دوقلوی دیجیتال در خط تولید فولاد؛ پیش به سوی دقت بیشتر

به گزارش می‌متالز، صنعت فولاد از پیچیده‌ترین صنایع فرآیندی جهان است؛ صنعتی که در آن کیفیت محصول، مصرف انرژی، ظرفیت تولید، ایمنی تجهیزات و پایداری فرآیند به یکدیگر وابسته‌اند. در خطوطی مانند کوره‌های پیش‌گرم، ریخته‌گری مداوم و نورد گرم، تغییرات کوچک در دما، سرعت، فشار، ترکیب شیمیایی یا وضعیت تجهیزات می‌تواند بر کیفیت محصول و هزینه تولید اثر بگذارد. به همین دلیل، تصمیم‌گیری صرفاً بر پایه داده‌های پراکنده یا تجربه فردی، برای مدیریت کارخانه‌های مدرن کافی نیست. در این شرایط، «دوقلوی دیجیتال» (Digital Twin) به‌عنوان یکی از ابزار‌های مهم تحول دیجیتال، امکان ارتباط میان فرآیند فیزیکی و مدل‌های محاسباتی را فراهم می‌کند. دوقلوی دیجیتال، بازنمایی دیجیتالیِ یک تجهیز، محصول، فرآیند یا سامانه واقعی است که با استفاده از داده‌های حسگر‌ها و سامانه‌های کنترل، وضعیت نمونه فیزیکی را پایش و تحلیل می‌کند. دوقلوی دیجیتال را نباید با مدل سه‌بعدی، داشبورد مدیریتی یا شبیه‌سازی ایستا یکی دانست. مدل سه‌بعدی عمدتاً شکل تجهیز را نمایش می‌دهد و داشبورد داده‌ها را در قالب نمودار ارائه می‌کند. دوقلوی دیجیتال زمانی معنا پیدا می‌کند که میان مدل دیجیتال و نمونه فیزیکی رابطه‌ای منظم وجود داشته باشد، داده‌های واقعی به مدل وارد شوند و خروجی مدل برای شناخت بهتر یا اصلاح فرآیند مورد استفاده قرار گیرد.

مدل‌سازی حرارتی در نورد گرم

در فرآیند نورد گرم، دما یکی از مهم‌ترین عوامل تعیین‌کننده رفتار فولاد است. دما بر تنش سیلان، مقاومت به تغییرشکل، نیروی نورد، گشتاور موتور، ساختار دانه‌ای، خواص مکانیکی و کیفیت سطح اثر می‌گذارد؛ بنابراین کنترل دما تنها به اندازه‌گیری دمای سطح محدود نمی‌شود؛ بلکه باید توزیع دما در ضخامت قطعه و تغییر آن در طول خط نیز بررسی شود.

دوقلوی دیجیتال می‌تواند با ترکیب مدل‌های انتقال حرارت، داده‌های حسگر‌ها و اطلاعات عملیاتی، وضعیت حرارتی قطعه را برآورد کند. این مدل‌ها ممکن است تابش در کوره، جابه‌جایی میان گاز و سطح قطعه، هدایت حرارتی درون ماده، انتقال حرارت در تماس با غلتک‌ها و اثر سامانه‌های خنک‌کاری را در نظر بگیرند.

در مطالعات طراحی و تحلیل آفلاین، روش‌هایی مانند دینامیک سیالات محاسباتی و تحلیل المان محدود برای بررسی میدان دما، جریان سیال، تنش حرارتی و تغییرشکل کاربرد دارند. بااین‌حال، اجرای مدل‌های بسیار سنگین در زمان واقعی همیشه عملی نیست. در کاربرد‌های صنعتی، معمولاً از مدل‌های کاهش‌یافته، مدل‌های تحلیلی، مدل‌های جانشین یا ترکیبی از مدل‌های فیزیکی و داده‌محور استفاده می‌شود تا میان سرعت و دقت تعادل برقرار شود.

برای نمونه، دوقلوی دیجیتال کوره پیش‌گرم می‌تواند با دریافت اطلاعات مربوط به دمای نواحی مختلف، زمان ماند، سرعت حرکت قطعه و وضعیت مشعل‌ها، دمای خروجی را برآورد کند. در ادامه، این برآورد با داده‌های پیرومتر یا سایر اندازه‌گیری‌های خط مقایسه می‌شود. اگر اختلاف میان مدل و اندازه‌گیری افزایش یابد، ممکن است نیاز به بررسی کالیبراسیون حسگر، وضعیت کوره یا تغییر شرایط فرآیند وجود داشته باشد.

