Профессиональное сообщество
лидеров цифровой трансформации

Внедрение информационной системы "Цифровой помощник оператора цементной мельницы"

Заказчик
АО ЦЕМРОС
Руководитель проекта со стороны заказчика
Алексей Чубенко
Директор по информационным технологиям
ИТ-поставщик
ООО «ГлоуБайт Аналитические Решения»
Год завершения проекта
2023
Сроки выполнения проекта
Февраль, 2023 - Октябрь, 2023
Масштаб проекта
10500 человеко-часов
Цели
Создание цифрового помощника оператора цементной мельницы который позволяет: C применением рекомендаций цифрового помощника вырабатывать оптимальный режим работы оборудования, с целью минимизировать энергозатраты (удельную норму расхода э/э) при повышении производительности цементной мельницы и поддержании заданного уровня тонкости помола цемента (качество продукции). «Производство цемента сухим способом – это современный и высоко оснащенный автоматикой производственный процесс. В этих условиях становится возможным использовать собираемые данные, чтобы найти оптимальный режим помола клинкера в шаровой мельнице, снабжая операторов новыми возможностями управления.
Результаты
По результатам проведения промышленных испытаний процент принятых рекомендаций операторами составляет 78%, увеличение средней подачи (производительности мельниц) составило до 5,48%, снижение удельной нормы э/э до 7,04%.

Продолжительность проведения промышленных испытаний – 4 недели.

При подведении итогов промышленных испытаний учитывалась статистика применения рекомендаций Системы на цементных мельницах Завода.

Принятой рекомендацией считается случай, когда рекомендуемые системой настройки вводятся Оператором на панели управления в течение 5 минут после его выдачи Системой.

Отклоненной рекомендацией считается случай, когда рекомендуемые настройки не введены на панели управления и Оператор вводит комментарий с причиной отказа от рекомендации.

Доля принятых рекомендаций = Количество принятых рекомендаций / (Количество принятых рекомендаций + Количество отклоненных рекомендаций).
Расчет эффекта от применения Системы в разрезе изменения производительности мельниц и изменения удельного расхода электроэнергии производился на основании принятых рекомендаций по увеличению или снижению подачи свежего питания.
Разница между значениями производительности до и после применения рекомендаций агрегировалось для всего периода проведения испытаний и учитывалось как эффект от применения Системы.

Уникальность проекта

Хотя на современном заводе основные технологические процессы выполняются высоко автоматизированным оборудованием, оператор обеспечивает важную функцию - адаптировать процесс под актуальное состояние.
Цифровой помощник (ЦП) – это один из подходов в рамках Индустрии 4.0, совмещающий использование ИИ, предиктивных моделей и инженерно-технологических правил управления оборудованием на данных АСУТП.
В результате Система оценивает ожидаемое влияние возможных вариантов действий оператора на техпроцесс и определяет наилучший режим управления.
На текущий момент, в индустрии нет аналогичных Систем, находящихся в промышленной эксплуатации.
(Индустрия 4.0) - переход на автоматизированное цифровое производство, управляемое интеллектуальными системами в режиме реального времени в постоянном взаимодействии с внешней средой, выходящее за границы одного предприятия, с перспективой объединения в глобальную промышленную сеть Вещей и услуг.
Помол цемента – технологический процесс с обратной связью, в котором недообработанный материал выделяется сепаратором и постоянно возвращается в начало. Поэтому ключевой задачей системы является прогнозирование возможных параметров процесса в зависимости от доступных операторам управляющих воздействий. Рекомендации по подаче сырья и управлению сепарацией вычисляются на базе математической оптимизации, технологических ограничений и эвристических правил из практики операторов мельниц. Оператор может как принять, так и отклонить рекомендацию, указав основание. Подобные комментарии ценны для дальнейшего развития системы и обобщения опыта специалистов.

Проект решает задачи импортозамещения
Нет
Использованное ПО
Источники данных: OPC DA, PI SYSTEM OSISOFT
Цифровой помощник построен на микросервисной архитектуре. Весь функционал поделен на сервисы, которые запускаются как Docker-контейнеры с помощью утилиты docker-compose: Python, InfluxDB, Jupiter, MongoDB, Keycloak, NGINX.

Сложность реализации
Типичный проект внедрения цифрового продукта проходит через фазы проектирования, разработки или адаптации решения и собственно внедрения инструмента в рабочий процесс.
Цифровые помощники, являясь по своей сути надстройками над обычными средствами автоматизации, зависят от них в части данных и способов работы с ними операторов.
Поэтому ключевыми вопросами при внедрении становятся:
достаточность накопленной истории данных для статистического обобщения техпроцесса
согласованность между рекомендациями, формируемыми помощником, и способом управления техпроцессом, разъяснение зоны ответственности оператора, использующего помощник, надежность каналов передачи данных, формирование доверия операторов к выдаваемым рекомендациям и уникальность технологии, как таковой.

