How Ansys and Amazon Web Services Use Digital Twins to Drive Greater Industrial Autonomy
디지털 트윈은 엔지니어링 설계를 개선하고 예측 모델링을 제공하여 산업 운영을 지원함으로써 엄청난 가치를 제공할 수 있습니다. 그러나 대규모로 디지털 트윈을 생성하고 배포하려면 여러 조직 사일로와 경계에 걸친 조정이 필요합니다. 예를 들어, 자산에 대한 엔지니어링 노하우의 대부분은 제품 또는 엔지니어링 부서 내에서 사용할 수 있으며 일반적으로 시뮬레이션 모델로 코드화됩니다. Ansys와 Amazon Web Services(AWS)는 힘을 결합하여 조직이 이러한 사일로를 연결하여 확장 가능한 디지털 트윈 솔루션을 제공하도록 돕습니다.
Amazon Web Services(AWS)의 자율 컴퓨팅 책임자인 Adam Rasheed는 "세계는 자율 운영으로 점점 더 나아가고 있으며, 특히 산업 자율 활용 사례의 경우 디지털 트윈을 구현 기술로 보고 있습니다."라고 말합니다. “자율적인 의사 결정을 지원하려면 시스템이 다양한 시나리오에서 어떻게 작동하는지 이해할 수 있어야 합니다. 예측 모델링 디지털 트윈을 도입하면 다양한 잠재적 시나리오에서 미래를 예측할 수 있습니다.”
Ansys와 AWS는 고객을 위해 산업 자율성을 지원하는 시뮬레이션 기반 디지털 트윈 솔루션을 구동하기 위해 협력하고 있습니다. 이 아이디어는 순수한 3D 상황별 시각화를 넘어 특정 환경에서 서비스 중인 물리적 자산과 관련된 모든 데이터를 시각화할 수 있는 출발점입니다. 이러한 맥락에서 우리는 디지털 트윈이 무엇인지, 그리고 Ansys Twin Builder , AWS IoT TwinMaker 및 고급 확률적 방법이 고객을 위한 산업 자율성을 어떻게 활성화할 수 있는지 설명할 것입니다.
Tackling Timescale Challenges with Simulation
일반적으로 이해되는 디지털 트윈의 정의는 지정된 빈도와 충실도로 동기화된 실제 엔터티와 프로세스의 가상 표현이라는 것입니다. 고객은 해결하려는 과제의 맥락을 탐색하기 전에 고유한 사용 사례에 맞는 디지털 트윈을 만드는 아이디어에 끌리는 경우가 많습니다. 관련 블로그에서 AWS는 고려해야 할 디지털 트윈의 네 가지 수준(L1-L4)을 제안했습니다.
이는 Ansys에서 본 고객 여정과 일치합니다. 레벨 1과 2는 엔지니어링 모델링 및 데이터 연결 측면에서 빌딩 블록을 나타내고, 레벨 3과 4는 Ansys와 모두가 제공하는 고급 예측 모델링 분석 및 통찰력을 더 많이 나타냅니다. AWS가 제공할 수 있습니다.
이 블로그의 목적을 위해 여기에 정의된 레벨 3과 4에 중점을 둘 것입니다.
- L3는 동작이 과거와 동일한 물리적 시스템의 동작을 모델링하는 데 중점을 둡니다(예: 가상 센서, 이상 탐지 또는 향후 예상되는 단기 범위). 예측 모델은 기계 학습 기반, 첫 번째 원리 기반(예: 물리 시뮬레이션) 또는 하이브리드일 수 있습니다. 이러한 맥락에서 우리는 Ansys Twin Builder에서 생성할 수 있는 것과 같은 물리 및 ML 하이브리드 디지털 트윈을 언급합니다.
- L4는 물리적 시스템의 고유 동작이 시간이 지남에 따라 변하는 모델링 동작에 중점을 둡니다. 동작의 변화는 물리적 시스템이 저하되거나 유지 관리 및 업그레이드를 받을 때 발생할 수 있으며, 이는 장기간에 걸쳐 정확한 예측을 할 때 관련이 있습니다. 이를 위해서는 일반적으로 기계 학습 기반, 첫 번째 원칙 기반 또는 하이브리드 모델 위에 확률적 업데이트 및 불확실성 정량화 방법을 적용해야 합니다.
