Ansys和Amazon Web Services如何使用数字双胞胎推动更大的工业自主权

数字双胞胎可以通过改进工程设计和提供预测建模来支持工业运营，从而带来巨大的价值。然而，大规模创建和部署数字双胞胎需要跨多个组织竖井和边界进行协调。例如，很多关于资产的工程知识在产品或工程部门中是可用的，通常在仿真模型中编码。通过联合力量，Ansys和Amazon Web Services (AWS)正在帮助组织跨越这些竖井，提供可扩展的数字孪生解决方案。

亚马逊网络服务(AWS)的自主计算主管亚当•拉希德(Adam Rasheed)表示:“世界正越来越多地转向自主运营，特别是在工业自主用例中，我们将数字双胞胎视为一种使能技术。”“你需要能够理解系统在不同场景下的行为，以支持自主决策。引入预测建模数字孪生模型，您可以在不同的潜在场景下对未来进行预测。”

Ansys和AWS正在合作推动基于模拟的数字孪生解决方案，为我们的客户提供工业自动化支持。这个想法超越了纯粹的3D上下文可视化，这是一个起点，使您能够在特定环境中可视化与您的在职物理资产相关的所有数据。在这个背景下，我们将解释什么是数字双胞胎，以及如何Ansys Twin Builder，AWS IoT TwinMaker，先进的概率方法可以为客户提供行业自主权。

升级到数字双胞胎

一般理解的数字双胞胎的定义它是现实世界实体和流程的虚拟表示，以指定的频率和保真度同步。客户通常倾向于在探索他们试图解决的挑战的背景之前，为他们独特的用例创建一个数字双胞胎的想法。在相关博客中， AWS提出了四个不同的数字双胞胎级别(L1-L4)来考虑。

这与我们在Ansys看到的客户之旅是一致的——1级和2级代表工程建模和数据连接方面的构建模块，3级和4级代表Ansys和AWS都可以提供的更多高级预测建模分析和见解。

在这篇博客中，我们将重点讨论第3级和第4级的定义:

• L3集中对物理系统的行为建模，其中行为与过去相同(例如，虚拟传感器，异常检测或短期视野展望)。预测模型可以是基于机器学习的，基于第一原理的(例如，物理模拟)，或者混合。在这种情况下，我们指的是物理和ML混合数字双胞胎，例如那些可以由Ansys Twin Builder生成的数字双胞胎。
• L4关注物理系统固有行为随时间变化的行为建模。当物理系统降级或接受维护和升级时，可能会发生行为的变化，当在长时间内进行准确预测时，这些变化是相关的。这通常需要在基于机器学习、基于第一性原理或混合模型的基础上应用概率更新和不确定性量化方法。

对于数字双胞胎，L3和L4之间的区别在于如何使用来自现实世界系统的操作数据。对于L3，操作数据被用作预训练的L3模型的输入，该模型提供响应输出。隐含的假设是预测被过去的行为很好地表示(例如，用于训练模型的历史数据)。对于L4，使用概率(贝叶斯)校准技术使用操作数据来更新模型本身。然后使用更新后的模型进行正向预测。通过这种方式，L4模型总是在学习并反映物理系统的最新行为。

Ansys Twin Builder/AWS IoT TwinMaker价值主张

Ansys Twin Builder是一个开放的解决方案，使工程师能够使用混合分析创建基于物理的数字双胞胎。这些数字双胞胎中的每一个都在一个集成的多领域模拟中成型，反映了该资产的生活和现实世界的体验。安装在实体上的传感器收集并将数据传递给仿真模型(数字双胞胎)，以反映该产品的真实体验。基于模拟的数字双胞胎能够跟踪资产的过去行为，提供对当前行为的更深入的洞察，并有助于预测资产的未来行为——促进发现，从而为客户实现系统设计优化、预测性维护和工业资产管理。Ansys的仿真软件Twin Builder提供了构建预测(L3)和实时(L4)数字双胞胎所需的仿真技术。

AWS IoT TwinMaker是AWS在工业物联网(IoT)领域的一项服务，它使开发人员能够更快、更容易地创建和使用数字双胞胎来优化工业操作、提高产量和提高设备性能。目前的服务主要集中在3D上下文可视化(L2)用例，其中包括从物理系统中摄取物联网数据，并将该数据覆盖在该系统的3D虚拟表示上，以便用户可以对物理系统的状态有完整的上下文感知。该服务还专注于三个主要的客户痛点，即跨竖井吸收和查询不同的数据，使其易于在其生命周期内维护资产数据模型，并创建有效的可视化(可能是2D仪表板或3D沉浸式体验)。通过将AWS IoT TwinMaker与Ansys Twin Builder的模拟数字双胞胎连接起来，客户能够构建和部署整体的L3和L4数字双胞胎解决方案。

“AWS专注于通过AWS IoT TwinMaker为数字双胞胎提供可扩展的服务，这对客户来说是个好消息，”Ansys数字双胞胎高级总监Sameer Kher说。“随着客户构建和扩展复杂的数字孪生模型，通过Ansys Twin Builder利用Ansys一流的模拟软件并使用AWS物联网TwinMaker服务进行部署的能力将变得极其关键。”

解锁模拟投资以增强运营

AWS IoT TwinMaker提供了连接各种端点数据的能力，包括来自物理资产和仿真模型的传感器数据。这就是Ansys Twin Builder适合的地方。在许多实际用例中，物理资产可能没有正确的传感器，或者有时甚至在物理上不可能使用传感器。

例如，管壳式热交换器(如下图所示)通常用于炼油厂和化学加工行业的加热和冷却应用。虽然相当坚固，但主要失效模式往往是由热机械疲劳引起的。虽然热交换器上每个位置的温度传感器可以帮助识别热点并防止故障，但由于成本原因，使用物理传感器来实现这一点是不可实现的。如本例所示，热交换器的L3数字双胞胎提供了一种解决方案。使用虚拟传感器可以实现温度场的细粒度表示。然后，这种表示可以用于在操作过程中识别热点。然后可以采取适当的措施以确保不发生故障。

如下图所示，将Ansys Twin Builder添加到组合中还可以轻松重用工程设计过程中创建的现有仿真模型，并将其应用到操作上下文中。其目标是通过将模拟应用于实际操作，最大限度地提高工程设计过程中对模拟的投资。例如，使用降阶模型(rom)和系统模拟，工程师可以构建物理资产的精确表示，然后将其转换为运行时或基于容器部署的程序运行时执行的软件/指令。该部署通过api轻松地适应AWS IoT TwinMaker，允许客户将其设计工程环境中的模拟应用到运营环境中，包括在AWS IoT TwinMaker中可见的前端仪表板，并将Ansys模拟作为幕后的预测建模引擎运行。

这只是AWS/Ansys围绕数字双胞胎合作的一个方面。在下一篇博客中，我们将探讨Ansys Twin Builder和AWS IoT TwinMaker如何利用AWS -do-pm开源框架，使客户能够大规模部署预测仿真模型。该框架提供了内置技术，使用贝叶斯估计方法校准模型参数，计算预测值与真实数据观测值之间的误差，并相应地更新L4数字双胞胎的模型参数。

有兴趣解锁Ansys Twin Builder的潜力，以简化操作?报名免费试用的模拟软件。