Lernprogramm für Digital Twin Builder (Vorschau): Einführung

Digital Twin Builder (Vorschau) ist ein Microsoft Fabric Element zum Erstellen von Betriebsanalyseszenarien für physische Vorgänge. Der Digitale Zwillings-Generator bietet eine Low-Code-/No-Code-Erfahrung, die unterschiedliche Datenquellen über Fabric und Azure IoT Einsatz verbindet, digitale Zwillinge erstellt und Einblicke ohne spezielle technische Fähigkeiten generiert. Betriebsmitarbeiter können Zwillinge anhand ihrer Beziehungen und der Laufzeitanalyse innerhalb von Fabric erkunden. Nutzen Sie die daraus resultierenden Erkenntnisse, um Abfall zu reduzieren, den Ertrag zu verbessern, die Sicherheit zu verbessern und Nachhaltigkeitsziele zu erreichen.

Von Bedeutung

Dieses Feature befindet sich in der Vorschauphase.

Dieses Tutorial führt Sie durch die Erstellung einer Szenarioontologie im Digital Twin Builder für das fiktive Energieunternehmen Contoso, Ltd. Es behandelt die Modellierung und Kontextualisierung von Daten aus mehreren Quellen und endet mit einem Power BI-Bericht, der die Daten visualisiert.

Voraussetzungen

  • Die neueste Power BI Desktop-App, die auf Ihrem Computer installiert ist. Tutorial Teil 5 (Erstellen eines Power BI-Berichts) erfordert Power BI Desktop und funktioniert nicht mit dem Power BI-Dienst in Fabric.

Tutorialszenario: Contoso, Ltd. – Destillation von Bioethanol

Dieses Lernprogramm enthält das fiktive Energieunternehmen Contoso, Ltd., ein Bioethanolhersteller, der digital Twin Builder (Vorschau) auf seinen Destillationsstandorten verwenden möchte, um die Effizienz zu verbessern, den Energieverbrauch zu reduzieren und die Produktqualität sicherzustellen.

Contoso, Ltd. stellt sich drei Herausforderungen in seinen aktuellen Destillationsprozessen:

  • Effizienz: Bestehende Destillationseinheiten sind nicht optimiert, was zu längeren Verarbeitungszeiten und höheren Betriebskosten führt.
  • Energieverbrauch: Die zur Erhaltung des Destillationsvorgangs erforderliche Energie ist wesentlich, was sich auf Nachhaltigkeitsziele auswirkt.
  • Produktqualität: Variationen in Prozessparametern machen es schwierig, eine konsistente Produktqualität an verschiedenen Standorten sicherzustellen.

Um diese Herausforderungen zu bewältigen, muss Contoso, Ltd. folgende Aufgaben erfüllen:

  • Sammeln von Daten und Metadaten aus mehreren Quellen, einschließlich Sensoren, Steuerungssystemen und Laborinformationsmanagementsystemen.
  • Verknüpfen Von Ressourcen durch Erstellen eines semantischen Kontexts, der große Prozesse und Objektdetails darstellt.
  • Skalieren Sie den semantischen Kontext, um datengesteuerte Entscheidungen auf allen Websites zu treffen.

Das folgende Diagramm zeigt, wie der Destillationsprozess von Contoso, Ltd. strukturiert ist:

Diagramm, das die Struktur des Destillationsvorgangs von Contoso, Ltd. auf allen Standorten zeigt, einschließlich der Destillateur-, Kondensator- und Reboiler-Ressourcen und deren Datenflüsse.

Digital Twin Builder integriert und kontextualisiert Daten aus diesen Quellen in eine einheitliche Ansicht des Destillationsprozesses, sodass Contoso, Ltd. Den Betrieb optimieren, den Energieverbrauch reduzieren und die Produktqualität verbessern kann.

In diesem Lernprogramm verwendete Beispiel-Ontologie

In diesem Tutorial wird ein Teil des Destillationsprozesses von Contoso, Ltd. verwendet. Die folgende Ontologie stellt diese Teilmenge dar:

Diagramm mit dem Destillationsprozess contoso, Ltd. dargestellt als Ontologie mit Entitätstypen wie

Lernprogrammdatenzusammenfassung

Contoso, Ltd. modelliert und standardisiert Destillationsprozesse an 10 Standorten in Digital Twin Builder. Jede Website ist eine Instanz des Prozessentitätstyps.

In diesem Lernprogramm verwendete Rohdatenquellen

In diesem Lernprogramm verwenden Sie die folgenden Datenquellen:

Datentyp Verwendung
Bestandsdaten Objektdefinitionen für Destillateur, Kondensator und Reboiler. Jeder dieser Entitätstypen weist 10 Instanzen auf, die in der Tabelle definiert sind.
Zeitreihe Breit formatierte Betriebsdaten.
Wartungsanfragen Wartungsanforderungen, die einem bestimmten Techniker und einer bestimmten Ausrüstung zugeordnet sind.
Techniker SAP-Daten über Techniker, die an Standorten arbeiten.
Destillationsprozessdaten MES/Prozessdaten für mehrere Standorte, die Start- und Endzeiten und Abfall-KPIs für jeden Prozesseintrag enthalten. Ein Kunde bringt die MES-Daten ein und kontextualisiert sie mit Ressourcen- und Ereignisdaten, um jeden aufgetretenen Prozess zu isolieren.

Betriebszeitreihendaten

Durch ein Edgesystem empfängt Contoso, Ltd. Zeitreihendaten von seinen Websites. Alle Standorte führen denselben Destillationsprozess aus, der die folgenden Ressourcen umfasst:

  • Destillierer: Produziert Zeitreihendaten für RefluxRatio, , MainTowerPressureFeedFlowRateund FeedTrayTemperature.
  • Kondensator: Erzeugt Zeitreihendaten für Pressure, Powerund Temperature.
  • Reboiler: Erzeugt Zeitreihendaten für Pressure, InletTemperatureund OutletTemperature.

Diese Messungen helfen dabei, den Destillationsprozess zu überwachen und zu steuern, um einen effizienten und sicheren Betrieb zu gewährleisten.

Was Sie in diesem Lernprogramm erstellen

In diesem Tutorial lernen Sie:

  • Richten Sie Ihre Umgebung ein und stellen Sie ein digitales Twin-Builder-Element bereit.
  • Erstellen Von Entitätstypen und Zuordnen von Eigenschaften- und Zeitreihendaten zu diesen Daten.
  • Definieren sie semantische Beziehungen zwischen Entitätstypen.
  • Suchen und erkunden Sie Ihre Ontologie.
  • Erstellen Sie einen Power BI Bericht mit digitalen Twin Builder-Daten.

Die folgenden Abbildungen zeigen den Power BI Bericht, den Sie in Lernprogramm Teil 5 erstellen.

Power BI-Berichtsseite 1 mit Details zu den Kondensator-Assets im Zeitverlauf.

Power BI Berichtsseite 2 mit Beziehungsinstanzdaten für Wartungsaufträge.

Nächster Schritt

Teil 1 des Tutorials: Einrichten von Ressourcen

  • Last updated on