AROSON
Системы прогнозирования для промышленности
Тел.: +7 499 113 34 04
E-mail: office@aroson.ru
Системы прогнозирования
Решаемые задачи
Снижение расходов на обслуживание оборудования
Осуществляется оценка текущего состояния оборудования и прогнозирование срока выхода его из строя (предиктивное техническое обслуживание).
Повышение качества продукции
Цель достигается за счет выявления причин выпуска некачественной продукции, оптимизации технологических процессов.
Сокращение числа внеплановых остановок
Оптимизируется график работы оборудования, предотвращаются внеплановые поломки оборудования. Выявляются и устраняются причины нарушения технологии производства.
Повышение безопасности производства
Система автоматически обнаруживает шаблоны предаварийных ситуаций, что дает возможность не допустить их.
В основе решений лежат технологии машинного и глубокого обучения
Машинное обучение
Машинное обучение (Machine Learning, ML) – это набор методов, алгоритмов, которые используются для обработки больших объемов данных. С помощью машинного обучения данные, поступающие от оборудования, технологических процессов, обрабатываются и выявляется связь одних параметров с другими. Это дает возможность прогнозировать одни параметры, зная другие.
Глубокое обучение
Глубокое обучение (Deep Learning, DL) еще называют глубинным обучением. Представляет собой совокупность методов машинного обучения и используется для решения сложных задач: работа с видео и голосом человека, обработка больших массивов данных и других задач, где не справляется классическое машинное обучение.
Предиктивное обслуживание оборудования ( Predictive maintenance, PdM)
Решение для мониторинга промышленного оборудования, обнаружения дефектов на ранних этапах. Благодаря непрерывному сбору данных и их обработке система позволяет не только своевременно информировать персонал об обнаруженных неисправностях, но спрогнозировать вероятные отклонения, которые еще не произошли.

Наши клиенты платят не за программное обеспечение, а за фактический рост своей прибыли и оплата наших услуг может осуществляться после достижения поставленных целей, таких как: уменьшение издержек предприятий, рост производительности, повышение качества продукции, сокращение числа аварийных остановов.
Проекты
Сокращение времени простоев путем внедрения аналитики
Предприятия могут увеличить время работы производства за счет аналитики «больших данных» и прогнозирования поломок. Системы прогностического обслуживания собирают исторические данные и представляют аналитику, что затруднительно сделать, используя традиционные методы. Организации могут контролировать все важные параметры и вмешиваться еще до того, как поломка случается или же заранее подготовиться к замене деталей. Это позволяет сократить время простоев. Предиктивное обслуживание обычно позволяет сократить простои оборудования на 30-50 % и увеличить срок службы на 20-40 %.

История успеха

Химические производства уже увидели преимущества обработки Big Data. Один из крупных производителей ПАВ постоянно сталкивался с проблемой в системе рециркуляции, где периодически выходил из строя насос. Каждый такой инцидент приводил к остановке всего производства на 10 часов, пока осуществлялась замена неисправного насоса. Этот насос очень дорогой, кроме того были потери из-за простоев. Инженеры предприятия рассматривали различные гипотезы, чтобы определить возможные причины неисправностей, устанавливали различные уплотнения, меняли рабочие параметры, но ничто не решало проблему.

С помощью глубокого анализа данных удалось изменить ситуацию. Путем анализа большого количества данных, полученных от сотен датчиков и сенсоров удалось разработать методологию прогнозирования неизбежности аварии. Проблема у заказчика была лишь с несколькими видами ПАВ и связана с технологиями их производства. Была получена модель, которая учитывала конкретные параметры технологии: максимальную температуру, изменение температуры в зависимости от типа ПАВ и технологии производства. При новом подходе при производстве каждой новой партии ПАВ происходил анализ системой аналитики. Если авария была неизбежна, то операторы получали соответствующий сигнал и осуществляли 15 минутную чистку некоторых деталей оборудования, что позволяло избежать поломок насосов. Реализация такого проекта позволила избежать 10 часовых простоев плюс снижение расходов на запасные части для насосов. Вместо этого периодически осуществляются 15 минутные остановы для чистки. Это позволило сократить потери производства на 58 % и стоимость обслуживания на 79 %.
Машинное обучение о снижение количества брака
Химическое производство этилендихлорида, используя искусственный интеллект, повысило качество продукции, нарастило прибыль на 1,7 млн. евро за 10 месяцев.

На производстве наблюдался большой выход побочного продукта (6 ppm вместо планируемых 2 ppm). В связи с этим приходилось продавать продукт по более низкой цене.

