数字孪生技术在淀粉行业的应用前景

叔谋 ，刘颖慰 ，许克家 ，赵国兴 ，李义 ，佟毅

1. 中粮营养健康研究院有限公司（北京 102209）；2. 营养健康与食品北京市重点实验室（北京 102209）；3. 老年营养食品研究北京市重点实验室（北京 102209）；4. 玉米深加工国家工程研究中心（长春 130033）；5. 中粮生物科技股份有限公司（蚌埠 233010）

随着第四次信息工业革命浪潮的到来，新一代数字智能化技术应运而生，物联网、大数据、云计算等计算分析手段纷至沓来。其广泛的应用性突破了传统的行业壁垒，通过工业智能化，不断提升企业的生产效率、产品质量及管理水平。“中国制造2025”提出“加快新一代信息技术与制造业深度融合为主线，以推进智能制造为主攻方向”的战略方针，更是体现了我国对智能工厂、智能装备、智能制造的高度重视，力求紧跟世界发达国家步伐，甚至完成超越的发展决心与毅力。当前，以淀粉加工行业为代表的传统农产品加工工业，通过智能数字化升级实现节能降耗的需求已迫在眉睫，该文旨在探索数字孪生技术针对淀粉加工工业中的可行性应用及前景。

1 数字孪生概念

自2003年数字孪生（Digital twin）概念在美国密歇根大学产品周期管理课程上被提出以来[1]，数字孪生技术得到长期的发展与完善，从最初军工及航天航空领域逐步拓展到机械制造业、电器自动化、能源化工等多个领域。数字孪生是指通过数字化构建的物理实体模型，结合传感器更新、历史数据的综合运用，集成在虚拟平台上的多学科、多尺度、多物理量的仿真过程。其核心本质是通过物理实体和虚拟模型双向实时（准实时）的全周期交互映射模型，实现现实生产线、装备、管理系统的实时映射响应反馈，同时通过大量积累的后台数据分析，迭代计算完善产品的精确控制、指标的合理预测等生产要素[2-5]。

1.1 数字孪生模型

“数字孪生”顾名思义，即利用计算机技术在数字虚拟空间中建立实体生产线或产品的数字化多维映射模型。它不简单是实体生产线的一个虚拟三维投影，而是具有多物理性、多层次、融合交叉学科、可计算分析和进行概率预测的综合体[6]。多物理性表明虚拟模型不仅仅只是实体的几何呈现，更可以反映实体诸如物料及能量守恒的热力学特性、设备机械的结构力学特性等实际属性[7]。多层次意味着完整的数字孪生模型不仅仅只针对产品或生产线上的某一组件或设备，而是基于产品生产线全生命周期的完整模型。其搭建过程即是将多个小数字孪生体整合成完全体的过程，如同搭建实体生产线一样，多组设备搭配建立操作单元、多个操作单元形成一个操作车间、多个车间连接完成一条生产线，数字孪生模型通过相同的层次布局，从点到线，由线及面，将多个小孪生模型整合集成，最终实现全生命周期的仿真模拟。

1.2 数字孪生集成

数字孪生模型不仅要继承实体的物理特性，同时要兼具全生产周期数据信息中心的功能。面对规模大、分布广的实体系统时，其庞大复杂的管理结构、相对独立的生产单元、冗长的产业链条、品种多样的产品方向经常导致其丰富的信息资源并不能被很好地收集利用和统一管理，进而形成一座座孤立的“信息孤岛”[8-10]，彼此间的协同优化难以进行。数字孪生模型利用计算机信息储存处理能力强的优势，可以全面地整合实体数据，原料及中间过程品的检测数据、固定设备的性能参数、生产线实时监控的各项指标甚至是边界内人为和自然等环境因素都可以进行数字化整合提炼，并纳入到数字孪生模型中。将这些数据利用大数据工具进行数据清洗、挖掘，并运用多种机器学习算法诸如神经网络、贝叶斯算法、随机森林等加以分析计算，进而可实现流程仿真、行为验证、产品评估预测等多种可指导实际生产的信息模型，提供给实体系统作为参考决策，打造出高效的数字驱动模式。

