论文推荐 | 丹麦技术大学：机器学习和数字孪生在产线参数预测中的应用

A machine learning digital twin approach for critical process parameter prediction in a catalyst manufacturing line

Matteo Perno ^a, Lars Hvam ^a, Anders Haug ^b

a Department of Civil and Mechanical Engineering, Technical University of Denmark, Kongens Lyngby, Denmark

b Department of Entrepreneurship and Relationship Management, University of Southern Denmark, Odense, Denmark

Abstract

Digital twins (DTs) are rapidly changing how manufacturing companies leverage the large volumes of data they generate daily to gain a competitive advantage and optimize their supply chains. When coupled with recent developments in machine learning (ML), DTs have the potential to generate invaluable insights for process manufacturing companies to help them optimize their manufacturing processes. However, this potential has yet to be fully exploited due to the challenges that process manufacturing companies face in developing and implementing DTs in their organizations. Although DTs are receiving increasing attention in both industry and academia, there is limited literature on how to apply them in the process industry. To address this gap, this paper presents a framework for developing ML-based DTs to predict critical process parameters in real time. The proposed framework is tested through a case study at an international process manufacturing company in which it was used to collect and process plant data, build accurate predictive models for two critical process parameters, and develop a DT application to visualize the models’ predictions. The case study demonstrated the usefulness of the proposed DT–ML framework in the sense that it provided the company with more accurate predictions than the models it previously applied. The study provides insights into the value of applying ML-based DT in the process industry and sheds light on some of the challenges associated with the application of this technology.

Keynote

Digital twin, Machine learning, Industry 4.0, Catalyst, Virtual reality, Process industry

摘要

数字孪生（DTs）正迅速改变着制造型企业利用每日产生的大量数据的方式，以获取竞争优势并优化其供应链。当与机器学习（ML）的最新发展相结合时，数字孪生有潜力为流程制造企业提供宝贵的见解，从而帮助其优化制造流程。然而，由于流程制造企业在开发和实施数字孪生方面面临诸多挑战，这一潜力尚未得到充分发挥。尽管数字孪生在工业界和学术界都日益受到关注，但关于如何在流程工业中应用数字孪生的文献却寥寥无几。为了弥补这一空白，本文提出了一个基于机器学习的数字孪生框架，用于实时预测关键工艺参数。该框架通过一家国际流程制造企业的案例研究进行了测试，在该案例中，它被用于收集和处理工厂数据、为两个关键工艺参数构建准确的预测模型，并开发了一个数字孪生应用程序来可视化模型的预测结果。案例研究表明，所提出的数字孪生-机器学习框架具有实用性，因为它为该企业提供了比其先前应用的模型更准确的预测。本研究揭示了基于机器学习的数字孪生在流程工业中的应用价值，并阐明了应用这项技术所面临的一些挑战。

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-based DT development framework.

Fig. 5. DT system development architecture.

研究背景

1. 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。

2. 数字孪生在过程工业中的应用挑战： 尽管数字孪生在工业界和学术界受到越来越多的关注，但关于如何在过程工业中应用的文献有限，特别是结合机器学习技术的应用。

3. 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

1. 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。

2. 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。

3. 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。

4. 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

1. 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。

2. 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。

3. 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

1. 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。

2. 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。

3. 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

1. 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。

2. 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。

3. 未来研究方向： 未来的研究应关注数据获取的挑战，以及评估获取数据的准确性和完整性，并考虑将框架应用于其他生产过程和公司。

关注公众号，后台回复“论文80”即可下载原文