Для решения этой задачи был разработан цифровой двойник производства. Дальнейший анализ данных позволил выявить, что комбинация различных температур колонны и скорости потока вещества, поступающего в колонну, вели к образованию нежелательного продукта. При этом все параметры (расход и температура) были в допустимых пределах, поэтому автоматика не подавала предупреждающие сигналы об отклонениях.

После понимания причин проблем с помощью цифрового двойника были проверены различные сценарии работы. Были сымитированы различные условия работы (температуры, расходы) и получены данные при которых производство наиболее оптимально. Разработанное решение позволяет также предупреждать операторов, если сочетание температур и давления может привести к снижению эффективности производства.

Полученное решение позволило предприятию дополнительно заработать 1,7 млн. евро за 10 месяцев.
Биотехнологическое производство. Снижение числа простоев с помощью предиктивной аналитики
У компании производителя пищевых компонентов в одном из ежеквартальных отчетов был обнаружен рост простоев производства на 3,6 % по сравнению с предыдущим периодом. Простой оборудования был вызван необъяснимым ростом вязкости продукта, что вело к блокировке трубопровода между реактором и центрифугой (см. рисунок выше).

Забивание труб вязким продуктом приводило к необходимости частых прочисток оборудования, что приводило к потере продукта, сокращению производительности.

Группа анализа, созданная при предприятии, не смогла выявить причины роста вязкости и последующей блокировки, т.к. все технологические параметры были в пределах, установленных регламентом.

Решение

Было принято решение инвестировать в систему прогнозирования простоев. Были собраны и проанализированы данные, полученных с производства. Была проведена корреляция инцидентов блокировки и причин, которые могли привести к этому при условии, что все рабочие параметры были в пределах нормы.

После обработки данных алгоритмом было выявлено, что проблемы случаются через один-два часа после специфической комбинации параметров в емкости смешения, реакторе и колонне разделения.

На основании данного открытия было разработано решение, которое может спрогнозировать и информировать операторов о блокировке трубопроводов еще до того, как это опять случится.

Результаты внедрения системы прогнозирования блокировки трубопроводов

1. Частота прочистки трубопроводов
До внедрения: После каждой партии
После внедрения: В соответствии с рабочим графиком

2. Простои из-за блокировки
До внедрения: Минимум 6 раз в квартал
После внедрения: 1 раз в квартал

3. Расходы из-за простоев
До внедрения: 11 % общих расходов
После внедрения: 3 % общих расходов

4. Производительность производственной линии
До внедрения: - 3,6 %
После внедрения: +5,1 %
Оптимизация работы колонны разделения смеси этанол-вода
Решение направленно на ранее выявление аномалий в работе колонн разделения смеси этанол-вода. Отклонения от нормального протекания процесса могут быть вызваны: изменением скорости подачи сырья на входе в колонну, составом сырья, трудностями с ребойлером. Данные факторы могут привести к изменению состава дистиллята и кубового остатка, температуры дистиллята и кубового остатка, к изменению перепада давления и расхода кубового остатка.

Разрабатываемая интеллектуальная система выступает в качестве помощника оператору и помогает на ранних стадиях выявить отклонения от нормы и предпринять действия для нормализации ситуации.

Прогностическое обслуживание ректификационных колонн
Техническое обслуживание, ремонт и восстановление промышленного оборудования обходится очень дорого и требует много времени. Внезапные остановы могут негативно повлиять на производственный процесс и привести к значительным потерям. Поэтому прогнозирование срока службы очень важно для недопущения внезапных поломок, которые могут привести к останову всего производства целиком. Мы предлагаем разработать решение, направленное на оценку степени износа ректификационных колонн и расчет в процентах остаточного срока службы. Методика апробирована на реальных экспериментальных данных, полученных при работе колонн в химической промышленности.

