Версия сайта для слабовидящих
В этой статье рассмотрим, как технологии Industry 4.0 помогают российскому нефтехимическому холдингу СИБУР повысить операционную эффективность производства и обеспечить безопасность труда. Сегодня мы собрали для вас 5 примеров практического использования различных методов и инструментов Big Data, Machine Learning, Industrial Internet of Things (IIoT), а также XR (AR+VR).
Зачем нефтехимикам технологии Industry 4.0: 5 бизнес-направлений
Напомним, СИБУР – это крупнейшая в России интегрированная группа газоперерабатывающих и нефтехимических предприятий, которая производит и продает на отечественном и международном рынках нефтехимическую продукцию: полипропилен, полиэтилен, пластики, синтетические каучуки, пенополистирол и пр. [1]. В составе компании много заводов, распределенных по всей территории страны, с разной степенью продвинутости в плане технологий Industry 4.0 (I4.0). Однако наиболее примечательным в этом отношении можно назвать следующие кейсы:
- предупреждение поломок и предиктивное обслуживание оборудования;
- рекомендательная система для операторов АСУТП;
- прогнозирование рыночных цен на отдельные виды продукции;
- обеспечение безопасности труда;
- обучение и повышение квалификации сотрудников.
Как это реализуется на практике, мы рассмотрим далее.
Как IIoT, Big Data и Machine Learning помогают операторам АСУТП и сохраняют дорогостоящее оборудование
Сибур для производства полипропиленов в виде гранул использует экструдер – специальную машину непрерывной переработки сырья, очень большую, конструктивно сложную и дорогую. Внеплановая остановка производственного процесса, разбор и ремонт этого оборудования обходятся в весьма солидную сумму. Для предупреждения таких случаев была разработана комплексная система предиктивной аналитики, которая в режиме реального времени следит за показателями экструзии и полимеризации с помощью видеонаблюдения и IIoT-датчиков. На основании этих данных модель машинного обучения прогнозирует аварийный останов из-за наличия агломератов в экструзивной смеси. В этом случае операторы АСУТП получают предупреждение и могут предотвратить аварию, усилив прижим ножей или изменив настройки экструдера. Такая Big Data система успешно эксплуатируется на предприятии с 2018 года, обеспечив полное отсутствие незапланированных остановов. Для сравнения, в 2017 году было 19 прецедентов с аварийным остановом оборудования, информация о которых использовалась для обучения модели Machine Learning.
Аналогичные технологии I4.0 применяются для реализации рекомендательных систем для поддержки работы операторов АСУТП. В частности, в СИБУРе модели машинного обучения используются для оптимизации температурного режима при производстве бутадиена, сигнализируя о том, когда и какую заслонку надо открыть с точностью до градуса. Это помогает поддерживать температуру у верхней допустимой границы, получая максимальный выход конечного продукта без подгорания дорогого катализатора. Другая модель Machine Learning определяет степень закоксованности термодатчиков в реакторах для производства бутилена. Это позволяет предупредить разрушение решеток, заблаговременно и быстро выжигая образовавшийся кокс без вскрытия самого реактора. Таким образом увеличивается межремонтный интервал этой крупной и дорогостоящей техники [2]. Подобные проекты по предиктивному техобслуживанию оборудования также реализован в ПАО «Северсталь», ПАО «Газпромнефть» и ПАО «Роснефть».
AR и VR для чрезвычайных ситуаций и обучения сотрудников
Технологии виртуальной (VR) и дополненной реальности (AR) также принято относить к стеку I4.0. Объединение AR и VR называют XR. СИБУР эти технологии использует в следующих кейсах [3]:
- связь оператора на заводе и удаленного эксперта, например, для сбора/разбора оборудования или установки настроечных параметров в случае производственной необходимости, когда экстренная ситуация произошла внезапно и компетенций сотрудника, который находится на месте, недостаточно для решения проблемы;
- тренажеры и симуляторы для обучения и повышения квалификации сотрудников, когда в дистанционном режиме можно «побывать внутри» производственного процесса или технологического оборудования, уяснив все особенности их функционирования.
