| dc.description.abstract | Ved utviklingen av industri 4.0 begynner vedlikeholdsstrategien å bevege seg mot forutsigbart vedlikehold for å gi dynamisk støtte til vedlikeholdsingeniører. I mellomtiden gir digitaliseringen en grunnleggende erkjennelse av den fysiske eiendelen, noe som kan bidra til å forbedre systemytelsen og tilgjengeligheten gjennom digital simulering og optimalisering. Synkroniseringen av den fysiske eiendeler blir en trend i systemdiagnostikk og prognostikk. For å få tilstanden til fysiske eiendeler på forhånd, er begrepet den digitale tvillingen definert for å duplisere den fysiske atferden til digital form. I mellomtiden gir det cyber-fysisk systemet og Internet of Things en datastrøm i sanntid til den digitale tvillingen, noe som gir muligheten til å estimere systematferd dynamisk.
En digital tvilling gir en dynamisk systemtilstand i fremtiden mens prediktivt vedlikehold gir støtte basert på systemtilstand. Derfor er det viktig å integrere prediktivt vedlikehold i den digitale tvillingen. Imidlertid er prediktivt vedlikehold og digital tvilling et ganske gryende konsept, og i litteraturen finnes det ikke noe standardisert dokument eller praktiske tilfeller. Derfor gjennomførte vi en litteraturstudie for å få kravene til digital tvilling og forutsigbar vedlikehold. Innenfor kravene ble det foreslått en digital tvillingramme for prediktiv vedlikehold etter litteraturstudien
For å demonstrere den digitale tvillingrammeverket ble det foreslått et hypotetisk system der konseptet med systemet er basert på vedlikehold av vindparken. Dette systemet krever en dynamisk vedlikeholdsplan innen vedlikeholdsvinduet gjennom sanntid og historiske data. Dermed blir den digitale tvillingmodellen etablert og integrert av en kommunikasjonsprotokoll, PHM-modeller og en beslutningsmodell. I PHM-referansemodellen analyserer vi de historiske dataene og får hovedfunksjonene som trengs for å trekke ut helseindikatorer. Datasettet inneholder 21 forskjellige overvåkningssignaldata og tre driftsinnstillinger. Datasettet er formatert i tidsserier med ‘Cycle’ tidskala. I følge de historiske data kunne vi etablere en offline referansemodell. I denne oppgaven presenterer vi tre tilstander for kunstmetoder, nemlig nevralt nettverk, k-NN-regresjonsmodell og Geometrisk Brownsk bevegelsesmodell. (NB: I den geometriske browniske bevegelsesmodellen må vi sette terskelen for degraderingen, og de resultatene ses som svikt når helseindikatorene overskrider terskelen.) Da vil den offline modellen bli lastet opp til 'serveren' av Socket kommunikasjonsprotokoll. Når det gjelder prognosene, kan sanntidsdata strømmes fra 'klienten' til 'serveren' gjennom kommunikasjonsprotokollen. Fra online prognostikk vil vi kunne få estimert RUL i sanntid. Deretter vil RUL-ene overføres til beslutningsmodellen. Avgjørelsesmodellen i denne avhandlingen er basert på en diskret hendelsessimuleringsmodell for å gi dynamisk beslutningsstøtte basert på RUL, Cost per time unit and Reservedeler i varelageret.
Gjennom den forrige prosessen konkluderer vi med at den digitale tvillingen for prediktiv vedlikehold kunne følge rammene foreslått i litteraturgjennomgangen. Basert på den valgte modellen, kunne den også gi dynamisk beslutningsstøtte under overvåkning i sanntid. For dette hypotetiske systemet har vi imidlertid ikke en standardevaluering av den digitale tvillingytelsen. Derfor sammenligner vi PHM-metoden og ytelsen med håp om at vårt arbeid gir viktig informasjon om egenskapene til disse tre metodene og at de kan være nyttige når systemet brukes i praksis.
Denne oppgaven har som mål å redusere gapet mellom den digitale tvillingen implementert i prediktiv vedlikehold og samtidig demonstrerer arkitekturen foreslått innen RAMS feltene og datadrevne metoder. Ved anvendelsen av et slikt rammeverk kan den digitale tvillingen gi dynamisk vedlikeholdsstøtte og realisere den prediktive vedlikeholdsatferden. | |
| dc.description.abstract | With the development of industry 4.0, the maintenance strategy starts moving towards predictive maintenance to provide dynamic support to maintenance engineers. Meanwhile, the digitalization provides a fundamental cognition from the physical asset, which could help improve system performance and availability through digital simulation and optimization. The synchronization of the physical asset becomes a trend in the system diagnostics and prognostics. Therefore, to get the state of physical assets ahead of time, the concept of the digital twin is defined to duplicate the physical behavior into digital form. Meanwhile, the Cyber-physical system and Internet of Things provide a real-time data stream to the digital twin, which provides the ability to estimate system behavior dynamically.
A digital twin could provide a dynamic system state in the future, while predictive maintenance could provide support based on system state. Therefore, it is essential to integrate predictive maintenance in the digital twin. However, predictive maintenance and digital twin is a rather emerging concept, and there is no standardized document and practical cases in the literature. Hence, a literature review was conducted to get the requirements in digital twin and predictive maintenance. Within the requirements, a digital twin framework for predictive maintenance was proposed after the literature review.
In order to demonstrate the digital twin framework, a hypothetical system is proposed, where the concept of the system is based on wind farm maintenance. This system requires to get a dynamic maintenance schedule within the maintenance window through real-time and historical data. Thus, the digital twin model is established and integrated by a communication protocol, PHM models, and a decision model. In the PHM reference model, we analyze the historical data and get the main features to extract health indicators. The dataset contains 21 different monitoring signal data and three operational settings. The dataset is formatted in time series with the 'Cycle' time scale. According to historical data, we could establish an offline reference model. In this thesis, we present three states of art methods, neural network, k-NN regression model, and Geometric Brownian motion model. (Noted that: In the Geometric Brownian motion model, we need to set the threshold for the degradation, which we regard as the failure when health indicators exceed the threshold.) Then, the offline model would be uploaded to the 'Server' by the Socket communication protocol. When it comes to the prognostics, the real-time data could be streaming from the 'Client' to the 'Server' through the communication protocol. From the online prognostics, we could get the estimated RUL in real-time. Then, the RULs could be transferred to the decision model. The decision model in this thesis is based on a discrete event simulation model to provide dynamic decision support based on RUL, Cost per unit of time, and Spares in the inventory.
Through the previous process, we could conclude that the digital twin for predictive maintenance could follow the framework proposed in the literature review. Moreover, based on the model selected, the digital twin could provide dynamic decision support during real-time monitoring. However, for this hypothetical system, we do not have a standard evaluation of the digital twin performance. So, we compare the PHM method and the performance, which could provide vital information on the properties of these three methods and might be helpful when implemented in practice.
This thesis aims to bridge the gap in the digital twin implemented in predictive maintenance and demonstrate the architecture proposed within the fields of RAMS and data-driven methods. By applying such a framework, the digital twin could provide dynamic maintenance support and realize the predictive maintenance behavior. | |