디지털 트윈의 경우 L3와 L4의 차이점은 실제 시스템의 운영 데이터가 사용되는 방식에서 나타납니다. L3의 경우 운영 데이터는 응답 출력을 제공하는 사전 훈련된 L3 모델에 대한 입력으로 사용됩니다. 암시적인 가정은 예측이 과거 행동(예: 모델 훈련에 사용된 과거 데이터)으로 잘 표현된다는 것입니다. L4의 경우 운영 데이터는 확률적(베이지안) 보정 기술을 사용하여 모델 자체를 업데이트하는 데 사용됩니다. 그런 다음 업데이트된 모델을 사용하여 향후 예측을 수행합니다. 이러한 방식으로 L4 모델은 항상 물리적 시스템의 최신 동작을 학습하고 반영합니다.
The Ansys Twin Builder/AWS IoT TwinMaker Value Proposition
Ansys Twin Builder는 엔지니어가 하이브리드 분석을 통해 물리 기반 디지털 트윈을 생성할 수 있는 개방형 솔루션입니다. 이러한 각 디지털 트윈은 해당 자산의 수명과 실제 경험을 반영하는 통합된 다중 도메인 시뮬레이션에서 형태를 취합니다. 개체에 장착된 센서는 데이터를 수집하고 시뮬레이션 모델(디지털 트윈)에 전달하여 해당 제품의 실제 경험을 반영합니다. 시뮬레이션 기반 디지털 트윈을 사용하면 자산의 과거 동작을 추적하고, 현재에 대한 더 깊은 통찰력을 제공하며, 자산의 미래 동작을 예측하는 데 도움을 줄 수 있습니다. 이를 통해 고객을 위한 시스템 설계 최적화, 예측 유지 관리 및 산업 자산 관리로 이어지는 발견을 촉진할 수 있습니다. . Ansys의 시뮬레이션 소프트웨어 — 특히,
AWS IoT TwinMaker는 개발자가 디지털 트윈을 더욱 빠르고 쉽게 생성 및 사용하여 산업 운영을 최적화하고 생산량을 늘리며 장비 성능을 향상시킬 수 있도록 지원하는 산업 사물 인터넷(IoT) 공간의 AWS 서비스입니다. 현재 서비스는 3D 상황별 시각화( L2) 에 중점을 두고 있습니다.) 사용 사례에는 물리적 시스템에서 IoT 데이터를 수집하고 해당 데이터를 해당 시스템의 3D 가상 표현에 오버레이하여 사용자가 물리적 시스템 상태에 대한 완전한 상황 인식을 가질 수 있도록 하는 작업이 포함됩니다. 또한 이 서비스는 사일로 전반에 걸쳐 서로 다른 데이터를 수집하고 쿼리하는 세 가지 주요 고객 불만 사항에 중점을 두어 자산 데이터 모델을 수명 동안 쉽게 유지 관리하고 효과적인 시각화(2D 대시보드 또는 3D 몰입형 경험이 될 수 있음)를 생성할 수 있도록 해줍니다. AWS IoT TwinMaker를 Ansys Twin Builder의 시뮬레이션 디지털 트윈과 연결함으로써 고객은 전체적인 L3 및 L4 디지털 트윈 솔루션을 구축하고 배포할 수 있습니다.
Ansys의 Digital Twins 수석 이사인 Sameer Kher는 "AWS가 AWS IoT TwinMaker를 통해 디지털 트윈을 위한 확장 가능한 서비스를 제공하는 데 중점을 두고 있다는 것은 고객에게 좋은 소식입니다."라고 말합니다. "고객이 정교한 디지털 트윈을 구축 및 확장함에 따라 Ansys Twin Builder를 통해 Ansys의 동급 최고의 시뮬레이션 소프트웨어를 활용하고 AWS IoT TwinMaker 서비스를 사용하여 배포하는 기능이 매우 중요할 것입니다."
Unlocking Simulation Investments to Enhance Operations
AWS IoT TwinMaker는 물리적 자산과 시뮬레이션 모델의 센서 데이터를 포함하여 다양한 엔드포인트의 데이터에 연결하는 기능을 제공합니다. Ansys Twin Builder가 적합한 곳입니다. 많은 실제 사용 사례에서 물리적 자산에 올바른 센서가 없거나 때로는 센서를 사용하는 것이 물리적으로 불가능할 수도 있습니다.
