数字孪生 ： 工厂优化的下一个前沿

Operations 数字孪生：工厂优化的下一个前沿 数字孪生正在彻底改变工厂内部的决策方式，具有前瞻性的制造商正在走在技术曲线上，以提高效率。 肖恩·卡玛雷拉、迈克尔·P·康威、凯文·戈林和马克·亨廷顿 ©GettyImages 2024年1月 全球制造商面临巨大压力在资源有限的环境中，人才缺口和供应链短缺是常态，数字孪生正在成为快速扩展能力、提高弹性和推动更高效运营的领跑者技术。 在快节奏，连续的运营中，工厂数字孪生-工厂的实时虚拟表示-为制造商提供支持更快，更智能，更具成本效益的决策的能力，它们可以加深制造商对复杂物理系统的理解 和生产操作，优化生产调度，或模拟“假设”场景，以了解新产品推出的影响，例如 该技术正在以闪电般的速度发展，麦肯锡最近对高级管理人员的调查显示，现在大多数人都可以看到数字双胞胎在其生产中的实际应用 运营。部署数字孪生不再仅是行业领导者的选择。“ 未来工厂”就在这里，并在今天释放价值。 工厂数字双胞胎是领导者的首选 根据麦肯锡2022年对工业界高管的调查，有两个紧迫 的问题让制造业领导者夜不能眠：成本上升和人才缺口造成的材料和劳动力限制，以及通过更好的需求预测、库存流程、制造灵活性和工厂车间实时可见性来提高生产可见性的需求。 调查发现，工厂数字孪生正在成为解决这些问题的热门技术。在各个行业中，有86％的受访者表示数字孪生适用于他们的组织。约44％的人表示他们已经实施了数字孪生，而15％的人计划部署数字孪生（图表1）。 什么是“数字孪生”？ 数字孪生是物理世界的实时虚拟渲染，可以为单个产品，工厂中的资产，整个工厂以及整个供应链的端到端开发数字孪生。 尽管这些双胞胎中的每一个都回答了不同的特定问题，但它们通常都加深了对复杂物理系统的理解并改善了决策。 产品孪生:单个产品的完整数字表示详细捕获了竣工条件，有助于解决质量缺陷、保修分析和产品改进的根本原因问题。 资产孪生:通过可编程逻辑控制器(PLC)、传感器和物联网(IoT)设备提供工厂资产的实时表示，这些孪生实现了预测性维护、产量、能源和吞吐量优化。 工厂双胞胎:使用来自资产，制造执行系统（MES），ERP和人机界面（HMI）的数据馈送以数字方式捕获完整的工厂生产线，从而实现动态，自动化的生产计划和假设情景分析。 端到端孪生:最广泛的双胞胎，涵盖了供应链的大部分，从供应商到生产和分销中心，这些双胞胎释放了先进的规划效益。 12022年6月对75位高层领导进行了调查。 附件1 大多数接受调查的高管认为数字孪生适用于他们的运营。 数字孪生对生产运营的适用性 %调查受访者 数字孪生产品的成熟度，² %调查受访者 适用86 有限适用性14 已实施44计划实施15尚未实 施41 1问：数字孪生对您的生产运营有多适用？ 2问：您的数字孪生产品有多成熟？ 资料来源：麦肯锡对工业公司75位高管进行的调查，2022年6月。 工厂数字孪生如何工作 工厂数字孪生提供工厂车间的全面模型。它们模拟来自实 时工厂条件的结果，实现跨生产场景的“What-if”分析，例如流程或布局更改。在最先进的状态下，它们可以集成到实时决策中，例如生产计划-通过手动检查和干预或通过完全自动化。 数字孪生用例因工厂的运营环境而异。在初始投资期间andbuildofagreenfieldfactory,forexample,adigitaltwincanvalidatelayoutdesign,optimizingthefootprint,andestimateinventorysize.Dependingonthelevelofdetailofthetwin,theycaneven 评估资产的空间参数-例如，间隙，人体工程学和单元格内的员工移动。 在更成熟的运营中，工厂数字孪生可以预测电子表格中传统建模不足的生产瓶颈。