2022 trend #5: Hybride modellen worden standaard

Tijdens het virtuele live-evenement Y NOW 2021 leerden deelnemers van toonaangevende, wereldwijde experts uit de industrie hoe ze digitale transformaties kunnen versnellen. En om zo flexibele autonome operaties te creëren die door de energietransitie kunnen navigeren en zich snel kunnen aanpassen aan marktverstoringen. Tijdens de door Yokogawa gesponsorde conferentie, onthulden sprekers vijf voorspellingen voor de nog niet zo verre toekomst van industriële procesautomatisering.

In 2022 zal de industrie een aanzienlijke sprong voorwaarts zien in de richting van autonome activiteiten en een grote transitie in de manier waarop bedrijven cybersecurity beheren. Ondertussen zullen drie technologieën een grote stap voorwaarts zetten van conceptuele stadia naar punten waar ze zichzelf bewijzen door resultaten te produceren. Onder hen zijn biologische processen, sommige koolstofnegatief, die veelbelovend zijn voor "Net Zero". Het afgelopen jaar zijn verschillende bedrijven gestart met testbeds voor de Open Process Automation Standard (O-PAS). Ze zullen zich bewijzen in 2022 of 2023. Terwijl technologieën zoals AI/ML en first-principles modellen voorheen concurreerden, hebben leveranciers geleerd hoe ze het beste van twee werelden kunnen maken. In 2022 zullen hybride modellen mainstream zijn.

Trend #5: Hybride modellen worden standaard

Energiebeheer is een belangrijke toepassing voor procesmodellen. Digitale tweelingen op basis van rigoureuze first-principles-modellen hebben zich bewezen bij het realiseren van energie-efficiëntie en emissiereducties. De complexiteit ervan heeft gebruikers er echter toe aangezet alternatieve methoden te overwegen, zoals kunstmatige intelligentie en machine learning (AI/ML). Hybride oplossingen, die het beste van de twee werelden combineren (op eerste principes gebaseerde digitale tweelingen en AI/ML) zijn recentelijk ontstaan.

Pedro Jose Lucas Guillen van Repsol beschreef een LEO-oplossing (Low Emissions Operation) voor een ruwe eenheid van een raffinaderij. Deze is gezamenlijk ontwikkeld door Repsol en KBC, een Yokogawa dochteronderneming en is gebaseerd op een combinatie van KBC Petro-SIM-modellen en algoritmen voor machine learning. LEO is ontworpen voor operaties om de eenheid op een optimaal energieverbruik te houden en tegelijkertijd het productieplan te halen, ongeacht processtoringen zoals veranderingen in de toevoer.

De architectuur combineert een digital twin met AI/ML

KBC heeft vastgesteld dat de introductie van digital twin- en AI/ML-technologieën in een digitaal energiebeheersysteem zorgt voor real-time nauwkeurigheid, dataconsistentie, informatiezichtbaarheid en de prestatieduurzaamheid op lange termijn die bedrijven nodig hebben om door de energietransitie te navigeren.

Real-time gegevens in combinatie met een enkele, asset-brede digital twin en eigen analysecapaciteiten maken automatische identificatie van kansen en uitsplitsing van prestatieverschillen mogelijk. Dat geldt voor complete nutsvoorzieningen en verwerkingsapparatuur.

Op deze manier kunnen verbeteringsgebieden real-time worden gemarkeerd en kunnen dagelijks lijsten met mogelijkheden voor energieverbetering van faciliteiten worden verstrekt aan closed-loop systemen en operators om veranderingen door te voeren. Bovendien kan de doeltreffendheid van geplande kapitaalprojecten worden gevolgd met nauwkeurige prognoses, zodat exploitanten sneller geïnformeerde beslissingen kunnen nemen over de toewijzing van kapitaal tijdens de hele implementatiecyclus.

De digital twin kan ervoor zorgen dat de energieopbrengst voor de hele operationele enveloppe op de juiste manier wordt afgewogen. Het kan een groot datavolume aan, bestaande uit procesvariabelen en een breed scala aan werkwijzen. Om relevant te zijn voor het bedrijf en een juiste prioritering mogelijk te maken, houdt de evaluatie ook rekening met de dynamische aard van de prijsstelling van de toevoer en de variabiliteit van de procesvereisten.

De digital twin verantwoordt deze veranderingen in real-time. Het verbindt real-time energie-optimalisatie met proces- / opbrengstomstandigheden, state-of-the-art thermodynamica, elektrochemische corrosie en schaalanalysevoorspelling en bewaking van de activaprestaties op afstand van pompen en turbines. Het combineren van deze analytische output in de visualisatie van de ingenieur maakt de volledige impact transparant. Het voorziet ook direct in de behoefte aan actie met de visualisatie van de operator. Op deze manier wordt convergentie in begrip en actie tussen belanghebbenden bereikt.

De digital twin houdt rekening met deze veranderingen. Het verbindt real-time energie-optimalisatie met proces-/opbrengstvoorwaarden, state-of-the-art thermodynamica, elektrochemische corrosie en schaalanalysevoorspelling, en bewaking van de assetprestaties op afstand van pompen en turbines. Door deze analytische output te combineren in de visualisatie voor de ingenieur wordt de volledige impact transparant. Het voorziet ook direct in de behoefte aan actie met de visualisatie van de operator. Op deze manier wordt inzicht in actie en begrip bereikt tussen belanghebbenden.

Hoewel machine learning (ML)-algoritmen niet nieuw zijn, zijn verbeterde rekenkracht en cloudopslag belangrijke katalysatoren waarmee dergelijke algoritmen volledig kunnen worden benut. Kunstmatige intelligentie (AI) met behulp van op correlatie gebaseerde analyses zal een sterke rol spelen bij het stimuleren van energiebeheer, omdat het relatief eenvoudig te gebruiken en snel uit te voeren is. Het spreekt vooral de IT-organisatie aan omdat het gebruik maakt van vertrouwde technologieën en geen diepgaande chemische, mechanische of elektrotechnische kennis vereist. Het heeft echter wel wat extra intelligentie nodig om tekortkomingen te overwinnen.

De digital twin kan het oefenterrein zijn voor een op correlatie gebaseerd AI-algoritme. First-principles-modellen kunnen operationele werelden verkennen die verder gaan dan het bedienen van vensters die de fabriek heeft ervaren en geldige lineaire modellen genereren voor de AI om te gebruiken in die voorheen niet-aangetroffen regio's. De combinatie van synthetische gegevens en fabrieksdata om machine learning-algoritmen continu te trainen, maakt het mogelijk om real-time oplossingen rechtstreeks aan te bevelen aan operators en ingenieurs op het moment van de grootste impact.

Voor meer informatie over het versnellen van uw autonome activiteiten, klik hier om alle 52 on-demand opnames van Y NOW 2021 te bekijken.