Пять цифровых концепций для химической промышленности

Интернет вещей, предиктивная аналитика, машинное обучение и искусственный интеллект (ИИ) много лет меняют промышленные отрасли, но многие химические компании до сих пор избегали практической цифровизации – мол, слишком сложно. Некоторые просто не знают, с чего начать, хотя и понимают важность цифровых технологий. Приведу пять проблем российской химпромышленности, которые уже сегодня можно решить с помощью машинного обучения, ИИ и предиктивной аналитики.

1. Нестабильность выработки. В производстве удобрений используется барабан грануляции, который превращает удобрения в гранулы разных диаметров. Гранулы нужного размера – так называемые товарные – охлаждают и упаковывают, остальные отправляют на повторную переработку. Проблема в том, что количество гранул товарного размера все время меняется в зависимости от расхода и влажности раствора (пульпы), температуры и давления в барабане, сушильного агента и др. Это означает недопроизводство и дополнительные затраты. Технологи хотят знать, как сочетания параметров производственного процесса влияют на размер гранул, оптимизировать их и добиться стабильного выхода товарных гранул. Можно построить предиктивную модель работы барабана с машинным обучением. Она даст рекомендации, как нужно изменить параметры, основываясь на данных о текущих показателях технологического процесса, сырья на входе и др., чтобы оптимизировать выработку. В перспективе ИИ сможет взять на себя и регулирование параметров. Технологу останется только решать нештатные ситуации.

2. Вынужденные простои оборудования. Производителям поступают заказы на партии удобрений с разными характеристиками. Переналадка оборудования может занимать до 12 часов, что мешает выполнению производственных планов и увеличивает себестоимость. Ускорить переналадку можно за счет предиктивного анализа больших данных, накопленных за время работы установки: по составу и расходу сырья, затратам энергии, влажности и давлению в агрегате, температуре пара и др. Таких параметров может быть больше сотни. Система подбирает и поддерживает оптимальные производственные показатели гораздо эффективнее, чем человек. Самый опытный технолог способен удержать в голове не больше 10 параметров и их комбинаций. Так, компания Koehler Paper, например, в несколько раз сократила время переналадки бумагоделательной машины при смене сорта продукции и повысила общую эффективность оборудования. Предиктивная технология выдает рекомендации по оптимальным параметрам для конкретной партии: скорости протяжки, натяжению роликов, удельной подаче воды и т. д.

3. Дорогостоящие приборы. В лесобумажной промышленности важный показатель – число Каппа, определяющее качество целлюлозы на выходе. От него зависит, на какое производство пойдет сырье – качественной и дорогой бумаги или бумаги низкого сорта. Некоторые компании используют специальный датчик, который размещается на котле и измеряет число Каппа каждые полчаса. Главный недостаток прибора – высокая цена, поэтому он есть далеко не у всех производителей. В качестве альтернативы лаборанты берут пробы каждые 2 часа, но это менее точный способ определения качества сырья. Но дорогостоящий датчик можно заменить предиктивной моделью. Система собирает и анализирует параметры сырья на входе (влажность, плотность, возраст, тип древесины, а также температуру, давление, количество химикатов в котле) и с учетом накопленной статистики предсказывает число Каппа в целлюлозе на выходе. Предиктивная модель не может полностью заменить физический датчик, но способна обеспечить точность более 90%.

В основу этой концепции лег проект американской компании Fibria. Его целью было оптимизировать при варке целлюлозы количество дорогого химиката – белого щелока. Компания проанализировала связь особенностей сырья и параметров варки с качеством целлюлозы на выходе, разработав приложение – цифровой двойник котла. Технологи видят, сколько щелока залили, состав и объем сырья, а также рекомендации, как изменить параметры, чтобы не увеличивать расход щелока. Теперь компания работает над тем, чтобы система могла самостоятельно вносить корректировки в технический процесс и рассчитывала экономический эффект.

4. Непредсказуемая слеживаемость. При хранении на складах или транспортировке гранулы удобрений часто слипаются и теряют форму. Производители контролируют температуру и влажность на складах, но это не помогает. Чтобы избежать слипания, компании используют дорогостоящую специальную жидкость – антислеживатель, который создает на поверхности гранул защитную оболочку, исключающую их контакт между собой. Однако антислеживатель серьезно увеличивает себестоимость. Но можно построить модель процесса слеживаемости, чтобы оптимизировать расход антислеживателя: собрать данные по технологическому процессу, показателям качества, окружающей среде и выявить те, что воздействуют на слеживаемость сильнее всего. На базе самых значимых показателей строится прогнозная модель процесса производства.

5. Неточное планирование закупок. Одни договоры с поставщиками ограничены по срокам, другие – по бюджету, третьи – по объему. Из-за большого числа контрактов закупщики могут упустить из виду срок истечения конкретного контракта и забывают договориться заранее о его продлении. Сложность в том, что, если договор касается фиксированного объема продукции или услуг с нестабильным потреблением (например, на закупку 200 комплектов спецодежды), мы можем точно не знать, за какой период исчерпаем этот лимит. В I квартале мы закажем 70, в следующем – 30 единиц. В III квартале нам нужно будет еще 200, а по договору остаток – всего 100. Предприятию придется экстренно докупать недостающую продукцию по завышенной цене. Предиктивная аналитическая система может предсказать потребление и спрогнозировать срок, когда компания исчерпает лимит, на основе исторических данных о закупках, пула контрактов, планов производства, перевозок и т. д. Она напомнит, что уже пора думать о продлении договора, увеличении лимитов или искать другого поставщика.

Даже в узкоспециальных проектах, как правило, используется не одна, а целый комплекс технологий. Собранная информация с котла или склада – это интернет вещей и большие данные. А модель, анализирующая эти данные, работает по принципу машинного обучения или самообучающейся нейронной сети, прогнозы делаются с помощью предиктивной аналитики. Все вместе складывается в цифрового двойника производства.