很难预测的随机过程、库存缓冲、材料旅行时间和转换都可以使用实时数据进行高保真度建模。 来自孪生的见解也可以应用于不同类型的决策时间场景 ，从较慢的决策，例如线路平衡和持续改进机会的优先级，到 实时决策，如优化生产计划。 在工厂环境中提供价值 工厂数字孪生正在各种行业和用例中释放价值。最近 ，为工业界玩家开发和部署的工厂数字孪生被用来重新设计生产计划，压缩加班时间 装配厂的要求，每月节省5%至7%的成本。 通过准确模拟生产线上的实时瓶颈，数字孪生还 在制造过程中发现隐藏的障碍。该模型集成到现有的制造执行系统（MES）平台，物联网（IoT）设备和库存数据库中，以确定不同产品线的最佳顺序，以最大程度地减少停机时间。这是在客户的参数范围内实现的 交付要求以及仓库存储和生产线容量的物理限制。 同样，为金属制造厂开发的工厂数字孪生有助于确定理想的批次大小和生产顺序，以优化四条平行生产线上数千种潜在产品组合的调度。 为了处理这种复杂程度，对基于AI的代理进行了训练，以通过强化学习（RL）使用数字孪生构建最佳订单序列 。与手动调度相比，RL算法显着降低成本和产量稳定性 。 构建模块化、可扩展的数字孪生 数字孪生通过将多个数据源集成在一起，并沿通用数据路 径（“技术堆栈”）排列技术馈送来分析数据并可视化性能。为了获得最佳结果，技术堆栈应该是模块化的，可扩展的，并提供单一的事实来源（图表2）。 虽然许多制造商倾向于选择根据定制规格设计的本地构建的数字孪生，但有多种“入门包”可以纳入数字孪生设计 ，支持互连数据，提供可行的用户界面，或充当不同生产输入的优化器。 通常，模块化技术堆栈是使用明确分段和标准化的构建块组件设计的。可扩展堆栈具有标准数据集成，应用程序接口（API）和模板，以确保可以以最小的努力添加模块化组件。 创建单一的真实来源，如统一名称空间(UNS)架构，可确保数据被正确分类、结构化和访问，从而始终如一地形成见解。 Sourcing,storage,andprocessingdata:Datasitsatthebaseofthetechstack,comprisingproductiondatasourcedfromPLCandMESplatformstoindicatethestatusofthelineandmostrecentcycletimesbyasset.Inventorydatashowsraw-material 附件2 理想的数字孪生技术堆栈是模块化的，可扩展的，并提供了一个单一的事实来源。 核心构建块的说明性技术堆栈 整体设备效率(OEE)优化 动态调度 绩效管理仪表板 算法/优化软件 标准“语言”可在制造现场进行扩展 存储桶 提取、转换和加载 (ETL) 批处理 历史数据 流光 实时数据 字段级别控制和监督 （例如，机器感官，可 编程控制器） ManufacturingOperations 管理（如 MES²） 业务规划 (例如，企业资源规划) 1可编程逻辑控制器。 2制造执行系统。 3信息技术/操作技术。 Description 数据消耗-示例用例 数字仿真通用数据模型 数据存储和处理数据摄取 数据源(IT/OT9.3) 可用性、当前正在进行的工作和成品，而需求数据则直接从客户或通过ERP获取。 系统数据清理对于确保以可重复和预期的方式进行建模至关重要。数据通常被清理、结构化和编译为中间数据表，以供仿真工具使用。 创建标准语言：数据服务集成软件可将来自不同流的数据整合到通用数据路径中，以进行处理和分割。这允许数据被操纵和组织成用于集成的有用和分类的“语言”。创建一个集成不同数据源的通用数据模型，可以实现运营洞察的逐步更改。一种体系结构方法，即UNS，以清晰易懂的方式对所有业务数据应用通用的命名约定。 这大大降低了扩展用例的复杂性。 在仿真软件中分层：模拟工厂车间的最准确方法是使用离散事件仿真软件或本地构建的代码。