Прогнозирование износа футеровки мешалки вертикальной мельницы
Вертикальные мельницы с мешалками имеют широкое распространение и применяются для доизмельчения. Несмотря на многолетнее применение этих устройств, некоторые аспекты из работы вызывают вопросы. Так выделяют проблему износа футеровки мешалки, которая непосредственно контактирует с шарами измельчения и самой пульпой, в этом месте наблюдается максимальный износ. Тщательная оценка состояния футеровки позволяет повысить надежность и составить эффективный план технического обслуживания, сократить эксплуатационные расходы. Предлагаемый метод мониторинга строится на обработке данных электропитания, данных вибродатчиков, спектрального анализа. Этот метод достаточно прост и очень дешёвый, а получаемый результат, степень износа футеровки, имеет высокую точность.
Выявление кавитации центробежных насосов
Кавитация – один из основных недостатков насосных систем, который ведет к образованию пузырьков газов в трубопроводах, в улитке и ведет к снижению эффективности насоса. Это явление должно быть выявлено и приняты меры для его нейтрализации. Машинное обучение – это технология, которая позволяет быстро и эффективно выявить различные проблемы системы. До настоящего времени многие задачи по выявлению неисправностей могли быть решены на основании данных о вибрации и изменяемой скорости насоса. Данная же методика позволяет выявить кавитацию с помощью машинного обучения, за счет контроля изменения давления в системе и числа оборотов насоса.
Нейронная сеть для классификации по размеру руды, поступающей на измельчитель.
Информация о размере руды очень важна при ее подаче в производственный процесс. Крупная фракция должна быть выявлена заранее и до автоматизации этим занимался персонал при визуальном осмотре. Новая система, построенная на технологии нейронных сетей, позволяет осуществить классификацию фотографий руды и на основании полученных данных выбрать подходящий технологический режим. Классификация руды осуществляется в режиме онлайн, что позволяет быстро настроить режим работы измельчителей.
Повышение эффективности производства алканов
При выпуске определенного вида алканов на одном из производств конвейер иногда забивался гранулами вещества. Причина этого была неизвестна. Единственным решением было каждый раз переходить на другой вид алканов, из-за чего были незапланированные простои, изменение плана выпуска продукции, трудозатраты на замену реагентов.

Благодаря внедрению системы аналитики, путем обработки больших объемов данных, была выявлена причина отклонений. Причина оказалось в том, что давление в реакторе снижалось раньше, чем оно росло в конвейерной системе, которая расположена после реактора.

Следующим шагом стал мониторинг давления в реакторе. Это дало 15 % рост эффективности производства проблемного вида алканов, что положительно повлияло на общую прибыль производства.
Оптимизация процесса приготовления реагентов в ёмкости смешения
Добавление компонентов в емкость смешения приводит к росту температуры, которая коррелирует с качеством перемешивания. В случае неконтролируемого изменения температуры получаются разные по качеству продукты смешения, что ведет к росту количества отходов. Благодаря построенной модели машинного обучения была установлена связь между температурой и количеством основного компонента, подаваемого в емкость смешения. Была разработана система контроля температуры путем подачи нужного количества вещества с нужной скоростью. Это позволило сократить количество отходов и получить уведомления, когда требовалось вмешательство оператора в процесс приготовления смеси.
Выявление причин пенообразования при промывке во время производства смол
В процессе производства смол в баке промывки иногда происходило вспенивание, что вело к забиванию следующих за баком трубопроводов и отложению смолы на датчиках. Для удаления засоров и отложений смол требовалась дорогостоящая очистка.

Система аналитики позволила обнаружить, что вспенивание может быть выявлено с помощью датчиков температуры паров, т.к. в результате отложения смол на датчиках они начинают показывать заниженное значение. Дальнейший анализ данных показал, что вспенивание происходило, когда в бак промывки возвращали большое количество промывочной жидкости, в частности после производства очень вязкого продукта.

После этого был изменен регламент промывки, количество случаев пенообразования значительно сократилось. Это привело к снижению стоимости промывки, увеличению надежности датчиков и росту общей производительности производства.
Повышение эффективности кристаллизации
Регулярные трудности с этапом сушки в процессе кристаллизации приводили к потерям времени производства и снижению качества продукта. Была обучена модель, которая позволила выявить закономерности между давлением в системе и качеством конечного продукта. В результате также удалось снизить число аварийных ситуаций из-за закупорок в систему кристаллизации.
Устранение рисков за счет раннего предупреждения о возможной аварийной ситуации
Большое количество реакторов используют в системе охлаждения оборотную воду, поступающую из сетей. Достаточно температура поступающей воды, ее расход, имеют огромное значение для реакторов, из-за недостаточного охлаждения может произойти авария, нарушиться технологический процесс.

Для недопущения таких ситуаций была разработана система мониторинга охлаждающей способности воды, система работает в режиме реального времени. Совокупность данных, поступающих с производства, их обработка, позволяет выдавать сигналы только об актуальных проблемах, о потенциальной возможности недостаточного охлаждения, избегая ошибочно положительные сигналы, которые могут быть вызваны шумами, выбросами в данных.

Когда заранее поступает предупреждение, у оператора есть время на адаптацию системы, чтобы на реактор поступило количество воды досочное для охлаждение. Это особенно важно в летний период, когда в контуре оборотного водоснабжения наблюдается рост температуры.