Описание проекта
ЦП представляет собой программное обеспечение, которое обрабатывает в режиме реального времени телеметрию, поступающую с технологического оборудования и данные лабораторных измерений и рассчитывает оптимальные управляющие воздействия с учетом текущего состояния технологического процесса, заданных целей и ограничений. Основная задача цифрового помощника подсказать оператору лучший из возможных вариантов регулировки параметров технологического процесса для эффективного результата. Цифровой помощник рассчитывает и дает оператору на следующие 30 минут 2 варианта прогноза – каких значений можно достичь если следовать рекомендации, и какие прогнозируются если оставить управляемые параметры как есть. ЦП предназначен для управления процессом измельчения портландцементного клинкера, гипсового камня и других добавок, используемых для производства цемента, и последующей сепарации получаемого продукта в системах измельчения построенных по замкнутому циклу.
Основой ЦП служит ансамбль физико-математических, статистических и оптимизационных моделей, описывающих работу мельницы, сепаратора и системы подачи сырья в процессе измельчения и сепарации. Для каждой марки цемента строятся отдельные предиктивные модели.
Система хранит настройки для нескольких марок и переключаться между ними. Рассчитанные Системой управляющие воздействия выводятся на экран оператора в виде рекомендаций с указанием предпосылок и прогнозов целевых показателей в случае следования и не следования данным рекомендациям.
Оператор сам принимает решение следовать ли данным рекомендациям и сам подает управляющие воздействия, автоматического управления процессом в данном режиме не происходит.
Данный модуль получает на вход набор параметров телеметрии и лаборатории, для которого прогнозирует значения параметров, выступающих в роли ограничений при последующей оптимизации. В качестве таких параметров могут быть использованы:
● Тонкость помола на выходе сепаратора:
● удельная поверхность по Блейну, м2/кг
● Ситовка с возможностью контроля нескольких фракций, %

Далее запускается решение оптимизационной задачи, для которой в качестве целевых параметров могут быть использованы:
● Производительность установки, т/час
● Энергоэффективность помола, кВт/т
В результате на выходе модуля оптимизации помола генерируется набор рекомендаций по корректировке управляемых параметров технологического процесса, выполнение которых приводит к максимизации производительности и энергоэффективности (минимизация энергозатрат на 1 тонну произведенной продукции) при поддержании заданного уровня тонкости помола.

География проекта
Москва, Республика Мордовия, Воронежская область, Ульяновская область, Ленинградская область
Дополнительные презентации:
Цифровой_ помощник конкурс_ЦЕМРОС_Глоубайт.pdf
Коментарии: 10

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Тарас Пшеничный
    Тарас Пшеничный
    Рейтинг: 6
    АО ЦЕМРОС
    Начальник проектного управления
    18.12.2023 12:57

    Цифровые продукты в цементной промышленности: выбор и источники пользы

    А.С. Томилов, руководитель практики промышленной аналитики и интернета вещей, компания «ГлоуБайт», Россия

    Введение

    Идея цифровой трансформации производственных компаний и — отдельно — производственных процессов сейчас весьма популярна. Но каждый раз, рассматривая то или иное цифровое решение, директора и руководители соответствующих направлений на предприятиях не могут полагаться только на распространенность того или иного технологического продукта, а должны учитывать реальную пользу от его применения. И здесь, в отличие от обычной модернизации производства, возникают сложности в том, чтобы понять сценарий получения пользы от цифрового решения, увидеть точку ее возникновения и определить условия, при которых решение может быть применено. В статье обсуждаются виды цифровых продуктов и основные источники выгод от их внедрения.

    Есть ряд позитивных факторов, относящихся к цементной промышленности, которые задают высокую планку возможностей для продвинутого использования производ¬ственных данных. Во-первых, цементные заводы — это крупное непрерывное производство, т. е. эффект масштаба от внедряемых решений будет расти пропорционально «пропускной способности» и, соответственно, вводить в зону окупаемости большее число решений, в том числе достаточно дорогих во внедрении. Во-вторых, многие заводы хорошо оснащены средствами сбора и интеграции данных, служащих базой для любых цифровых решений. В третьих, технологические процессы на переделах различаются между собой, что дает возможность выбирать более важные точки оптимизации с учетом доступности решений.

    В чем заключается подход Индустрии 4.0 в непрерывном производстве

    Концепция Индустрии 4.0 обычно описывается как массовое применение киберфизических систем на производстве, т. е. использование различных средств аналитики при максимуме технологических данных для улучшения управляющих воздействий на различных уровнях — от технологического процесса до управления предприятием. Идея влечет за собой как необходимость собирать и накапливать эти данные, так и потребность в различных средствах аналитики, которые, в свою очередь, обычно подразделяют по уровням сложности: дескриптивному, предиктивному и прескриптивному. Каждый набор данных можно использовать на любом уровне сложности и в применении к любому масштабу процесса — от отдельного узла и агрегата до предприятия в целом, что дает разнообразие возможных решений в зависимости от потребности.