这将生成工厂的虚拟渲染，以运行数千个模拟生产序列，从而识别瓶颈和生产约束。 优化：在数字仿真之上的分层优化器软件使数字孪生能够运行数百万的假设生产 序列和隔离最大化生产时间的最优序列。尽管优化方法已经存在了几十年，但最近的进步，如遗传算法， 基于贝叶斯的“选项化”、主动学习和深度强化学习正在改变游戏规则 创建优化工厂的新方法。例如，结合机器学习(ML)算法允许序列响应历史模式和实时变化，以创建可重复的业务规则系统，该系统可以逐步改变生产输出。将这些ML和优化方法与模拟副本相结合 并利用最新的高性能计算使公司能够实时推动新的性能水平 。 最近对工厂数字孪生的部署说明了这些元素如何转化为现实世界的价值。工厂领导将多个不同的数据源连接到一个通用的运营图片中，在虚拟环境中复制生产线。这使团队能够监控每个单元在生产过程的每个步骤中花费的时间-测量处理步骤“饥饿”（闲置等待接收下一个单元）或“阻塞”（等待工作完成后将单元推进到下一个生产步骤）的时间。 将这些放在一起，该团队能够识别出不同的序列，这些序列可以减少整体处理时间，特别是通过最大限度地减少关键瓶颈站的阻塞和饥饿时间。通过利用基本的优化器解决方案来识别和开发可重复的排序规则，优化瓶颈站的生产顺序，团队将总处理时间减少了约4%。 如何开始 虽然大多数受访的制造业高管现在看到了数字孪生的应 用，但实施数字孪生的愿望并不总是意味着制造商已经准备好这样做。高管经常强调几个具体的挑战，包括对数字孪生的全部功能的认识有限；零散和神秘的数据景观 这阻碍了高影响力、可扩展的解决方案；以及缺乏能够构建和部署数字孪生解决方案的内部人才。 克服这些障碍，首先要采用基于持续测试、验证和改进算法逻辑的迭代、敏捷工作方式。这种方法有助于在部署之前提高数字孪生的准确性，从而提高长期采用的几率。 可能需要外部支持来填补人才缺口。为了设计和构建数字孪生，一家大型制造商与一个由工业或制造工程师 、运营经理、数据工程师或科学家以及IT架构师组成的跨职能产品团队合作，以连接数据源、试用最小可行产品并构建可扩展的解决方案。 数字孪生发展的第一步是快速建立概念证明，以证明孪生的可行性并完善影响估计。接下来，该团队针对更高的保真度，最小可行的产品模拟，充分识别数据馈送并设计未来状态架构。在这一点上，通过强调流程变更机会，例如优化人员配置，了解影响，已经有可能获得一些价值。 线上的产品组合，并识别不同条件下的瓶颈。 然后，将仿真连接到实时数据馈送并嵌入到操作中，从沙箱过渡到生产环境。最后，添加优化器平台，使用ML算法实时识别最佳调度模式或活动。 这种类型的开发旅程可以跨越两到三个月或需要一年以上的时间，这取决于产品团队的经验和能力以及工厂的复杂性。 在整个工厂中扩展时，从数字孪生中释放全部潜力可能具有革命性 网络。考虑到许多工业企业拥有复杂且垂直集成的生产系统，组件制造，组装和分布发生在许多不同的节点上。如果每个节点都有自己的数字孪生，则端到端网络可以针对极其复杂的计划问题和容量分析进行优化。 随着虚拟模型与生成AI技术紧密集成，工厂数字孪生可能会在未来几年继续发展。高功能的AI语言模型可以与工厂领导层更无缝地交互并提出建议是可行的 实时提醒操作员和管理人员潜在的改进或解决方法 意外中断和估计的恢复时间表随着这些模型和AI代理变得更加复杂和集成，它们可能会开始在上游进行交互 ，以了解供应链以及下游需求模式变化或客户行为转变的潜在中断。 这项技术今天提供的可能性-并将在未来提供-正在改变游戏 对于制造商如何做出决策和提高效率。在一个快速决策可以释放竞争优势或帮助制造商适应颠覆和经济逆风的世界里，数字双胞胎将从 一个不错的技术，成为各种制造商的必备工具，最终可能需要在完全虚拟化的供应链中进行交互。 肖恩·卡玛雷拉是麦肯锡丹佛办事处的合伙人；迈克尔·P·康威是纽约办事处的合伙人；凯文·戈林是旧金山办公室的合伙人马克·亨廷顿是芝加哥办事处的合伙人