"Вести Сахалин Энерджи" 0 комментариев

Предсказательный мониторинг: опыт реализации проекта в «Сахалин Энерджи»

В последнее десятилетие появилась тенденция миниатюризации и удешевления устройств хранения и обработки данных, перевод процессов компаний в «цифру». Такой тренд обусловил возможность внедрения арсенала аналитических программ для отслеживания больших объемов данных, генерируемых предприятием, и прогнозирования развития событий с целью принятия управленческих решений.

Все самое интересное и уникальное мы публикуем в альманахе «Управление производством»300+ мощных кейсов, готовых к использованию чек-листов и других полезных материалов ждут вас в полном комплекте номеров. Оформляйте подписку и получайте самое лучшее!

Многие компании в мире и в России уже используют предсказательную аналитику для оптимального решения различных бизнес-задач. «Сахалин Энерджи» не исключение. Сейчас в компании реализуется проект внедрения предсказательного мониторинга работы технологического оборудования.

На объектах компании уже решается уже довольно широкий спектр задач по мониторингу технологического оборудования – от простых ежесменных обходов, проводимых операционным персоналом, до непрерывного автоматического онлайн-мониторинга с функцией оповещения ключевых специалистов. Развернуто значительное количество систем, позволяющих контролировать параметры статического, динамического и электрического оборудования в реальном времени и на основе периодических испытаний. Примерами таких систем являются CIRRAS/RBI, System 1, SmartConnect, RST, PTM HUB, Partial Discharge Monitoring.

Такое многообразие систем позволяет анализировать и оценивать техническое состояние оборудования на основе нормативно-технической документации. Но такой подход не позволяет с достаточной степенью вероятности прогнозировать изменение его состояния и выявлять ранние признаки деградации оборудования. Внедрение системы предсказательного мониторинга позволяет решать эту задачу.

Раннее обнаружение признаков деградации или снижения эффективности работы производственного оборудования, в свою очередь, помогает исправлять ситуацию тогда, когда затраты на ремонт и устранение неисправности еще сравнительно невелики. И даже если деградация неустранима и продолжает развиваться, несмотря на принимаемые меры, диагностика на опережение может обеспечить запас времени для корректировки производственных планов, мобилизации материалов и персонала подрядчиков, а также для подготовки оборудования к ремонту.

Опыт, полученный в процессе использования предсказательного мониторинга, создает базу для оптимизации планово-предупредительных ремонтов и плановых остановов производственного оборудования. Кроме того, появляется возможность изменить философию технического обслуживания некритичных с точки зрения безопасности и производства систем и действовать на основании оценки фактического состояния оборудования.

В индустрии существует большой набор инструментов для решения описанной задачи. Компания тщательно изучила все, что может способствовать их оптимальному выбору: технологии и лидеров в этой области, опыт акционеров, отраслевые публикации, референс-визиты. В результате анализа для реализации пилотного проекта было выбрано три программных продукта. На их тестирование потребовалось от трех до шести месяцев.

ПИЛОТНЫЙ ПРОЕКТ ПРЕДСКАЗАТЕЛЬНОГО МОНИТОРИНГА

Процесс внедрения системы предсказательного мониторинга проходил поэтапно:

  • постановка задачи и определение объема работ;
  • сбор и подготовка данных;
  • построение предсказательных моделей;
  • настройка и оптимизация платформы с последующим онлайн-мониторингом.

Рассмотрим их последовательно.

ПОСТАНОВКА ЗАДАЧИ И ОПРЕДЕЛЕНИЕ ОБЪЕМА РАБОТ

Проведено моделирование нескольких единиц наиболее критичного технологического оборудования:

  • на заводе по производству сжиженного природного газа;
  • на объединенном береговом технологическом комплексе.

СБОР, ПОДГОТОВКА И ИССЛЕДОВАНИЕ ДАННЫХ

Все необходимые технологические параметры, используемые в модели, поступают из системы PI Historian, на их основании собираются массивы данных для каждой единицы исследуемого оборудования. Далее подготавливаются массивы данных для обучения модели – они характеризуют нормальное состояние машины, поэтому имеют фундаментальное значение для точности прогнозирования, работоспособности и чувствительности модели. Для подготовки обучающего массива данных общий массив исторических данных анализируется и очищается от технических данных, не характерных для нормального состояния оборудования. На основе экспертного мнения в модели конфигурируются правила по автоматическому определению дефектов и описываются конкретные рекомендации для предотвращения их развития.

ПОСТРОЕНИЕ ПРЕДСКАЗАТЕЛЬНЫХ МОДЕЛЕЙ

Предсказательная модель (далее – модель) – это определенный набор конкретных взаимозависимых технологических параметров, которые находятся в желаемом диапазоне рабочих режимов.

Если один или несколько параметров смещаются в ту или иную сторону, в то время как остальные остаются неизменными, модель предвидит аномалию и сигнализирует об этом. При этом автоматизированная система управления технологическим процессом не видит аномалии, поскольку все изменения происходят внутри границ рабочих режимов.

НАСТРОЙКА ПЛАТФОРМЫ С ПОСЛЕДУЮЩЕЙ ОПТИМИЗАЦИЕЙ

Перед развертыванием модели необходимо установить уровни сигналов предупреждения. В отличие от традиционных установок, которые являются абсолютными пороговыми значениями технологических параметров, предсказательные установки представляют собой порог отклонения фактических значений технологических параметров от предсказанного значения. Совокупность таких отклонений при мониторинге будет давать общее расхождение модели – безразмерный показатель, характеризующий общее отклонение поведения машины от поведения, предсказанного ее моделью. Чем больше и дальше технологические параметры отклоняются от своей предсказанной нормы, тем выше общее расхождение модели.

Обнаруженные расхождения модели за установленные ранее пределы в общем случае требуют проведения расследования причин. Правильно сконфигурированная модель поможет определить их и дать информацию для корректировки планов обслуживания.

По итогам открытого тендера было выбрано программное обеспечение, на базе которого будет реализовываться весь проект. С его помощью получены лучшие результаты работы модели, удовлетворяющие изначальным требованиям к качеству предсказаний.

После проведенного пилота решено развернуть систему предсказательного мониторинга на базе парка особо важного технологического оборудования в количестве ста единиц. Система предсказательного мониторинга совместно с традиционными системами позволит значительно расширить горизонт предсказания поломок оборудования. Техническое обслуживание станет более эффективным за счет точечных работ по факту состояния вместо регламентированного общего капитального ремонта.

Итак, применение предсказательной аналитики имеет ряд преимуществ по сравнению с традиционными подходами. Основное достоинство этого метода заключается в том, что он дает возможность не только получать новые знания на основе имеющейся информации и автоматизировать рутинные процессы, но и использовать машинное обучение для решения различных прикладных задач в целях повышения эффективности работы.

Вадим Борисов, Максим Бакулин

0 комментариев
Отправить
обсуждения
Толковая статья автора-практика. Полная версия - в крайнем номере альманаха "Управление произво... Из личного опыта: как вовлечь сотрудников в процесс непрерывного совершенствования
Никакая программа не позволяет "выявлять причины брака", только сигналы об изменениях в пр... За качество берётся статистика: SPC на «КАМАЗе»
Добрый день, Статистическое управление процессами - это не сравнение контролируемых значений с г... За качество берётся статистика: SPC на «КАМАЗе»
Узнайте больше Альманах “Управление производством” 300+ мощных кейсов, готовых к использованию чек-листов и других полезных материалов
Альманах “Управление производством”