예를 들어, 쉘 앤 튜브 열 교환기(아래 표시)는 일반적으로 정유소와 화학 처리 산업에서 가열 및 냉각 응용 분야에 사용됩니다. 상당히 견고하지만 주요 고장 모드는 열-기계적 피로로 인해 발생하는 경향이 있습니다. 열 교환기의 모든 위치에서 온도를 감지하면 핫스팟을 식별하고 고장을 방지하는 데 도움이 될 수 있지만 물리적 센서를 사용하면 비용 때문에 실현 가능하지 않습니다. 이 예에서 볼 수 있듯이 열교환기의 L3 디지털 트윈이 솔루션을 제공합니다. 가상 센서를 사용하면 온도 필드를 세밀하게 표현할 수 있습니다. 그런 다음 이 표현을 사용하여 작동 중 핫스팟을 식별할 수 있습니다. 그런 다음 오류가 발생하지 않도록 적절한 조치를 취할 수 있습니다.
Workflow of digital twin creation and deployment of heat exchanger equipment
아래 아키텍처 다이어그램에 표시된 것처럼 Ansys Twin Builder를 혼합에 추가하면 엔지니어링 설계 프로세스 중에 생성된 기존 시뮬레이션 모델을 쉽게 재사용하고 운영 컨텍스트 내에서 적용할 수 있습니다. 목표는 엔지니어링 설계 중에 생성된 시뮬레이션을 운영에 사용할 수 있도록 하여 투자를 극대화하는 것입니다. 예를 들어 엔지니어는 ROM(축소형 모델) 및 시스템 시뮬레이션을 사용하여 물리적 자산의 정확한 표현을 구축한 다음 이를 컨테이너 기반 배포를 위해 프로그램이 실행되는 동안 실행되는 런타임 또는 소프트웨어/명령으로 변환할 수 있습니다. 배포는 API를 통해 AWS IoT TwinMaker에 쉽게 적용됩니다.
Export a Twin Builder twin model that easily plugs into AWS IoT TwinMaker
이는 디지털 트윈을 중심으로 한 AWS/Ansys 협업의 한 측면일 뿐입니다. 다음 블로그에서는 Ansys Twin Builder와 AWS IoT TwinMaker가 aws-do-pm 오픈 소스 프레임워크를 활용하여 고객이 예측 시뮬레이션 모델을 대규모로 배포할 수 있도록 지원하는 방법을 살펴보겠습니다. 프레임워크는 베이지안 추정 방법을 사용하여 모델 매개변수를 보정하고, 예측 값과 실제 데이터 관찰 사이의 오류를 계산하고, 이에 따라 L4 디지털 트윈에 대해 모델 매개변수를 업데이트하는 기본 제공 기술을 제공합니다.
“세계는 자율 운영을 향해 점점 더 나아가고 있으며, 특히 산업 자율성 사용 사례의 경우 디지털 트윈을 구현 기술로 봅니다. 자율적인 의사 결정을 지원하려면 시스템이 다양한 시나리오에서 어떻게 작동하는지 이해할 수 있어야 합니다. 예측 모델링 디지털 트윈을 도입하면 다양한 잠재적 시나리오에서 미래를 예측할 수 있습니다.”
— Adam Rasheed, Amazon Web Services(AWS) 자율 컴퓨팅 책임자
How Ansys and Amazon Web Services Use Digital Twins to Drive Greater Industrial Autonomy
디지털 트윈은 엔지니어링 설계를 개선하고 예측 모델링을 제공하여 산업 운영을 지원함으로써 엄청난 가치를 제공할 수 있습니다. 그러나 대규모로 디지털 트윈을 생성하고 배포하려면 여러 조직 사일로와 경계에 걸친 조정이 필요합니다. 예를 들어, 자산에 대한 엔지니어링 노하우의 대부분은 제품 또는 엔지니어링 부서 내에서 사용할 수 있으며 일반적으로 시뮬레이션 모델로 코드화됩니다. Ansys와 Amazon Web Services(AWS)는 힘을 결합하여 조직이 이러한 사일로를 연결하여 확장 가능한 디지털 트윈 솔루션을 제공하도록 돕습니다.
Amazon Web Services(AWS)의 자율 컴퓨팅 책임자인 Adam Rasheed는 "세계는 자율 운영으로 점점 더 나아가고 있으며, 특히 산업 자율 활용 사례의 경우 디지털 트윈을 구현 기술로 보고 있습니다."라고 말합니다. “자율적인 의사 결정을 지원하려면 시스템이 다양한 시나리오에서 어떻게 작동하는지 이해할 수 있어야 합니다. 예측 모델링 디지털 트윈을 도입하면 다양한 잠재적 시나리오에서 미래를 예측할 수 있습니다.”