خروجی مدل می‌تواند برای نمایش وضعیت، اعلام هشدار، تحلیل علت‌های احتمالی و مقایسه سناریو‌های اصلاحی به کار رود. برای مثال، سامانه می‌تواند اثر تغییر سرعت خط یا دبی آب خنک‌کاری را بر دمای قطعه بررسی کند. بااین‌حال، اجرای خودکار هر پیشنهاد باید به وجود محدودیت‌های ایمنی، آزمون کافی و نظارت انسانی وابسته باشد.

تغییر گرید و کاهش آزمون‌وخطا

تغییر گرید یکی از مراحل حساس تولید فولاد است. گرید‌های مختلف از نظر ترکیب شیمیایی، دمای تغییرشکل، تنش سیلان، رفتار تبلور مجدد و نیاز‌های خنک‌کاری تفاوت دارند. به همین دلیل، تنظیمات مناسب برای یک گرید ممکن است برای گرید دیگر نتیجه مطلوبی نداشته باشد.

در روش‌های سنتی، بخشی از فرآیند تغییر گرید بر تجربه اپراتور‌ها و آزمون‌های عملی استوار است. این روش ممکن است به افزایش زمان گذار، تولید محصول خارج از مشخصات، دوباره‌کاری یا توقف‌های تنظیمی منجر شود. دوقلوی دیجیتال می‌تواند پیش از ورود گرید جدید، سناریو‌های مختلف را در محیط مجازی بررسی کند.

در این شبیه‌سازی، متغیر‌هایی مانند دمای ورودی، سرعت خط، نیروی غلتک، گشتاور موتور، میزان کاهش ضخامت، دبی آب و ترتیب عبور محصول تحلیل می‌شوند. مدل‌های تنش سیلان نیز می‌توانند با درنظرگرفتن دما، نرخ کرنش، میزان تغییرشکل و ترکیب شیمیایی، رفتار تقریبی فولاد جدید را برآورد کنند.

هدف از این کار، پیش‌بینی قطعی رفتار خط نیست؛ بلکه کاهش عدم‌قطعیت و انتخاب سناریویی است که با ظرفیت تجهیزات و الزامات کیفیت سازگاری بیشتری دارد. برای مثال، افزایش سرعت ممکن است زمان گذار را کاهش دهد، اما هم‌زمان می‌تواند بار موتور، نیروی نورد یا خطر ناپایداری خنک‌کاری را افزایش دهد؛ بنابراین پیشنهاد مدل باید در کنار محدودیت‌های واقعی خط بررسی شود.

اثر واقعی دوقلوی دیجیتال در این بخش باید با شاخص‌هایی مانند زمان رسیدن به شرایط پایدار، وزن محصول خارج از مشخصات، میزان دوباره‌کاری، مصرف انرژی و تعداد توقف‌ها سنجیده شود. نمی‌توان یک درصد ثابت برای کاهش ضایعات یا افزایش بهره‌وری همه خطوط اعلام کرد؛ زیرا نوع محصول، طراحی خط، کیفیت داده و سطح اتوماسیون کارخانه بر نتیجه اثر می‌گذارند.

نمونه‌های صنعتی

شرکت‌های بزرگ فولادی در سال‌های اخیر از ترکیب تحلیل داده، هوش مصنوعی، اینترنت اشیا و سامانه‌های کنترل پیشرفته برای توسعه کارخانه‌های هوشمند استفاده کرده‌اند. POSCO در کره جنوبی، از پلتفرم‌هایی مانند PosFrame برای جمع‌آوری، استانداردسازی و تحلیل داده‌های کارخانه بهره گرفته است. این زیرساخت‌ها می‌توانند برای پایش فرآیند، کنترل کیفیت، نگهداری تجهیزات و توسعه کاربرد‌های دوقلوی دیجیتال به کار روند.

اهمیت این تجربه در آن است که دوقلوی دیجیتال بدون زیرساخت داده شکل نمی‌گیرد. وجود یک پلتفرم داده به‌تنهایی معادل دوقلوی دیجیتال کامل نیست؛ زیرا دوقلو به مدل، داده همگام، نمونه فیزیکی مشخص و کاربرد عملیاتی نیاز دارد.

ArcelorMittal نیز در مسیر دیجیتالی‌سازی، اتوماسیون و استفاده از داده‌های عملیاتی حرکت کرده است. این تجربه‌ها نشان می‌دهند که شرکت‌های بزرگ فولادی برای بهبود بهره‌برداری، مدیریت دارایی و کاهش اتلاف به فناوری‌های دیجیتال روی آورده‌اند. بااین‌حال، هر ادعای عددی درباره کاهش مصرف انرژی یا افزایش بهره‌وری باید بر اساس مطالعه موردی مشخص و روش اندازه‌گیری شفاف ارزیابی شود.

نگهداری پیش‌بینانه

محیط نورد گرم به‌ دلیل دمای بالا، بار‌های متناوب، ارتعاش، رطوبت و کارکرد مداوم، فشار زیادی بر تجهیزات وارد می‌کند. خرابی یاتاقان، گیربکس، موتور یا غلتک می‌تواند موجب توقف خط و افزایش هزینه‌های تولید شود.