    Дескриптивный уровень — это накопление данных и возможность их визуального или численного анализа в прошедших периодах. Предиктивный — использование статистических и прогнозных алгоритмов, которые интенсивно развивались в последнее десятилетие под названием «машинное обучение». Принятие решений в этом случае все равно остается за человеком, но ему становятся доступны данные, которые нельзя учесть при классическом анализе. Прескриптивный уровень предполагает, что система сама может выработать рекомендуемое решение — либо работая как средство экспертного анализа, либо с помощью математической оптимизации целевого параметра. Для некоторых процессов принятое решение может применяться автоматически. Для каждого продукта должна быть ясна механика привнесения пользы. Часто ее можно рассчитать количественно, но иногда — только определить качественно, особенно в случае, если использование подхода стало стандартом для какого-то специфического процесса.

    Важно помнить, что любое цифровое решение «завязано» на процессах генерации и сбора данных. Чем более детально описан оптимизируемый процесс, тем настойчивее потребность в том, чтобы средства операцион¬ных технологий (OT) интегрировали и накапливали сырые технологические данные. При этом OT не заменяет цифровые решения, особенно с высоким уровнем сложности аналитики, а либо дополняет их, либо служит основой для их постройки.

    Дескриптивные продукты

    Основная ценность дескриптивных продуктов — улучшение процедуры принятия решений, объективная фиксация событий и показателей, а также возможность расследования инцидентов. Сложность возникает не в интеграции данных, а в том, как именно из них извлекаются знания или решения. Как правило, для этого выбираются средства визуализации данных и вокруг них строятся операционные процессы принятия и исполнения решений.

    Дескриптивный уровень является самым простым и действительно полезным, хотя ему обычно не уделяется столько внимания, как более продвинутым уровням. Однако именно на этом уровне можно определить, к каким именно процессам и участкам применять цифровые (или иные) решения и какой расчетный эффект это может принести. Например, типовой проблемой является выбор решений, которые применимы только к одному режиму для какого-то типа оборудования. Если этот режим редко используется, то и эффект количественно будет очень мал и несопоставим с затраченными усилиями.

    Интерфейс системы «Цифровой помощник оператора цементной мельницы»

    Предиктивные и прескриптивные продукты

    Когда в прессе говорят об использовании искусственного интеллекта, имеют в виду предиктивный и прескриптивный уровни аналитики. На самом деле соответствующие продукты комбинируют конкретный набор IT инструментов: машинное обучение, математическую оптимизацию, средства хранения и обработки данных, визуализации и обеспечения служебных функций, таких как информационная безопасность и отказоустойчивость. Ключевым является машинное обучение, т. е. набор статистических алгоритмов, которые позволяют получить функцию, вычисляющую какой-то параметр в режиме работы, похожем на ранее наблюдавшийся. Таким образом можно реализовать виртуальные и прогнозные датчики технологических параметров, даже если физико-математические связи между ними и реально измеряемыми параметрами неизвестны.

    Ценность данного уровня в том, что можно управлять процессом более рационально и отказаться от ряда дооснащений физическими датчиками. Часто дооснащение может оказаться более дорогим вариантом по сравнению с виртуальным датчиком. Если регламент управления сложный и «завязан» на субъективной оценке оператора, то можно над предиктивными алгоритмами надстроить алгоритмы математической оптимизации: среди доступных и безопасных управляющих воздействий они выберут те, которые максимизируют ключевые показатели эффективности процесса. Ту же логику можно применить и на более высоком масштабе, например, по отношению к процессам распределения бюджета на техническое обслуживание и ремонт или даже на уровне организации — в формате системы интегрированного планирования предприятия. Тогда в качестве ценности будет выступать автоматическое принятие решений (с их применением или без него) в соответствии с учетом статистически обоснованных следствий.

    Пример внедрения предиктивного продукта для участка помола цемента

    В 2022 году компания «ГлоуБайт» внедрила для АО «ЦЕМРОС» (ООО «Петербургцемент») цифрового помощника оператора цементной мельницы. Реализация проекта заняла 6 месяцев и включала в себя следую¬щие фазы:
    • выработку сценария оптимизации. На этом этапе также проводилась статистическая оценка достижимого эффекта, привязанная к ограничениям производственного процесса;
    • адаптацию физико-математических, предиктивных и оптимизирующих моделей в решении «ГлоуБайт» для цифровых помощников. Основные алгоритмы дорабатывались для учета доступных технологических параметров, технологических ограничений и уставок, а также схем управления, применяемых операторами;
    • опытно-промышленную эксплуатацию и оценку полученного эффекта.

