短路,烧毁电机。在电机控制算法中,温度是一个重要的测量数据。但是在实际测量中,很难测量电机最热的转子的温度。由于温度的分布特性,更不可能预知转子最热的测量点。
下图是使用ansys twinbuilder,对电机转子温度进行虚拟测量的验证系统。thingworx是工业领域的低代码数字中台产品,接口丰富,运行稳定,扩展方便,与twinbuilder有内建的接口。
twinbuilder软件不仅可以对流体,结构,电磁等仿真,建立降阶模型,同时根据现场系统,设计孪生模型,通过实时采集现场数据和仿真运算电机的温度分布,提取电机转子当前时刻的最高,平均和最低温度值,汇入数据中台,不仅用于优化电机控制,也可以为预测性维护等应用提供依据。thingworx数据中台串接it和ot系统的数据通信,存储关键数据,实现分析,报表和工况回溯。
twinbuilder所提供的混合数字孪生技术,在综合节能领域也有着广泛的应用,如空调,冶金,水利等。


X-FAB携手合作伙伴推出高性价比的OTP存储器解决方案
DCDC电源模块1W系列升级 支持低功耗和短路保护
2020年物联网和嵌入式技术硬件供应商满意度金奖火热出炉,研华为金奖供应商得主
智能车浅谈—手把手让车跑起来(电磁篇)
DPO4054泰克示波器维修放大器问题案例
基于物理机理和大数据分析的混合数字孪生技术
电机保护器面板显示方式和穿线方向
空间分辨率的概念和意义
我国5G商用发展加速前行,成为驱动经济增长的新引擎
有汽车电子工程师的地方就有CAN
为什么要进行数据清洗呢?
高压电缆故障及隐患监测系统:保障电力安全的重要工具
世界最权威的人脸检测公开评测集WIDER FACE公布最新评测结果
高通加Win10,能撼动Intel的地位么?
电池单格短路现象造成原因及修复方法
最常用的两种无线充电方式原理
迪进国际推出适用于工业4.0普及的蜂窝式路由器
PPE里面电池和充电设计
安费诺推出轻量版连接器LPT系列:铝合金外壳设计,重量更轻
我国主要呼吸机企业累积供应2.7万多台 有创呼吸机达3000多台