دوقلوی دیجیتال با استفاده از داده‌های ارتعاش، دما، فشار، جریان موتور، گشتاور، سرعت و سوابق تعمیرات، می‌تواند وضعیت تجهیز را با خط پایه عملکرد عادی مقایسه کند. اگر الگوی ارتعاش یا دمای یک یاتاقان تغییر کند، سامانه می‌تواند آن را برای بازرسی بیشتر علامت‌گذاری کند.

بااین‌حال، هر تغییر در داده به معنای خرابی قطعی نیست. بار، سرعت، وضعیت روان‌کاری، محل نصب حسگر و شرایط محیطی نیز بر سیگنال اثر می‌گذارند؛ بنابراین تشخیص قابل اعتماد باید چند منبع داده را هم‌زمان بررسی کند و میان هشدار اولیه، تشخیص عیب و تصمیم تعمیر تفاوت بگذارد.

نگهداری پیش‌بینانه زمانی ارزشمند است که هشدار به اقدام مشخص منجر شود؛ برای مثال، برنامه‌ریزی بازرسی، سفارش قطعه یا هماهنگی تعمیر با توقف برنامه‌ریزی‌شده. هدف این رویکرد حذف کامل خرابی نیست، بلکه افزایش زمان پیش‌آگاهی و کاهش توقف‌های قابل پیشگیری است.

داده، امنیت و آینده

پیاده‌سازی دوقلوی دیجیتال تنها خرید نرم‌افزار نیست. حسگرها، سامانه‌های PLC و SCADA، پایگاه‌های داده، سیستم مدیریت تولید و سوابق نگهداری باید به‌ صورت هماهنگ در اختیار مدل قرار گیرند. چارچوب‌هایی مانند ISA-۹۵ می‌توانند برای یکپارچه‌سازی میان سامانه‌های کنترل، مدیریت عملیات تولید و سامانه‌های سازمانی مفید باشند.

وفاداری مدل نیز اهمیت زیادی دارد. مدل بیش از حد ساده ممکن است رفتار مهم فرآیند را نادیده بگیرد و مدل بیش از حد پیچیده ممکن است برای استفاده بلادرنگ کند باشد. کالیبراسیون مداوم، اعتبارسنجی با داده واقعی و بررسی کیفیت حسگر‌ها برای حفظ اعتمادپذیری مدل ضروری است.

از آنجا که دوقلو‌های دیجیتال به شبکه‌ها و سامانه‌های صنعتی متصل می‌شوند، امنیت سایبری باید از آغاز پروژه در نظر گرفته شود. تفکیک شبکه، کنترل دسترسی، ثبت رخدادها، پشتیبان‌گیری و مدیریت به‌روزرسانی‌های امنیتی از الزامات مهم این معماری هستند.

در آینده، دوقلو‌های دیجیتال می‌توانند از مرحله پایش و هشدار به سمت ارائه پیشنهاد‌های عملیاتی و اجرای خودکار برخی تنظیمات محدود حرکت کنند. بااین‌حال، خودگردانی صنعتی باید مرحله‌ای، قابل ارزیابی و تحت قیود ایمنی باشد. نقش انسان حذف نمی‌شود؛ بلکه از واکنش‌های تکراری به نظارت بر مدل، مدیریت شرایط استثنایی و تصمیم‌گیری مهندسی تغییر می‌کند.

جمع‌بندی

دوقلوی دیجیتال در صنعت فولاد، ابزاری برای پیوند داده واقعی، مدل مهندسی و تصمیم عملیاتی است. این فناوری می‌تواند در مدل‌سازی حرارتی، مدیریت تغییر گرید، پایش کیفیت، نگهداری پیش‌بینانه و بهینه‌سازی تولید کاربرد داشته باشد. بااین‌حال، موفقیت آن به کیفیت داده، اعتبار مدل، امنیت زیرساخت و مشارکت کارکنان وابسته است.

دوقلوی دیجیتال جایگزین تجربه مهندسی نیست و نمی‌تواند همه رخداد‌ها را با قطعیت پیش‌بینی کند. ارزش واقعی آن در کاهش عدم‌قطعیت، افزایش قابلیت مشاهده فرآیند و فراهم‌کردن زمینه تصمیم‌گیری دقیق‌تر است. کارخانه‌هایی که بتوانند دانش متالورژی، تجربه اپراتورها، داده‌های حسگری و تحلیل پیشرفته را در یک معماری منسجم ترکیب کنند، آمادگی بیشتری برای تولید باکیفیت‌تر، پایدارتر و کم‌اتلاف‌تر خواهند داشت.

منبع: پایگاه خبری - تحلیلی ایراسین