1.3 数字孪生交互

数字孪生驱动的核心是虚拟模型和其实体之间保持实时交互的动态联系。虚拟模型根据从实体系统获取的信息数据，结合计算机计算、大数据分析，通过不断迭代实现自身模型构建的修正完善。同时通过虚拟模型的仿真预测、统计分析得到的优化结果，以最快的方式反馈回实体生产线，力求最短时间、最大程度地优化工艺方案[11-12]。因此虚实体之间数据信息传递形成的数字纽带（Digital thread）是使数字孪生体系发挥作用的关键[8]。依托生产线流程中各环节装备、仪器装配的传感器，将最新的实测参数如温度、压力、流量通过边缘接口传递导出，汇聚到云端平台[13]，再利用边缘计算等数据处理方法对数据进行整合，形成基于实体的工业数据互联网络平台，并对接到虚拟模型上，使之数据得以实时更新[14]。因此在此基础上搭建的虚拟模型，其数据将保持很强的时效性，并可以通过不断的迭代优化，提升模型的分析预测能力，进而可以针对工况的变化做出及时准确的判断评估，再将在虚拟模型上优化出的结果方案形成生产运行的实际指令，对实体生产线进行调控。最终完成从实体监测映射到虚拟分析优化再反馈实体调控的完整闭环。

图1 数字孪生架构模型

2 数字孪生与淀粉行业结合

以谷类、薯类、豆类等可食用植物经清洗、磨碎、分离、成型、干燥（或不干燥）等工序加工，可制成多种类的淀粉产品[15]。根据原料的不同（玉米、小麦、稻谷、马铃薯等），不同种类的淀粉加工工艺略有差别。多步连续过程中分阶段还可生产多种副产品（胚芽油、蛋白、纤维饲料等）。近30年，随着社会生产力的发展提高，多数淀粉加工企业建立由机械、电气仪表结合计算机图像技术搭建的DCS集散控制系统，初步实现了自动化生产[10]。然而由于原料价格的波动和淀粉市场的激烈竞争，通过智能生产新技术来实现企业的精益加工、提质增效、节能降耗将成为未来淀粉行业的发展方向。

数字孪生技术作为打造智能化生产系统的手段，与淀粉企业的长期战略目标不谋而合，其在工艺参数优化、产品质量控制、设备维护保障上的多种应用可能，将逐步推进淀粉企业的数字化和智能化。

2.1 数字孪生在工艺参数优化中的应用

生产工艺参数是指导操作人员生产的重要依据，例如在玉米淀粉生产中，浸泡工序中的浸泡水量、时间、浸泡温度，分离工序中的分离筛压力、洗涤水流量，干燥工序中的蒸发的温度、真空度等，这些工艺参数贯穿于淀粉加工的每一步流程，对生产能耗、产品收率有着不同程度的影响。现今的淀粉生产企业对于生产工艺参数的设定，大量依赖于现场操作的实际经验[16]，且各个操作单元相对独立运行，其设定的指标参数往往仅局限于当前工段的相对优化，因此难以实现淀粉生产全流程能耗收率最优化的解决方案。此外鉴于企业生产中产能供给、市场需求的不断变化，为了保证各个设备生产效能互相匹配并得到充分发挥，避免产能不足引起的生产瓶颈或产能过剩导致的冗余浪费，企业一般组织周期性的技术测定来对生产工艺参数进行指导修正。但受限于保证工况稳定的需要，一般工厂仅会在原料或产品出现重大变化，或设备工艺产生较大改革时，才会进行技术测定，且通常限于局部的性能测定。

引入数字孪生技术将有效地解决上述两个问题。当搭建起面向整个生产链的数字孪生模型后，实体生产线的各个工艺指标参数数据都可以通过传感器快速传递到工业互联网平台进行整合，提供给虚拟模型用于大数据分析。利用聚类分析、神经网络等先进的机器学习算法，可以实现跨工段、跨车间的参数相关性分析，同时利用数据迭代反馈的高效灵活性，极大降低淀粉生产环节中因反馈的不确定性、物性变化的非线性、监测数据的时滞性而带来的建模误差[17]。