Ansys와 AWS는 고객을 위해 산업 자율성을 지원하는 시뮬레이션 기반 디지털 트윈 솔루션을 구동하기 위해 협력하고 있습니다. 이 아이디어는 순수한 3D 상황별 시각화를 넘어 특정 환경에서 서비스 중인 물리적 자산과 관련된 모든 데이터를 시각화할 수 있는 출발점입니다. 이러한 맥락에서 우리는 디지털 트윈이 무엇인지, 그리고 Ansys Twin Builder , AWS IoT TwinMaker 및 고급 확률적 방법이 고객을 위한 산업 자율성을 어떻게 활성화할 수 있는지 설명할 것입니다.
Tackling Timescale Challenges with Simulation
일반적으로 이해되는 디지털 트윈의 정의는 지정된 빈도와 충실도로 동기화된 실제 엔터티와 프로세스의 가상 표현이라는 것입니다. 고객은 해결하려는 과제의 맥락을 탐색하기 전에 고유한 사용 사례에 맞는 디지털 트윈을 만드는 아이디어에 끌리는 경우가 많습니다. 관련 블로그에서 AWS는 고려해야 할 디지털 트윈의 네 가지 수준(L1-L4)을 제안했습니다.
이는 Ansys에서 본 고객 여정과 일치합니다. 레벨 1과 2는 엔지니어링 모델링 및 데이터 연결 측면에서 빌딩 블록을 나타내고, 레벨 3과 4는 Ansys와 모두가 제공하는 고급 예측 모델링 분석 및 통찰력을 더 많이 나타냅니다. AWS가 제공할 수 있습니다.
이 블로그의 목적을 위해 여기에 정의된 레벨 3과 4에 중점을 둘 것입니다.
디지털 트윈의 경우 L3와 L4의 차이점은 실제 시스템의 운영 데이터가 사용되는 방식에서 나타납니다. L3의 경우 운영 데이터는 응답 출력을 제공하는 사전 훈련된 L3 모델에 대한 입력으로 사용됩니다. 암시적인 가정은 예측이 과거 행동(예: 모델 훈련에 사용된 과거 데이터)으로 잘 표현된다는 것입니다. L4의 경우 운영 데이터는 확률적(베이지안) 보정 기술을 사용하여 모델 자체를 업데이트하는 데 사용됩니다. 그런 다음 업데이트된 모델을 사용하여 향후 예측을 수행합니다. 이러한 방식으로 L4 모델은 항상 물리적 시스템의 최신 동작을 학습하고 반영합니다.
The Ansys Twin Builder/AWS IoT TwinMaker Value Proposition
Ansys Twin Builder는 엔지니어가 하이브리드 분석을 통해 물리 기반 디지털 트윈을 생성할 수 있는 개방형 솔루션입니다. 이러한 각 디지털 트윈은 해당 자산의 수명과 실제 경험을 반영하는 통합된 다중 도메인 시뮬레이션에서 형태를 취합니다. 개체에 장착된 센서는 데이터를 수집하고 시뮬레이션 모델(디지털 트윈)에 전달하여 해당 제품의 실제 경험을 반영합니다. 시뮬레이션 기반 디지털 트윈을 사용하면 자산의 과거 동작을 추적하고, 현재에 대한 더 깊은 통찰력을 제공하며, 자산의 미래 동작을 예측하는 데 도움을 줄 수 있습니다. 이를 통해 고객을 위한 시스템 설계 최적화, 예측 유지 관리 및 산업 자산 관리로 이어지는 발견을 촉진할 수 있습니다. . Ansys의 시뮬레이션 소프트웨어 — 특히,
AWS IoT TwinMaker는 개발자가 디지털 트윈을 더욱 빠르고 쉽게 생성 및 사용하여 산업 운영을 최적화하고 생산량을 늘리며 장비 성능을 향상시킬 수 있도록 지원하는 산업 사물 인터넷(IoT) 공간의 AWS 서비스입니다. 현재 서비스는 3D 상황별 시각화( L2) 에 중점을 두고 있습니다.) 사용 사례에는 물리적 시스템에서 IoT 데이터를 수집하고 해당 데이터를 해당 시스템의 3D 가상 표현에 오버레이하여 사용자가 물리적 시스템 상태에 대한 완전한 상황 인식을 가질 수 있도록 하는 작업이 포함됩니다. 또한 이 서비스는 사일로 전반에 걸쳐 서로 다른 데이터를 수집하고 쿼리하는 세 가지 주요 고객 불만 사항에 중점을 두어 자산 데이터 모델을 수명 동안 쉽게 유지 관리하고 효과적인 시각화(2D 대시보드 또는 3D 몰입형 경험이 될 수 있음)를 생성할 수 있도록 해줍니다. AWS IoT TwinMaker를 Ansys Twin Builder의 시뮬레이션 디지털 트윈과 연결함으로써 고객은 전체적인 L3 및 L4 디지털 트윈 솔루션을 구축하고 배포할 수 있습니다.
