MatteoPerno,LarsHvam,AndersHaug.Amachinelearningdigitaltwinapproachforcriticalprocessparameterpredictioninacatalystmanufacturingline,
Amachinelearningdigitaltwinapproachforcriticalprocessparameterpredictioninacatalystmanufacturingline
MatteoPernoa,LarsHvama,AndersHaugb
aDepartmentofCivilandMechanicalEngineering,TechnicalUniversityofDenmark,KongensLyngby,Denmark
bDepartmentofEntrepreneurshipandRelationshipManagement,UniversityofSouthernDenmark,Odense,Denmark
Abstract
Keynote
Digitaltwin,Machinelearning,Industry4.0,Catalyst,Virtualreality,Processindustry
摘要
关键词
数字孪生,机器学习,工业4.0,催化剂,虚拟现实,过程工业
Fig.2.ML-basedDTdevelopmentframework.
Fig.5.DTsystemdevelopmentarchitecture.
研究背景
数字孪生体（DTs）的兴起：DTs作为工业4.0概念的一部分，包括物联网、云计算、大数据分析、虚拟现实（VR）、增强现实（AR）和机器学习（ML）等技术，正在改变制造业的运作方式。
研究目的：本文旨在开发一个基于机器学习技术的数字孪生框架，用于实时预测关键过程参数，并通过国际过程制造公司的案例研究进行测试。
研究方法
数据收集：通过与领域专家的会议和文档审查，收集生产过程知识和必要数据，包括传感器数据、质量控制数据、实验室测量、维护数据、管道和仪表图以及设备的计算机辅助设计（CAD）模型。
数据预处理：清洗数据集，包括数据清洗和特征工程，以准备用于训练机器学习模型的数据。
预测建模：选择机器学习框架，如sklearn的LinearRegression、PolynomialRegression、AdaBoostRegression、LightGBM、XGBoost和使用Keras的TensorFlow创建的深度神经网络（DNN），并使用这些框架训练和测试预测模型。
应用开发：开发数字孪生应用，用于个人电脑（PC）和虚拟现实（VR）设备，以可视化模型预测。
实验设计
案例研究：在一家国际过程制造公司的催化剂生产线上进行案例研究，使用所提出的框架收集和处理工厂数据，构建准确的预测模型，并开发数字孪生应用以可视化模型预测。
数字孪生准确性评估：通过R^2分数和平均绝对误差（MAE）等统计指标评估ML模型的性能。
数字孪生应用：开发的数字孪生模型目前在案例公司中用于持续监控关键过程参数，预测其未来趋势，并及时采取纠正措施以保持这些参数在目标范围内。
结果分析
数字孪生框架的有效性：案例研究证明了所提出的框架在构建过程生产线数字孪生和数字孪生平台以可视化模型预测方面的适用性和有效性。
模型准确性：所开发的预测模型在预测催化剂生产线上的两个关键过程参数方面表现出高准确性，与案例公司先前应用的模型相比，提供了更准确的预测。
数字孪生应用的实用性：数字孪生模型目前在案例公司中被广泛使用，以持续监控关键过程参数，预测其未来趋势，并及时采取纠正措施以优化生产过程。
研究结论
研究贡献：本文为过程工业中基于机器学习的数字孪生开发提供了一个框架，并通过案例研究证明了其有效性。
实践意义：过程工业的从业者可以应用该框架来构建数字孪生，以简化和优化生产过程。
●【意-中-美同时举行，2600余人参与】DigiTwin2024第四届数字孪生国际会议圆满落幕！
●西电李团结教授团队：基于数字孪生技术的网状天线实验样机
●阿联酋沙迦大学：锂电池储能系统数字孪生设计方法
●瑞典斯德哥尔摩大学：AI在数字孪生中的应用综述
●人工智能综述：物理学与人工智能的跨界新范式
●美国密歇根大学：用于预测性维护的数字孪生框架
●德国PROSTEPAG公司：数字孪生自动生成方法
●武汉科技大学夏绪辉教授团队：基于知识图谱的再制造设备资源建模方法
●东北大学孙杰教授团队：数字孪生在工业过程控制中的应用：以带钢热轧为例
●【先睹为快】李培根：AI应用对工程技术认知的启示
●米兰理工大学：土木工程结构的数字孪生体系框架
●Nature子刊：概率图模型使能的大规模预测性数字孪生
●密歇根大学：基于数字孪生和区块链的建筑项目可追溯信息共享
●弗吉尼亚理工大学：人体运动数据增强数字孪生-基于激光雷达的跟踪方法比较
●SiemensGamesa：协作机器人数字孪生：人机交互的案例研究
●本田研究所：基于数字孪生技术与弱监督学习的现实世界异常检测研究
●瑞典隆德大学：基于数字孪生的工业自动化与控制系统安全架构
●南航郭宇教授团队：基于数字孪生的离散制造车间生产进度预测研究
●英国卡迪夫大学刘滢教授团队：面向工业5.0的人机交互：以人为本的智能制造
●西南交大丁国富教授团队：数字孪生应用中物理模型与虚拟模型之间连接的建模与实现