Overslaan en naar de inhoud gaan
Home > Projects > Model-based data analytics (MODA)

Model-based data analytics (MODA)

Uitdaging

Dit project richt zich tot machinebouwers die onderling verbonden machines voor de uitvoering van thermische en/of mechanische processen bouwen en besturen. Deze machines worden hierna aangeduid als cyber-fysieke systemen (CFS). CFS functioneren binnen een bepaalde operationele context (omgevingsomstandigheden, inputmateriaal, systeemconfiguratie en -status, enz.) en hun prestaties worden gemeten aan de hand van belangrijke prestatie-indicatoren (KPI’s) zoals energieverbruik, productkwaliteit en productie-efficiëntie en -beschikbaarheid.

Traditioneel worden deze KPI’s voor elke machine geoptimaliseerd met behulp van sturingsoplossingen, ontwikkeld op basis van vooropgestelde bedrijfssequenties en opgevolgd door bedrijfsprocedures zoals kwaliteits- of onderhoudscontroleprocedures.

Binnen de industriële doelgroep is er een duidelijke trend aanwezig om alle tijdens de werking van deze machines gegenereerde gegevens, zoals instellingen, procesmetingen, milieugegevens en productkwaliteitsgegevens, te verzamelen. Deze trend opent nieuwe mogelijkheden om de manier waarop CFS gestuurd en geoptimaliseerd worden te verbeteren. In de volgende paragraaf zullen we de sturings- en optimalisatievereisten in meer detail uitleggen.

Projectdoelstellingen

De belangrijkste doelstelling van dit project is de ontwikkeling van methodes, tools en richtlijnen (hierna gezamenlijk het “instrumentarium” genoemd) die het mogelijk maken om een digitale tweeling voor onderling verbonden machines voor de uitvoering van thermische en/of mechanische processen te bouwen.

Dit generieke instrumentarium moet minstens in staat zijn om:

  • Minstens 1010 gegevenspunten, inclusief scalaire procesmetingen, scalaire productmetingen, functionele productprestatiemetingen (bijv. treksterkte, vibraties), machine-instellingen, systeemconfiguraties en contextmetingen, te verwerken. Dit volume van gegevenspunten werd vastgelegd om de verwerking van al deze gegevens op één PC mogelijk te maken. Er dient verzekerd te worden dat het instrumentarium gemakkelijk geschaald of geporteerd kunnen worden naar andere platformen, waarop grote gegevensvolumes verwerkt kunnen worden. De ondernemingsspecifieke use cases zullen niet tot dit gegevensvolume beperkt zijn.
  • Modeltypes te creëren:
  1. Voor een digitale tweeling met drie hiërarchische niveaus, d.w.z. een systeem met subsystemen van subsystemen
  2. Voor een digitale tweeling van een thermo-mechanisch systeem met 1-dimensionale, onderling verbonden modellen van
    • elektromechanische fysica en elektromechanica
    • thermodynamische energiestromen
    • thermo-mechanische materiaalvervormingen
  3. die in staat zijn om verborgen context- en proces- en machinevariabelen en -parameters in de digitale tweelingen in te voeren
    • die voor de digitale tweeling minstens twee bedrijfsstatussen kunnen identificeren, zijnde een normale en abnormale werking
    • die van de ene naar een andere bedrijfscontext geëxtrapoleerd kunnen worden
    • die kunnen analyseren of de parameters al dan niet vervuld worden
  • Het besluitvormingsproces te ondersteunen op het vlak van:
  1. variatiebeheersing: door het definiëren van optimale instellingen voor het beheersen van de uitvoer voor minstens één KPI, met minimaal drie instellingen en rekening houdend met de impact van minstens twee contextvariabelen
  2. het beheersen van het risico op zeldzame gebeurtenissen: door het definiëren van optimale beslissingen voor gebeurtenissen met een waarschijnlijkheid van minder dan 10-4 per tijdsstap van gegevens.

Economische waarde

Het instrumentarium zal ondernemingen in staat stellen om digitale tweelingen te bouwen die aan alle in paragraaf 2.1 gestelde vereisten voldoen.

  • Deze digitale tweelingen zullen gebruikt kunnen worden om de variatiebeheersing zoals schematisch in afbeelding 2 voorgesteld uit te voeren. Ook zal men in combinatie met de digitale tweeling een optimalisatiealgoritme kunnen gebruiken om de optimale instellingen voor het optimaliseren van de KPI's van de CFS in een welbepaalde operationele context te bepalen.
  • De parameterinstellingen van deze digitale tweelingen zullen in functie van de bedrijfsomstandigheden gedefinieerd kunnen worden, wat zal toelaten om hen naar nieuwe situaties te extrapoleren. Dit zal de optimalisatie van de CFS bij wijzigingen in de bedrijfsomstandigheden bevorderen.
  • De digitale tweelingen zullen gebruikt kunnen worden om systemen op een objectieve wijze met elkaar te vergelijken omdat de modellen rekening zullen houden met de impact van de parameters van de bedrijfsomgeving, de machine-instellingen en de systeemconfiguratie. Bijgevolg zal het mogelijk zijn om de KPI’s van de verschillende systemen te ijken alvorens ze met elkaar te vergelijken.
  • Ze zullen ook gebruikt kunnen worden om de bron van afwijkingen, fouten en anomalieën te detecteren en te identificeren door het waargenomen gedrag met het verwachte gedrag te vergelijken en het in de tijd variërende gedrag te bepalen en te karakteriseren.
  • Ze zullen het mogelijk maken om te analyseren of belangrijke parameters al dan niet vervuld zijn en om te bepalen welke sensoren toegevoegd kunnen worden om ze te verbeteren.

Contact

Andrei Bartic - andrei.bartic@flandersmake.be

Projectpartners 

Looptijd: 
1/12/2017 tot 30/11/2019