跨行业
施耐德 AVEVA Immersive Twin 助力 AI 工厂提升每瓦算力
目标
AI 工厂的设计十分复杂，优化其电力使用和运行效率至关重要。施耐德电气旗下 AVEVA 正在借助 NVIDIA Omniverse™ 和 NVIDIA DSX Sim™ (NVIDIA DSX™ AI 工厂平台的一部分)将其工业工程软件引入 AI 工厂。AVEVA 基于 NVIDIA Omniverse DSX Blueprint 和 SimReady 设备资产构建，可将设备数据与冷却、电力和工艺求解器相连接。其应用支持 DSX Sim 工作流，帮助工程团队在进行物理更改之前综合评估 IT 和设施配置，找出可优化的环节，释放更多电力容量用于 AI 计算。
要点
- 为 AI 工作负载提供更多电力：使用 AVEVA 的数字孪生应用，工程师可以评估冷却、电力和工艺过程的不同方案，识别优化空间，将设施电力预算中的更多份额可用于 AI 计算。
- 低风险的设备变更：团队可以在进行物理变更之前，使用 SimReady 资产，在基于 OpenUSD 和 NVIDIA Omniverse 开发的数字孪生中评估 IT 和设施设备变更。
- 集中工程分析：该数字孪生与冷却、电力和过程求解器共享设备数据，并支持客户选择的第三方求解器。
将冷却、电力和工艺过程仿真纳入同一数字孪生中
冷却、电力和工艺分析通常需要使用专用求解器，而在不同工具之间传递数据，会增加工作衔接的难度。工程团队也可能已有长期使用并信赖的求解器。例如，施耐德电气 EcoStruxure IT Design CFD 对数据机房内部的气流进行建模；若要将分析范围扩展至建筑外部，则需要额外的功能支持。
AVEVA 的 Immersive Twin 将这些工具绑定在一起。它维护一个本体 —— 将 OpenUSD 场景中的设备与工程求解器和测量数据关联起来的映射，并将这些信息整合到数字孪生中。在设计方面，该解决方案基于现有工程工作流和工具，与 AVEVA Unified Engineering 等设计解决方案集成，以生成 OpenUSD 场景。本体和数据模型既可以在该解决方案内部进行定义和追溯，作为单一可信来源，或通过连接到 AVEVA Asset Information Management 等外部系统进行管理。
在仿真方面，该解决方案连接施耐德电气 EcoStruxure IT Design CFD、用于电力仿真的 ETAP 以及 AVEVA Process Simulation。其架构还支持接入客户自行选择的第三方求解器。数据连接同样具备可扩展性：通过 NVIDIA DSX Exchange™，团队可以集成多种数据源，然后在 AVEVA PI 等系统中存储、整理并对齐。
应用在 NVIDIA RTX GPU 上渲染，并使用 Omniverse 的 WebRTC 流式传输功能将画面传送至 Web 浏览器。它可以通过 NVIDIA RTX™ GPU，在本地或云基础设施上部署和扩展。
为了在保持质量的同时加速开发，AVEVA 将 AI 辅助编码与模块化 OpenUSD 架构、CI/CD、代码审查和自动化测试相结合。AVEVA 表示，NVIDIA Omniverse DSX Blueprint 显着加速了其在开拓新市场的进程：团队使用 AI 工具构建 Omniverse 集成代码框架并生成初始测试用例。同样的方法还帮助团队识别视口中的部分高计算量任务，并将其卸载至 GPU 运行。据 AVEVA 介绍，这些改进显着提高了视口响应速度和整体性能。AVEVA 还表示，AI 辅助还有助于帮助团队根据客户反馈快速构建原型并开展短周期验证。AVEVA 从最初的项目研讨到完成可运行原型，仅用了四周。
在短短六个月内，AVEVA Tiger 团队交付了首个端到端 Immersive Twin MVP。该产品结合了 OpenUSD 场景合成、可扩展的集成与编排中心，以及 6 个具有代表性的求解器与数据源集成。通过采用包括 AI 辅助开发在内的高效工程实践，团队迅速将宏大的愿景转化为可运行的一体化解决方案，并为企业级应用奠定了架构基础，具备可追溯性、可扩展性以及清晰的生产部署路径。