Ansys의 Digital Twins 수석 이사인 Sameer Kher는 "AWS가 AWS IoT TwinMaker를 통해 디지털 트윈을 위한 확장 가능한 서비스를 제공하는 데 중점을 두고 있다는 것은 고객에게 좋은 소식입니다."라고 말합니다. "고객이 정교한 디지털 트윈을 구축 및 확장함에 따라 Ansys Twin Builder를 통해 Ansys의 동급 최고의 시뮬레이션 소프트웨어를 활용하고 AWS IoT TwinMaker 서비스를 사용하여 배포하는 기능이 매우 중요할 것입니다."
Unlocking Simulation Investments to Enhance Operations
AWS IoT TwinMaker는 물리적 자산과 시뮬레이션 모델의 센서 데이터를 포함하여 다양한 엔드포인트의 데이터에 연결하는 기능을 제공합니다. Ansys Twin Builder가 적합한 곳입니다. 많은 실제 사용 사례에서 물리적 자산에 올바른 센서가 없거나 때로는 센서를 사용하는 것이 물리적으로 불가능할 수도 있습니다.
예를 들어, 쉘 앤 튜브 열 교환기(아래 표시)는 일반적으로 정유소와 화학 처리 산업에서 가열 및 냉각 응용 분야에 사용됩니다. 상당히 견고하지만 주요 고장 모드는 열-기계적 피로로 인해 발생하는 경향이 있습니다. 열 교환기의 모든 위치에서 온도를 감지하면 핫스팟을 식별하고 고장을 방지하는 데 도움이 될 수 있지만 물리적 센서를 사용하면 비용 때문에 실현 가능하지 않습니다. 이 예에서 볼 수 있듯이 열교환기의 L3 디지털 트윈이 솔루션을 제공합니다. 가상 센서를 사용하면 온도 필드를 세밀하게 표현할 수 있습니다. 그런 다음 이 표현을 사용하여 작동 중 핫스팟을 식별할 수 있습니다. 그런 다음 오류가 발생하지 않도록 적절한 조치를 취할 수 있습니다.
아래 아키텍처 다이어그램에 표시된 것처럼 Ansys Twin Builder를 혼합에 추가하면 엔지니어링 설계 프로세스 중에 생성된 기존 시뮬레이션 모델을 쉽게 재사용하고 운영 컨텍스트 내에서 적용할 수 있습니다. 목표는 엔지니어링 설계 중에 생성된 시뮬레이션을 운영에 사용할 수 있도록 하여 투자를 극대화하는 것입니다. 예를 들어 엔지니어는 ROM(축소형 모델) 및 시스템 시뮬레이션을 사용하여 물리적 자산의 정확한 표현을 구축한 다음 이를 컨테이너 기반 배포를 위해 프로그램이 실행되는 동안 실행되는 런타임 또는 소프트웨어/명령으로 변환할 수 있습니다. 배포는 API를 통해 AWS IoT TwinMaker에 쉽게 적용됩니다.
Export a Twin Builder twin model that easily plugs into AWS IoT TwinMaker
이는 디지털 트윈을 중심으로 한 AWS/Ansys 협업의 한 측면일 뿐입니다. 다음 블로그에서는 Ansys Twin Builder와 AWS IoT TwinMaker가 aws-do-pm 오픈 소스 프레임워크를 활용하여 고객이 예측 시뮬레이션 모델을 대규모로 배포할 수 있도록 지원하는 방법을 살펴보겠습니다. 프레임워크는 베이지안 추정 방법을 사용하여 모델 매개변수를 보정하고, 예측 값과 실제 데이터 관찰 사이의 오류를 계산하고, 이에 따라 L4 디지털 트윈에 대해 모델 매개변수를 업데이트하는 기본 제공 기술을 제공합니다.
“세계는 자율 운영을 향해 점점 더 나아가고 있으며, 특히 산업 자율성 사용 사례의 경우 디지털 트윈을 구현 기술로 봅니다. 자율적인 의사 결정을 지원하려면 시스템이 다양한 시나리오에서 어떻게 작동하는지 이해할 수 있어야 합니다. 예측 모델링 디지털 트윈을 도입하면 다양한 잠재적 시나리오에서 미래를 예측할 수 있습니다.”
— Adam Rasheed, Amazon Web Services(AWS) 자율 컴퓨팅 책임자