理论教育 物理模型与数据模型结合:产生增值效果

物理模型与数据模型结合:产生增值效果

时间:2023-06-09 理论教育 版权反馈
【摘要】:GRC的帕里斯说:“传感器数据的补全,可以用来查明工业机械发生故障的原因。”另外,亚马逊和谷歌的消费者偏好的预测模型和GE的数字孪生模型最大的区别在于,亚马逊和谷歌的模型仅在数据模型上成立。GE之所以采用物理模型和数据模型并用的方法,是因为在工业机械领域,仅仅依靠数据模型是不能预测故障的。GE通过大量的预测模型,最大限度降低误差发生的可能性。

物理模型与数据模型结合:产生增值效果

工业机械的老化,可以通过并用数字孪生的物理模型和数据模型来预测。基于CAD数据的物理模型,可以基本上再现工业机械制造时的状态。一旦工业机械在实际中投入运行,依据现场的环境的不同,会产生不同的老化情况。通过使用数据模型,也可以再现物理模型不同年份的变化。

笔者继续引用上文的飞机发动机的例子进行说明。首先,根据在粉尘多的天空中飞行的发动机的老化情况创建模型。待飞行过后,将实际的粉尘数据输入模型中,这样就可以把发动机的老化情况反映到物理数据中。

数据模型和物理模型并用,还有其他的好处。使用物理模型进行故障预测模拟时,需要使用工业机械运行中的传感器数据。但是由于现场环境的不同,可能会发生传感器不能正确收集数据、传感器数据不能通过网络进行汇集等情况。在传感器数据不全的情况下,使用数据模型,可以进行补全和修正。GRC的帕里斯说:“传感器数据的补全,可以用来查明工业机械发生故障的原因。”

另外,亚马逊谷歌的消费者偏好的预测模型和GE的数字孪生模型最大的区别在于,亚马逊和谷歌的模型仅在数据模型上成立。GE之所以采用物理模型和数据模型并用的方法,是因为在工业机械领域,仅仅依靠数据模型是不能预测故障的。

对此,GRC的帕里斯解释说:“谷歌一天会推送数千万条数字广告,亚马逊一年销售数十亿件以上的商品。谷歌和亚马逊拥有海量的消费者行为数据,用数据模型就能很好地正确预测消费者行为。但是,GE的喷气式飞机发动机,即便是一年飞行100万次,也仅发生28次故障。故障的发生频度非常低。所以是不能仅用数据模型来分析故障发生的机理。同时,也必须要采用物理模型的模拟。”(www.daowen.com)

GE与亚马逊和谷歌在手法上还有其他的不同。GE数字的CTO哈雷尔·柯戴什(Harel Kodesh)强调说:“飞机发动机修理一次就要花费20万~30万美元。如果故障预测错误,发生了无效的修理,就会造成巨额损失。故此,GE必须要提供远远高于亚马逊推荐书籍和音像制品精度的预测。”

因此,GE在实际的数字孪生中不断变换机器学习的算法,一台工业机械对应近1000种预测模型。GE通过大量的预测模型,最大限度降低误差发生的可能性。

数字孪生除了预测故障之外,还有别的用途。它可以用于提高工业机械的生产效率。比如,从事风力发电涡轮的业务部门GE可再生能源可以使用数字孪生实现风力发电站发电量的最大化。首先,GE从风力发电的叶片和涡轮的CAD数据上制作各个风电设备的物理模型。同时,用机器学习得到风力发电站周边实际的风向数据,制作周边环境的数据模型。然后将数据模型预测的风向数据输入到物理模型中,计算机模拟出叶片朝向哪个方向可以实现发电量的最大化。通过监测实际环境中的风向,按照计算机模型结果转动叶片,可以实现发电量的提高。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