Predictive maintenance and digital twin

Ved utviklingen av industri 4.0 begynner vedlikeholdsstrategien å bevege seg mot forutsigbart vedlikehold for å gi dynamisk støtte til vedlikeholdsingeniører. I mellomtiden gir digitaliseringen en grunnleggende erkjennelse av den fysiske eiendelen, noe som kan bidra til å forbedre systemytelsen og tilgjengeligheten gjennom digital simulering og optimalisering. Synkroniseringen av den fysiske eiendeler blir en trend i systemdiagnostikk og prognostikk. For å få tilstanden til fysiske eiendeler på forhånd, er begrepet den digitale tvillingen definert for å duplisere den fysiske atferden til digital form. I mellomtiden gir det cyber-fysisk systemet og Internet of Things en datastrøm i sanntid til den digitale tvillingen, noe som gir muligheten til å estimere systematferd dynamisk. En digital tvilling gir en dynamisk systemtilstand i fremtiden mens prediktivt vedlikehold gir støtte basert på systemtilstand. Derfor er det viktig å integrere prediktivt vedlikehold i den digitale tvillingen. Imidlertid er prediktivt vedlikehold og digital tvilling et ganske gryende konsept, og i litteraturen finnes det ikke noe standardisert dokument eller praktiske tilfeller. Derfor gjennomførte vi en litteraturstudie for å få kravene til digital tvilling og forutsigbar vedlikehold. Innenfor kravene ble det foreslått en digital tvillingramme for prediktiv vedlikehold etter litteraturstudien For å demonstrere den digitale tvillingrammeverket ble det foreslått et hypotetisk system der konseptet med systemet er basert på vedlikehold av vindparken. Dette systemet krever en dynamisk vedlikeholdsplan innen vedlikeholdsvinduet gjennom sanntid og historiske data. Dermed blir den digitale tvillingmodellen etablert og integrert av en kommunikasjonsprotokoll, PHM-modeller og en beslutningsmodell. I PHM-referansemodellen analyserer vi de historiske dataene og får hovedfunksjonene som trengs for å trekke ut helseindikatorer. Datasettet inneholder 21 forskjellige overvåkningssignaldata og tre driftsinnstillinger. Datasettet er formatert i tidsserier med ‘Cycle’ tidskala. I følge de historiske data kunne vi etablere en offline referansemodell. I denne oppgaven presenterer vi tre tilstander for kunstmetoder, nemlig nevralt nettverk, k-NN-regresjonsmodell og Geometrisk Brownsk bevegelsesmodell. (NB: I den geometriske browniske bevegelsesmodellen må vi sette terskelen for degraderingen, og de resultatene ses som svikt når helseindikatorene overskrider terskelen.) Da vil den offline modellen bli lastet opp til 'serveren' av Socket kommunikasjonsprotokoll. Når det gjelder prognosene, kan sanntidsdata strømmes fra 'klienten' til 'serveren' gjennom kommunikasjonsprotokollen. Fra online prognostikk vil vi kunne få estimert RUL i sanntid. Deretter vil RUL-ene overføres til beslutningsmodellen. Avgjørelsesmodellen i denne avhandlingen er basert på en diskret hendelsessimuleringsmodell for å gi dynamisk beslutningsstøtte basert på RUL, Cost per time unit and Reservedeler i varelageret. Gjennom den forrige prosessen konkluderer vi med at den digitale tvillingen for prediktiv vedlikehold kunne følge rammene foreslått i litteraturgjennomgangen. Basert på den valgte modellen, kunne den også gi dynamisk beslutningsstøtte under overvåkning i sanntid. For dette hypotetiske systemet har vi imidlertid ikke en standardevaluering av den digitale tvillingytelsen. Derfor sammenligner vi PHM-metoden og ytelsen med håp om at vårt arbeid gir viktig informasjon om egenskapene til disse tre metodene og at de kan være nyttige når systemet brukes i praksis. Denne oppgaven har som mål å redusere gapet mellom den digitale tvillingen implementert i prediktiv vedlikehold og samtidig demonstrerer arkitekturen foreslått innen RAMS feltene og datadrevne metoder. Ved anvendelsen av et slikt rammeverk kan den digitale tvillingen gi dynamisk vedlikeholdsstøtte og realisere den prediktive vedlikeholdsatferden