另外，数字孪生将发挥它的实时性。随着各种传感器、边缘端口的完善，实体生产线上各个位点的指标参数信息（如温度、压强、流量等）都可以及时同步到云端网络平台，并反映到对应的虚拟模型上。再通过计算机的高速运算模拟便可进行全面测定整个生产系统效能，通过虚拟模型仿真模拟进行预测，不仅可以节省原有实体技术测定所需的人力物力，更重要的是可以将原本需要的测定周期大幅缩短，从每季度或半年降到以天甚至是小时为单位的周期性测定，及时发现生产链的瓶颈或冗余等问题，生产指令反馈到实体，最高效率地节能降耗，控制生产成本，及时合理地实现工艺参数的优化，最终提升终端产品价值。

2.2 数字孪生在全面质量控制中的应用

淀粉作为广泛食用的农业深加工产品，其质量保证必须满足国家相应的质量标准和生产管理规范[14]。当今淀粉企业已经由传统的只限于产品质量检验，转变为从原料收购、中间产品质量控制、产品售后反馈的全面质量控制，力求最大程度为客户提高满意的优质产品[15]。从原辅料、添加剂的采购，加工过程中间品的抽样，到产品的包装、贮存各个环节，工厂都有相应的质检部门，投入大量的人力物力进行抽检、记录。严格把控原料进场标准、中间产品质量，力求将产品的“事后处理”改变为“事前把关”，避免因产品不合格而造成的经济损失。然而鉴于现行的管理条件，各个环节的质量控制相对独立，经常出现“信息孤岛”的局面，上游的物料变化信息并不能及时协助指导下游工艺进行调整，从而导致生产过程中出现较大波动，严重时甚至导致停车返料。

应用数字孪生技术后，从进厂的原料检测开始，检测数据即可上传至数据平台，结合过往的经验数据，针对不同批次的原料品质，利用虚拟模型进行线上分析模拟，给出适应该批次的加工条件，调整工艺指标参数，并及时下达指令到各个单元生产车间。再通过中间产品检测指标数据进行分步微调，最大程度地控制过程波动，从而保障质量的多级把关，实现产品全生命周期的质量控制。此外辅助生产的相关服务保障供应（辅料、包装、仓储等）以及设备零备件，也应当建立相应的数据库和信息管理系统，并接入数字孪生模型适用的数据信息网络，保障及时合理地实现供应、调配，进而更好地保证产品质量。

2.3 数字孪生在设备维护保障中的应用

淀粉加工涉及多种类、多套设备的综合使用。从物料的机械输送、分离脱水、干燥蒸发到水电气力输送、空气除尘净化，大量化工机械设备参与其中。为了尽可能地保障产能，淀粉加工企业生产线长期处于高负荷运转状态中，设备机器伴随着老化、役龄的增加，发生故障的概率风险不断升高。当今淀粉企业的设备保养仍处于传统的人工模式，安排操作人员定期值班巡查记录，一般采用目视、耳听、手摸、嗅觉的方式，以及使用一些简单的仪表检测工具[15]。如发现异常状况再调拨相关技术人员处理。这种方式大量依赖操作人员的经验判断，一旦问题发现不及时，即可造成设备故障导致的停机检修，影响正常的加工生产[18]。

设备的数字孪生模型可以用于评估故障风险，进行预测性维护。实体的设备型号、最初的设计参数、生产使用中的历史负荷数据、维修记录等相关信息都被传输到以数据信息作为纽带的网络平台。在虚拟模型体上可以通过计算机手段搭建预测设备疲劳程度的仿真模型，有效地预测设备故障风险。例如通过蒸发浓缩中多效蒸发器的真空度下降的变化趋势判断是发生泄露故障还是正常泄压操作。通过信息化的数据分析，虚拟模型对实体的及时行为指令反馈，还将大大减轻传统人工操作的失误风险，降低事故处理的反应时间。

3 结语与展望

数字孪生技术从提出至今已经过近20年的快速发展，从最初的信息通信、航空航天等高精尖领域的应用探索逐步扩展到微电子产业、车辆船舶工业、机械制造、石油化工等行业。其应用在工业设计模拟、生产工艺优化、排产组织管控、设备运维保障等多方面的优势日趋显著。以淀粉行业为代表的农产品深加工行业，作为保证国家经济民生的传统产业，通过技术创新以实现节能降耗、减本增效已势在必行。未来以数字孪生领衔的智能生产技术必将掀起淀粉行业的智能产业革命，为农产品深加工行业开启新的篇章。