На практике направление XR пока менее распространено, чем другие технологии I4.0, такие как Big Data, Machine Learning и IIoT. Это обусловливается не только молодостью направления XR, но и спецификой его применения в условиях российской промышленности. Из наиболее важных факторов, сдерживающих развитие XR-инструментария можно отметить следующие [3]:
- неподготовленность инфраструктуры, например, отсутствие беспроводных сетей и проксирование проводного интернет-соединения по требованиям информационной безопасности;
- неготовность XR-оборудования к специфике применения, к примеру, сильный нагрев в процессе работы, что неудобно при долгом использовании и недопустимо по требованиям взрывозащиты;
- неготовность персонала к переходу на новые подходы к работе.
Однако, цифровизация отечественных производств продолжается, и со временем эти проблемы будут устранены.
Машинное обучение в производственной безопасности и маркетинге
Видеоаналитика помогает СИБУРу не только в предиктивных ремонтах оборудования. Алгоритмы Machine Learning, в режиме онлайн обрабатывающие записи с камер видеонаблюдения, позволяют обеспечить безопасность труда на производстве, например, идентифицировав человека в запретной зоне. Также видеонаблюдение используется для автоматического анализа корректности действий сотрудника при типовых операциях. С учетом вышеописанных особенностей нефтехимического производства стоит отметить, что большинство интеллектуальных операций выполняется не «на местах», а на удаленных серверах. Это намного эффективнее и дешевле, т.к. взрывозащищенные видеокамеры с машинным зрениям стоят весьма дорого.
Поэтому ИТ-специалисты СИБУРа размещают сервера для анализа видеопотока максимально близко к видеокамерам, но во взрывозащищённой зоне. Сама же интеграционная шина, которая обеспечивает связь с системой видеонаблюдения, озером данных (Data Lake), IoT-платформой и прочими сервисами, разворачивается на нескольких виртуальных машинах в кластере производства для обеспечения высокой доступности системы [4].
Наконец, поскольку СИБУР не только производит, но и продает свою продукцию, для предприятия актуальны задачи ценообразования и прогнозирования спроса. В частности, в компании разработаны модели машинного обучения для предсказания рыночных цен на отдельные виды продукции. Также есть и другие маркетинговые кейсы.
Примечательно, что все рассмотренные кейсы планируется объединить в одну платформу цифровизации. В частности, модели машинного обучения уже разрабатываются с использованием единого ML-фреймворка, ставшего производственным стандартом де факто. Это гарантирует единство интерфейсов и автоматизированный мониторинг их работы. Также ML-фреймворк позволяет унифицировано сохранять каждый цифровой продукт в контейнер и автоматически развертывать API [2].
А сама единая система обработки и хранения данных всего СИБУРа основана на интеграции проприетарных и открытых технологий Big Data. Например, Apache NiFi и AirFlow нужны для потоковых и пакетных данных, Flume для первичного приема данных и их декодирования, Kafka для буферизации, Flink и Spark Streaming для потоковой обработки. Для извлечения информации из SAP подойдет отдельный ETL-инструмент — SAP Data Services, а в качестве средств хранения – Cloudera Hadoop, включая HDFS, HBase, Hive и Impala, а также аналитическая СУБД Vertica. Для полнотекстового поиска потребуется Elasticsearch, а также прочие компоненты ELK-стека для мониторинга и визуализации. Конечные бизнес-пользователи будут взаимодействовать с BI-приложениями SAP, Tableau и пр. Эта комплексная Big Data система еще не полностью реализована, одна в рамках цифровизации предприятия, ее разработка идет полным ходом [5].
Завтра мы продолжим разговор про цифровую трансформацию и разберем новости Указа Президента «О национальных целях развития Российской Федерации на период до 2030 года», который вышел 21 июля 2020 года. А какие технологии Industry 4.0 нужны для цифровизации вашего бизнеса и как их внедрить, вы узнаете на специализированных курсах в нашем лицензированном учебном центре обучения и повышения квалификации для разработчиков, менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data в Москве:
Источники
