Ansys和亚马逊网络服务如何利用数字孪生推动更大的工业自治

数字孪生可以通过改进工程设计和提供预测建模来支持工业运营，从而提供巨大的价值。然而，大规模创建和部署数字孪生需要跨多个组织筒仓和边界进行协调。例如，许多关于资产的工程技术诀窍在产品或工程部门中是可用的，通常在模拟模型中编码。通过强强联合，Ansys和亚马逊网络服务(AWS)正在帮助企业跨越这些孤岛，提供可扩展的数字孪生解决方案。

亚马逊网络服务(AWS)自主计算主管亚当•拉希德表示:“世界正朝着自主运营的方向发展，尤其是在工业自主用例中，我们认为数字孪生是一种使能技术。”“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。引入预测建模数字双胞胎可以让您在不同的潜在情况下对未来做出预测。”

Ansys和AWS正在合作推动基于仿真的数字孪生解决方案，为我们的客户提供工业自治支持。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在役物理资产相关的所有数据。在这个上下文中，我们将解释什么是数字孪生，以及如何实现Ansys Twin Builder，AWS IoT TwinMaker先进的概率方法可以为客户实现行业自治。

升级为数字双胞胎

一般的理解数字孪生的定义它是现实世界实体和过程的虚拟表示，以指定的频率和保真度同步。在探索他们试图解决的挑战的背景之前，客户通常倾向于为他们独特的用例创建数字孪生的想法。在相关博客中， AWS提出了四个不同的数字孪生级别(L1-L4)来考虑。

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

出于本博客的目的，我们将重点关注以下定义的第3级和第4级:

• L3集中对物理系统的行为进行建模，其中行为与过去相同(例如，虚拟传感器，异常检测或短期展望)。预测模型可以是基于机器学习的，也可以是基于第一原理的(例如，物理模拟)，或者是混合的。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主要关注物理系统固有行为随时间变化的建模行为。当物理系统降级或接受维护和升级时，可能会发生行为变化，并且在长时间尺度上进行准确预测时，这些变化是相关的。这通常需要在基于机器学习、基于第一原理或混合模型之上应用概率更新和不确定性量化方法。

对于数字孪生，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，预测很好地代表了过去的行为(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。然后利用更新后的模型进行前向预测。这样，L4模型就一直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，使工程师能够通过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是在一个集成的多领域模拟中形成的，反映了该资产的生活和现实世界经验。安装在实体上的传感器收集并将数据传递给模拟模型(数字孪生)，以反映该产品的真实体验。基于仿真的数字孪生可以跟踪资产过去的行为，提供对当前的更深入的见解，并可以帮助预测资产的未来行为-促进发现，从而为客户提供系统设计优化，预测性维护和工业资产管理。Ansys的仿真软件Twin Builder提供了构建可预测(L3)和可活(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、更轻松地创建和使用数字孪生，以优化工业运营、增加产量和提高设备性能。目前的服务重点是3D上下文可视化(L2)用例，其中涉及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具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，即跨孤岛摄取和查询不同的数据，使资产数据模型在其生命周期内易于维护，并创建有效的可视化(可以是2D仪表板或3D沉浸式体验)。通过将AWS IoT TwinMaker与Ansys Twin Builder的模拟数字孪生连接起来，客户能够构建和部署整体L3和L4数字孪生解决方案。

Ansys数字孪生高级总监Sameer Kher表示:“AWS专注于通过AWS IoT TwinMaker为数字孪生提供可扩展服务，这对客户来说是个好消息。随着客户构建和扩展复杂的数字孪生，通过Ansys Twin Builder利用Ansys一流的仿真软件并使用AWS IoT TwinMaker服务进行部署的能力将变得至关重要。”

解锁模拟投资以增强运营

AWS IoT TwinMaker提供了从各种端点连接数据的能力，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，壳管式热交换器(如下所示)通常用于炼油厂和化学加工工业中的加热和冷却应用。虽然相当坚固，但主要的失效模式往往是由热机械疲劳引起的。虽然在热交换器的每个位置感知温度可以帮助识别热点并防止故障，但由于成本的原因，使用物理传感器来做到这一点是不可行的。如本例所示，热交换器的L3数字孪生提供了一种解决方案。使用虚拟传感器可以对温度场进行细粒度的表示。然后可以使用这种表示来识别操作期间的热点。然后可以采取适当的措施来确保不发生故障。

如下面的架构图所示，将Ansys Twin Builder添加到混合中还可以轻松重用在工程设计过程中创建的现有仿真模型，并将其应用于操作上下文中。其目标是通过使其可用于操作，最大限度地提高工程设计期间创建的模拟的投资。例如，使用降阶模型(ROMs)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软件/指令，而程序正在为基于容器的部署运行。通过api，部署可以轻松地适应AWS IoT TwinMaker，这使得客户可以将其设计工程环境中的模拟应用到运营环境中，包括AWS IoT TwinMaker中可见的前端仪表板，Ansys仿真作为预测建模引擎在后台运行。

这只是AWS和Ansys围绕数字孪生展开合作的一个方面。在我们的下一篇博客中，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，计算预测值与实际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。

有兴趣释放Ansys Twin Builder简化操作的潜力吗?报名免费试用模拟软件。