14-大基建系统工程与数字孪生全攻略 | 数字孪生运维
▲14-大基建系统工程与数字孪生全攻略 | 数字孪生运维
本系列文章将致力于阐述系统工程与数字孪生在大型基础设施数字化转型中的应用与实践。笔者核电人出身，故文章逻辑与案例将以核工业作为牵引，用来阐述广义上大基建行业数字化转型与传统制造业的区别，以及其价值（Why）、工作内容（What）、解决方案（How）与实施方法（How to）。
「业主」，能源和基建设计院与工程公司的终极客户，在国内作为行业翘楚和老大哥，在国际担任着本国行业最高水准的形象代言，有着宽广的格局、高尚的情怀、以及行业引领者的雄心。
项目前期的大量投资、期间各方多年的辛苦工作，其初心一是为社会负责：提供安全可靠的、可持续生产的、为社会带来价值的设施；二是为股东负责：提供优质的、回报率高的资产。
以核电站为例，规划5年-建设7年-运行60年-退役5年，从摇篮到坟墓，犹如人类的生命周期。作为业主，在长期的运行和维护过程中，对现场实时运行状态、维修情况掌控度不够，对设施整体生产力可见度不足，上报的信息延迟、缺损、碎片化等，以及平衡风险与运行成本间的矛盾等，都是业主所面临的挑战。
业主身为产业链的灯塔，运行周期更稳定、盈利水平更高，却不可因此失去数字化转型的热情。正相反，业主有发挥“头雁效应”的责任，为产业链上的研发、设计、制造、施工等单位“打个样”，利用自身更充足的预算、时间、人才储备、以及丰富的应用场景去探索前沿科技，同时向产业链传递最佳实践经验，保障我国有能力走在全球数字化的最前沿，积极履行“走出去”、“一带一路”、“双循环”、“碳中和”等国家战略。
WHAT – 做什么
1.构建数字孪生电厂（Virtual Twin）：
数字/虚拟孪生，绝对不是一个炫酷的3D空壳展示模型、或几个摄像头拼凑起来的监控大屏这种低端又浮于表面的事，而要深入核心业务流程，能带来实实在在的业务价值。作为实体电厂的“孪生兄弟”，数字电厂要有前生（设计要求、历史数据）、有今世（现场实时运行数据）、而且能预测未来（预防性检修、预测性检修、群厂管理），其中“预测未来”是核心。
2.资产完整性管理（Asset Integrity Management）:
资产完整性用于描述用于确保资产（如电厂、石油钻井平台、精炼厂）健康、可靠并持续运行能力的管理实践，目的是避免计划外停机、安全或环境事件，进而实现以更安全和经济的方法延长其运行寿命。工作内容包括：
状态和结构化健康监测（CMS/SHM - Condition and Structural Health Monitoring）
基于风险的检测（RBI - Risk-Based Inspection）
适用性评估（FFS - Fitness-For-Service review）
故障调查研究（Failure Investigation Studies）
延寿分析
HOW – 怎么做
1.设备健康状况监控
针对电厂的“动机”设备（泵、压缩机、风机、电机等），应用设备传感器采集数据，通过5G和物联网（IoT）将数据传至协同平台，基于“动机”的流量、温度、压强等实现设备健康状况的实时监控。
在设备运行状况异常的情况下，运行负责人可基于此问题简易描述后直接安排巡检行动项。
2.智能巡检
针对电厂的“静机”设备（管路、容器、热交换器等）以及部分结构和土建，除了传统的人工视觉巡检和记录外，可以利用一些先进设备来辅助现场人员。
a.应用头戴式智能设备，以增强现实（AR）、人工智能和移动互联网等技术方式确认设备隔离状况、捕获现场数据等，并通过微型显示器和语音操作来检索信息，从而解放双手。
b. 应用防碰撞无人机，进入环境恶劣或危险的区域，如：狭窄、高空、高温、高辐射等环境，实现智能巡检（如查看管道生锈、渗漏、破损等）并通过5G和移动互联网收集实时数据。
3.停堆大修管理
以核电站为例，维修大体分以下三类：运行维修（无需停堆）、换料维修（每年一次）、以及十年大修。其中停堆大修是评估此电厂盈利能力的关键要素，因为通俗的讲电厂运行犹如印钞机稳定印钱，而谁停堆的时间越长、损失的钱自然也就越多，所以保障安全系数、优化停堆大修就成了核电经济竞争力的核心。
a.大修准备
大修任务来源广泛，如设计院的技改、设备的定期更换、以及巡检发现的故障（Corrective Maintenance）等，而大修的准备要从多个维度考虑周全，应用基于单一数据源的协同平台可以保障各行动项的协调一致、准备充足，平衡时间-技术-工序-安全-资源-成本-物流等要素、从而避免传统“割裂”型的工作模式，同时优化利用过往的经验反馈，避免每次都要“重造轮子”。
大修准备工作包含内容极多，以下仅举若干场景为例。
项目主计划及甘特图：
作业范围定义：
工作包与关联信息管理（基于单一数据源，避免信息冗余、矛盾、错误或过期）：
