Нефтеконтроль – Газпром нефть
- Заказчик:
- ПАО "Газпром нефть"
- Руководитель проекта со стороны заказчика
-
- Поставщик
- ООО «Автоматика-сервис»
- Год завершения проекта
- 2021
- Сроки выполнения проекта
- Сентябрь, 2019 - Ноябрь, 2021
- Масштаб проекта
- 400 автоматизированных рабочих мест
- Цели
- Снижение количества потерь нефти и нефтепродуктов по всей товаропроводящей цепочке компании.
- Сбор данных по количеству и качеству нефтепродуктов в единое цифровое пространство.
- Повышение оперативности принятия управленческих решений.
- Выявление зон неэффективности по товаропроводящей цепочке компании.
- Регистрация причин возникновения отклонений и корректирующих мероприятий для них.
Уникальность проекта
«Нефтеконтроль – Газпром нефть» - уникальный проект, который решает задачи, поставленные Правительством РФ и потребителями перед одной из ключевых отраслей для нашей страны.«Нефтеконтроль» позволяет обеспечить 100% прозрачность данных о качестве, количестве и местонахождении нефтепродуктов, которые компании необходимо контролировать на протяжении всего жизненного цикла — от производства на нефтеперерабатывающем заводе до налива в бензобак автомобиля или крыло самолета. На данный момент, это первое и единственное в России и СНГ подобное решение. Оно имеет потенциал также стать отраслевым стандартом всей нефтяной промышленности как в России, так и за рубежом.
- Использованное ПО
- HortonWorks Data Platform ( в частности, Apache Spark, Apache Hive, Apache HBase, Apache Kafka, Apache Zeppelin), Django REST Framework, Angular.
- Сложность реализации
- Сложность проекта заключалась в необходимости создания цифровой платформы, сочетающей в себе принципы как пакетной обработки, так и перерасчёты «на лету» для большого объёма данных о количестве и качестве НП.
В то же время система должна агрегировать информацию с более чем 30 различных цифровых систем, которые предоставляют данные в структурированном, полуструктурированном и неструктурированном виде.
Решение должно обеспечить возможность работы с данными для 50+ параллельных сессий, при этом время отклика не должно превышать 30 секунд. - Описание проекта
Нефтегазовая отрасль является одной из ключевых в экономике России и поэтому всегда вызывает особый интерес у государства и общества, что закономерно поднимает вопросы прозрачности учета нефти и нефтепродуктов. Поэтому, в 2012 году Минэнерго России было принято решение о создании концепции отраслевой системы учета нефти и нефтепродуктов. Ответом на данную инициативу в компании «Газпром нефть» стала программа «Нефтеконтроль — Газпром нефть».
Данная система сквозного мониторинга с единым информационным пространством позволяет не только фиксировать факт возникновения потерь нефти и нефтепродуктов, но и точно определять места их возникновения и идентифицировать причину. В итоге, снижается общее количество отклонений, и, как следствие, экономия нефтепродуктов достигает ~15 000 тонн в год. Также снижаются имиджевые и репутационные риски Компании, в т.ч. за счет возможности гарантировать потребителю заявленное качество нефтепродуктов. На текущий момент платформа выявляет зоны неэффективности (узкие места) в цепочке поставок и показывает, например, какие типовые коммерческие узлы учета необходимо корректировать или автоматизировать. А алгоритмы машинного обучения позволяют подсвечивать критичные зоны отклонений.
Фактически «Нефтеконтроль» — это целый блок технологий Индустрии 4.0 в одном флаконе:
- интернет вещей для получения данных с датчиков о движении;
- озеро данных для распределенного хранения и обработки информации;
- машинное обучение для обработки, анализа и принятия решений на его основе.
Структура хранения данных реализована согласно классической концепции Big Data Lake:
- MART: слой витрин данных (результаты обработки и вычислений);
- DDS: слой консолидированной модели детальных данных;
- ODD: слой предварительной обработки данных (проверка ошибок, полноты данных);
- RAW: слой сырых данных (любой формат и тип, структуризация не важна);
- ETL: инструменты извлечения и управления доставкой потоков данных.
Модули интеллектуальной системы поддержки принятия решения реализуются на основе следующих методов (алгоритмов) машинного обучения:- кластеризация (плотностные и иерархические алгоритмы),
- методы классификаций (логистическая регрессия, «случайный лес» и бустинг).
Реализация проекта, помимо ИТ-части, включала в себя трансформацию бизнес-процессов и автоматизацию производства. По итогам выполнения проекта, он был реализован в полном объеме и отмечен благодарственным письмом Минэнерго России.- География проекта
- Система не имеет ограничений по географии доступа пользователей, предоставляя web-интерфейс. Географический охват автоматизации логистической цепочки – от Дальнего Востока до Калининграда.