Предиктивное обслуживание отпарной колонны установки алкилирования
Фтороводород используется в качестве катализатора в установках алкилирования нефтеперерабатывающих заводов. Данное вещество регенерируется в отпарной колонне, где оно сливается в барабан несколько раз в день в зависимости от уровня в колонне. Через несколько дней четыре датчика уровня, установленных на разных уровнях в барабане, подают сигнал о том, что барабан полон и требуется дренирование. Барабан заполняется неравномерно. Было установлено, что время оставшееся до полного заполнения барабана зависит от потока фтороводорода в отпарной колонне (косвенная зависимость). Разработанная система позволяет спрогнозировать оставшееся время до момента, когда потребуется обслуживание барабана. Это дает возможность заранее спланировать работы и тем самым снизить их стоимость.
ИИ для повышения производительности и рентабельности химических производств
Многие химические производства уже вложили огромные средства в IT инфраструктуру и накапливают большое количество данных, но многие так еще и не получили выгоду от применения этих данных. С удешевлением вычислительных мощностей и развитием инструментов углубленной аналитики, применяя машинное обучение, предприятия могут использовать накопленные данные для оптимизации производства и повышения рентабельности.

Машинное обучение позволяет существенно повысить уровень понимания, что происходит на производстве. Помогает решить ранее неразрешимые проблемы, выявляет узкие места, которые ведут к снижению прибыли.

Системы предиктивного обслуживания позволяют проанализировать историю данных, например, полученных от датчиков, сенсоров, и в дальнейшем спрогнозировать, когда вероятно случится поломка. Это позволяет спланировать ремонтные работы и выявить причину неисправностей.

Глубокая аналитика данных с применением современных технологий позволяет выявить узкие места на производстве, из-за которых снижается производительность, растет энергопотребление. Методы глубокого обучения используются для анализа, структурирования тысяч параметров, влияющих на чистую прибыть производства. Это параметры, поступающие на все этапах производственного процесса: от закупки исходного сырья, через все стадии производства, до продажи готовой продукции. Используя данную аналитику удаётся повысить рентабельность на 5-10 %.

Помимо роста рентабельности, предприятия, которые оперативно и разумно используют данные, получают конкурентное преимущество. Это касается даже тех организаций, кто борется с избыточными производственными мощностями. Цель достигается путем максимально эффективного перераспределения производственных мощностей. Процесс проходит в режиме реального времени.

Этапы внедрения систем прогнозирования
1
Сбор данных
Используются ранее накопленные данные. В случае необходимости на оборудование устанавливаются , датчики, сенсоры для сбора дополнительных параметров.
2
Предварительная обработка данных
Преобразование в форму, из которой можно будет извлечь показатели состояния. Предварительная обработка может включать в себя удаление пропусков, выбросов.
3
Определение показателей состояния
Выявляются показатели, которые предсказуемо меняются по мере развития отклонений в системе (например, неисправностей) . Эти показатели используются для описания нормальной работы и отклонений.
4
Создание модели машинного обучения
Подготовка модели машинного обучения. Например, для предиктивного обслуживания оборудования модель сможет решать задачи: выявление аномалий, обнаружение неисправностей путем классификации, прогнозирование момента выхода из строя детали.
5
Развертывание и интеграция
После обучения модели осуществляется ее развертывание на облачном сервисе или на сервере компании. Программное обеспечение позволяет наблюдать за графиками, диаграммами, отражающими состояние оборудования, получать сообщения об отклонениях от нормы с информацией о том, на что стоит обратить внимание, рекомендациями, какие параметры и как изменить для сохранения устойчивой работы производства
Аросон – это команда квалифицированных специалистов с многолетним опытом работы в области разработки программного обеспечения и внедрения проектов с применением технологий искусственного интеллекта. На рынке с 2015 года!
Аросон – это команда квалифицированных специалистов с многолетним опытом работы в области разработки программного обеспечения и внедрения проектов с применением технологий искусственного интеллекта. На рынке с 2015 года!
Арасон активно работает в области исследований, поэтому будем рады любому виду сотрудничества, которое позволит разработать новые полезные решения.
Сотрудничество
Наша компания тесно взаимодействует с университетами, проектными организациями, НИИ, обладающими глубокими знаниями в области машиностроения, химических технологий, что позволяет предоставить конечным заказчикам продукт высокого качества: системы прогнозирования и аналитики с высокой степенью точности

Звонок в нашу компанию -
Ваш шаг к эффективному производству
Телефон: +7 499 113 34 04
Моб.: +7 916 969 40 64
E-mail: office@aroson.ru
115054, г. Москва, ул. Дубинская, дом 57/1, офис 37B