“借助 NVIDIA Omniverse 和 OpenUSD，我们通过将设备数据和工程仿真整合到同一个沉浸式数字孪生中，帮助客户管理 AI 工厂项目从设计到优化的整个生命周期。团队可以使用其首选的求解器，综合评估 IT、电力和冷却，在部署前验证变更方案，并大幅缩短项目周期。”
— Arti Garg
AVEVA 首席技术专家
AI 工厂数字孪生显示计算流体动力学 (CFD) 仿真，服务器机架周围采用颜色编码的气流流线，以评估冷却性能。
利用 SimReady Assets 规划 IT 和设施升级
IT 升级可能会改变设施的供电与制冷要求，因此团队需要同时评估 IT 和设施设备。有关单个服务器的信息位于独立系统中，包括数据中心基础设施管理 (DCIM) 工具和集群管理器，这使得 IT 活动与支持它的物理设备更难连接。
AVEVA 的数字孪生将 IT 和设施设备整合到一个模型中。对于在葡萄牙的一个数据中心与 Nscale 和 Start Campus 合作进行的试点，团队导入了该站点的建筑设计，并填充了 SimReady 资产：包含工程属性的 3D 设备模型。该应用使用 Omniverse Fabric 在场景中填充资产。AVEVA 的软件自动从云存储的经过验证的资产文件中读取其可用属性，并填写机架和组件列表。该应用旨在容纳来自多个设备供应商的 SimReady 资产。
工程师可以更改机架配置、编辑设备参数，以及保存和跟踪场景。AVEVA 正在构建场景，工程师对 IT 升级进行建模、评估其对冷却要求的影响，并测试设施设备变更 (例如新的冷却液分配单元 (CDU))是否能够满足这些要求。
模型中的每台服务器也采用了可关联 IT 系统元数据和实时数据的结构设计。这种映射关系帮助 IT 用户在设施工程师用于规划升级的同一模型中，定位正在运行的作业。
对于提高机架功率密度的 IT 更新，AVEVA 的数字孪生使团队能够在一个可追溯的模型中测试机架和设施的变更，并利用 SimReady 工程属性运行供电与制冷仿真，以快速反馈。通过从经过验证的 SimReady 资产中自动填充场景，团队可以将设置时间从数天缩短至数小时，并在数分钟到数小时内迭代每个新配置，而不是在传统、断开的工作流中需要多天。
这些设备变化也会影响设施的供电与制冷要求。
AVEVA
利用冷却仿真优化 AI 工厂用电量
每个 AI 工厂都在既定的功率范围内运行。低效的冷却设计可能会从占用原本可用于 AI 计算的电力，限制 GPU 利用率和整体效率。挑战在于如何在不使设备温度超出目标范围的前提下降低冷却功耗。
为应对这一挑战，AVEVA 在其数字孪生应用中内置了冷却优化器。该应用基于 NVIDIA Omniverse 库和 OpenUSD 开发，使用 Omniverse Kit SDK 构建三维界面。优化器以数据机房的当前布局为基础，在保持 IT 负载不变的情况下，在仿真中调整 CDU 的冷却液温度。工程师可以通过动画视图查看温度变化及其是否满足目标要求，查看详细的数据看板，并将同样的分析方法应用于训练、推理和突发工作负载场景。
确定合适的冷却参数，在满足温度目标的同时，降低风机墙和 CDU 功率，从而有望在相同的设施功率范围内为 AI 工作负载提供更多电力。
当 IT 设备发生变化时，对冷却基础设施的需求也会随之改变，设备配置也成为工程工作流中的重要环节。
AVEVA
引入更多求解器和 AI 智能体，扩展 AI 工厂数字孪生
随着解决方案从最初的开发团队向更广泛的团队推广，AVEVA 计划接入更多第三方求解器和分析工具。AVEVA 还计划利用 AI 智能体预判来支持跨连接求解器的用户交互和分析。这些扩展将基于其以 OpenUSD 为基础的数字孪生构建，将设备数据和工程仿真整合到统一视图中。
使用 OpenUSD 和 NVIDIA Omniverse 库构建 AI 工厂数字孪生，将工程和运营数据与仿真连接。