供应商分包管理：
成本管理：
b.大修执行
前期准备得再充分，真正的绩效还是取决于执行状况。基于数据的作业流程可以简化传统手工的、基于文档的流程，保障安全的同时提高现场工作效率。
进场前现场工人安全防护装备、工具、技术资料、工单等确认：
进场后确认设备隔离状况、扫描设备条形码或二维码开始作业，执行电子工单作业流程，一步步确认并完成工作。
项目组基于现场人员智能设备的反馈对项目的执行进行实时跟踪，并自动化统计总体进程和状态。
4.构建数字孪生电厂
a.数字/虚拟孪生的几何模型可以是设计院提供的原始轻量化模型、基于图纸的翻模、以及现场激光点云扫描的**体，细节情况详略得当即可，以运维的实际需求优先。
b.数字/虚拟孪生的数据模型（“前生”与“今世”）则依托于大数据聚合异构信息、云技术聚合群厂经验反馈、以及人工智能或机器学习来进行数据建模。
BIOVIA-Pipeline Pilot 基于图形化的操作界面和多元的第三方接口，自动化聚合和处理多方来源的海量数据（如PLM + EAM + ERP + IoT）、以及文本、数字、图形、复杂数据模型等多种格式的信息，以节省数据处理或纠正人工错误所消耗的时间，避免了“在黑暗中无序地找信息”，最终可生成直观的、可视化的、动态的、方便搜索和应用的标准化数据报告。
BIOVIA-Pipeline Pilot的能力体现在：
覆盖15种以上的机器学习（Machine Learning）方法
执行探索性数据分析：主成分分析（PCA - Principal Component Analysis）、 聚类(Clustering)、多维数据可视化（Multi-Dimensional Data Visualization）
建立可拓展的贝利叶分类模型（Bayesian classification models）
应用遗传算法（GA - Genetic Algorithm）建立回归集成模型（Regression Ensemble Models）
建立随机森林回归（Random Forest Regression）及分类模型
支持R语言环境，如支持向量机（SVM - Support Vector Machine）、人工神经网络（ANN - Artificial Neural Network）以及XGBoost库
应用机器学习框架实现模型的交叉验证、超参数优化（Hyperparameter Tuning）以及变量重要性评估（Variable Importance Assessment）
应用帕累托最优（Pareto Optimality）实现多目标优化（Multi-Objective Optimization）
基于这套「模型 + 方法 + 工具 + 平台」，应用「聚合 + 建模 + 部署」来自「设计 + 工程交付 + 现场运行 + 大修 + 外部反馈」的全部数据，打造“有灵魂”的数字孪生，用于支持决策并“真正理性客观地预测“下一步行动。
5.预防性与预测性维修（Preventive and Predictive Maintenance）
维修长在准备下一年的维修清单时将不再依靠“想象力”或老师傅的个人意见；运行值长将不会在设备频频故障后被动地减产处理，而会在设备失效之前发现并决定维修或更换它。
业主电厂的整体安全性会提高、能力因子会提高、发电成本会降低，持续坚持“零排放”和“碳中和”生产，为社会提供稳定、高效、可控、低碳、且廉价的能源，进而带来最大化的价值。
而实现这一切的基础不是靠“人海战术卖体力”或“自我感动的加班”，而是应用前沿科技来“预测未来”：基于数字/虚拟孪生、大数据分析与深度学习的预防性与预测性维修。
关键设备各部件的历史维修数据以及360 º信息聚合：
基于此设备：技术规格书、技术报告、历史巡检记录、历史维修记录、风险评估、健康状况监测趋势、故障调研、相似设备记录、内部知识工程、外部反馈等多方零散的信息，经过大数据、深度学习以及语义分析，推测出未来故障风险较高的维修建议。例：密封件、电子仪控系统、紧急安全停机装置等。
进而将此决策复 制到相似的设备维修建议中，并分享给群厂。
05
HOW TO – 如何落地实施
如果您希望深入了解：
5G技术如何与协同平台结合
云技术如何助力群厂知识工程
大数据如何聚合工程信息
物联网如何优化设备健康
人工智能如何实现“未雨绸缪”
移动互联如何提升现场效率
区块链如何保障设备和物料的质量与合规
WHO – 本文作者
吕柯夫
数字核电高级咨询顾问
毕业于UTT法国特鲁瓦工程技术大学并获得硕士工程师学位，十二年核电项目经验，中国核学会高级会员。加入达索系统之前，曾供职于EDF法国电力集团，负责核电站停堆大修项目管理、后福岛事故全法核电站应急机组改造设计、英国欣克利角C欧洲第三代压水式核反应堆三维数字化设计与配置管理。
