数字孪生是物理系统的虚拟复制品，可用于实时模拟和预测其行为。在制造业中，Digital Twins可以通过提供设备和流程的数字模型来帮助监控和优化能源消耗。通过使用传感器和其他来源的数据，数字孪生可以模拟机器、生产线或整个工厂的行为（如果需要）。这使制造商能够发现包括节能在内的改进机会，并优化其工艺以减少消耗。

数字孪生在能源消耗方面最有希望应用的趋势之一是使用AI/ML算法进行优化。这些算法可以分析来自传感器、设备和其他来源的大量数据，以识别模式并优化能源使用。虽然数字孪生可以成为管理能源消耗的强大工具，但也有一些例子效果不佳。其中一个原因是使用了低质量的数据，这可能导致不准确的模拟和预测。另一个原因是对开发过程中收集的数据缺乏实际理解，这可能导致数字孪生不能反映系统的实际行为。

开发用于能源消耗的数字孪生包括几个步骤。第一步是确定要监控和优化的设备或过程。这可以通过分析能源消耗数据和识别高能源使用区域来实现。下一步是创建设备或过程的数字模型，包括从传感器和其他来源收集数据，并创建系统的数字复制品。

一旦创建了数字孪生，它就可以用来模拟和预测系统的行为，并确定节能的机会。这包括运行模拟和分析数据，以识别模式并优化系统以提高能源效率。但是，我们如何迈出第一步，确保使用真正影响系统性能的高质量数据，而不是产生一些无关紧要的数字噪声？

因此，研究人员总结了一下应该考虑的问题：

l  如何识别能源滥用的潜在领域？如何发现瓶颈和效率低下？

l  如何分析数据以及应该使用什么方法来实现数据自动化？

问题识别

数字孪生的开发需要对系统的每一个细节都经过深思熟虑的思考。在开始创建整个生产线或设施的副本之前，需要专注于一些基础知识，以模拟它们在整个过程中的作用。

电机、轴承、执行器和齿轮箱几乎是每台机器的关键部件。如果谈论能源消耗优化，就应该仔细研究这些部分以及其他领域。故障通常会导致能耗增加，以补偿某些不平衡的性能。最终，部件磨损增加到完全断裂的程度。

对这些部件的实时监控不仅提高了能源效率，而且实际上提供了一种适应性强的预测性维护手段，从而实现了成本节约和精确的过程控制。

但是，一旦发现能源消耗增加，就简单地派遣一个维护团队进行调查，不是更好吗？但这种方法的可扩展性如何？为了防止将来出现故障，将收集多少数据？在重大和更明显的故障阴影下，可以观察到小问题吗？明智的方法是有效地利用维护团队的时间来解决一些高级问题。当然，他们通过提供有关设备和性能的宝贵见解，在开发数字孪生方面发挥着至关重要的作用。

因此，假设我们有工业级传感器（例如，振动、温度、噪音、湿度等）和一些PLC来控制电机和变速箱，并发送有关性能的数据。应该使用什么方法来自动化性能监控，并提供有意义的分析，以尽早检测异常能耗？

方法论

每个制造环境都是独一无二的。因此，几乎不可能预测哪种方法会显示出最好的结果。通常，有效的能源消耗监测解决方案结合了几种算法，以增加其数据驱动的见解价值。研究人员将重点关注最受欢迎的产品：

l  阈值

l  长短期记忆(LSTM)

l  振动频谱分析

l  热力模型

阈值

检测电机、轴承和齿轮箱的故障对于防止额外的能源消耗、潜在的设备故障和停机至关重要。最直接的方法是为各种部件建立阈值，例如轴承温度和电机振动水平。温度突然升高或振动超过正常水平表明存在潜在故障。然而，这种方法仅对识别现有问题有效，并且有必要立即停止设备以防止更严重的问题。为了克服这一限制，可以实现AI/ML算法，在故障发生之前检测故障，确保高效和不间断的操作。

长短期记忆(LSTM)

长短期记忆（LSTM）是一种流行的方法，用于预测各种过程的行为。例如，它通常用于预测电机过热，而不需要热模型。相反，我们向LSTM模型提供数据，然后该模型识别预期发生的行为的模式。通过将当前数据与模型的预测进行比较，我们可以检测到任何差异，并提醒维护团队检查受影响的机械部件。

尽管这种方法看起来很有前景，但将其应用于实际电机并不是那么简单。设备部件不连续运行，电机根据设备的模式和负载频繁启动和停止。这些输入参数也会影响LSTM模型的输出，导致误报和漏检。因此，这种方法只能产生平均结果。

尽管存在局限性，LSTM仍然是制造业预测性维护的一个有价值的工具，尤其是在识别连续运行设备的行为模式方面。然而，其他数字孪生技术可能会为间歇性操作提供更精确的预测。最终，选择最有效的方法需要仔细考虑所涉及的制造工艺和设备。

振动频谱分析

使用振动数据来监测设备的机械状态在行业中已经得到了认可。然而，将傅里叶变换应用于振动数据，以识别可以提供有价值信息的低频或高频分量的想法正受到关注。主要的挑战在于以足够高的采样率收集数据，这对于准确的频谱分析是必要的。为了应对这一挑战，可以在网关设备上实现频谱分析，而不是将原始数据发送到云，这既不切实际又昂贵。概念验证研究的初步结果表明，网关设备上的频谱分析可以有效地识别机械部件的现有故障。然而，这项研究并没有产生任何可以预测未来潜在故障的模式。尽管如此，这种方法为改善制造业的维护和能源消耗实践提供了一个很有前途的解决方案。通过在问题变得严重之前识别问题，制造商可以减少停机时间，节省成本，并提高整体能源效率。

热力模型

机器的热量与消耗的电力成正比，因此可以使用温度数据来识别机械故障。通过将物理模型的计算结果与电机的实际数据（如功耗和运行模式）进行比较，可以预测何时可能发生故障。这种方法已被证明能够在早期阶段有效地检测问题，从而允许在计划停机期间进行维护。机械系统中温度变化的敏感性使该方法成为识别潜在问题和防止进一步损坏的宝贵工具。

总结

随着公司寻求提高可持续性和降低能源成本，在制造业中使用数字孪生来节约能源越来越受欢迎。能耗优化可以从监测一些常见设备开始，如电机、轴承和变速箱，创建它们的数字孪生，并逐渐提高生产线/设施的性能。可以使用各种方法来自动化性能监测，包括阈值设置、长短期内存（LSTM）、振动频谱分析和热模型。结合不同的方法可以增加更准确的预测和更有效的能耗优化机会。

创建系统的电机、变速箱、执行器和轴承等基本元件的详细模型，可以实现更先进的数字孪生性能，从而减少运营支出和有效的能源消耗。