    Основной сценарий получения пользы имел следующие аспекты:

    1. Известно, что оптимальный режим яв¬ляется стабильным, но среди стабильных режимов производительность варьируется.

    2. Вывод мельницы на стабильный режим — задача оператора, но только самые опытные из них могут спрогнозировать, какие управляющие воздействия не нарушат ограничивающие показатели.

    3. Решение: цифровой помощник и обоб¬щает опыт этих лучших операторов, и снабжает все смены оперативными прогнозами ключевых показателей, что позволяет вырабатывать и применять оптимальные управляющие воздействия и выводить мельницу на стабильный и высокопроизводительный режим.

    Проект показал, что достижимы эффекты повышения производительности до 2,6 % и удельной энергоэффективности — до 4 %.

    Заключение

    Цифровые решения постепенно появляются и проникают во многие индустрии непрерывного производства в России. Этому помог ряд факторов последних лет, таких как форсированное импортозамещение из-за ухода OT вендоров; конкурентное давление, требую¬щее повышения эффективности; «вызревание» инструментов в IT сфере, в том числе программного обеспечения с открытым исходным кодом; а также постепенно появляю¬щиеся примеры успешных внедрений.

    В ближайшие годы можно ожидать, что большинство достаточно крупных компаний по крайней мере сформируют аналитические архивы технологических данных, которые будут служить базой для цифровых продуктов, и выстроят процессы их отбора и оценки пользы от цифровых решений. Это приведет к существенному расширению спис¬ка успешных примеров внедрений и позволит компаниям адаптировать их под свои нужды.

    Ответить
  • Ильхом Галимов
    Ильхом Галимов
    Рейтинг: 230
    ПАО "УЗБЕКИНВЕСТ" КОМПАНИЯ ЭКСПОРТНО-ИМПОРТНОГО СТРАХОВАНИЯ"
    CIO
    21.12.2023 09:12

    Как алгоритмы цифрового помощника взаимодействуют с автоматикой мельницы для оптимизации режимов и каковы были показатели снижения энергозатрат?

    Ответить
  • Алексей Чубенко
    Алексей Чубенко
    Рейтинг: 70
    АО ЦЕМРОС
    Директор по информационным технологиям
    21.12.2023 10:21

    Сейчас система работает в режиме советчика - Цифровой помощник получает данные АСУТП (OPC) и использует их для расчета и выдачи рекомендаций оператору. Оператор решает принимать их их или нет.
    По факту количество принятых рекомендаций достигает 80%, поэтому на следующем этапе мы планируем добавить режим автопилота, когда в стабильном режиме идет непосредственное управление режимом помола, без участия человека.
    Уровень снижения удельного расхода электроэнергии сильно зависит от марки цемента и состояния оборудования. На разных мельницах нам удавалось достичь от 2,6% до 7%. В среднем это около 3-4%

    Ответить
  • Екатерина Гурова
    Екатерина Гурова
    Рейтинг: 117
    ПАО Росбанк
    Директор Департамента цифровых сервисов, трансформации и координации ресурсов рисков
    21.12.2023 15:24

    Как цифровой помощник адаптируется к изменениям в сырьевых материалах, и есть ли в системе меры по оптимизации в реальном времени для ситуаций с отклонениями?

    Ответить
    • Алексей Чубенко
      Алексей Чубенко Екатерина
      Рейтинг: 70
      АО ЦЕМРОС
      Директор по информационным технологиям
      25.12.2023 10:53

      Адаптация к изменению условий (в том числе сырья) происходит сразу несколькими путями:
      - за счет внутреннего учета условной размолоспособности сырья в ML-моделях
      - за счет настройки сценариев/рецептов (например, если с конкретным сырьем надо держать в среднем большую крупку, это можно настроить прямо в интерфейсе системы, доступном технологам)

      Разумеется, если сырье и/или состояние оборудования изменяются достаточно сильно, может потребоваться переобучение математических моделей на новых данных.
      Есть инструменты контроля точности моделей и переобучения/обновления моделей инструментами системы, силами специалистов по машинному обучению Заказчика, без доработок и участия программистов.

      Ответить
  • полина рябцун
    полина рябцун
    Рейтинг: 5
    ООО ЦЕМРОС
    руководитель направления управления по развитию цифровых технологий
    28.12.2023 09:22

    Текущий проект Цифровой помощник, реализует ключевую ценность в Индустрии 4.0 – выжимать экономию из доступных данных техпроцесса. Непрерывное производство генерирует данные ежесекундно, а алгоритмы машинного обучения обобщают возможные результаты управляющих воздействий во всех наблюдавшихся условиях. Тем самым становится возможной передача опыта и способов управления процессом от лучших операторов ко всем специалистам.
    Поэтому ключевой задачей системы является прогнозирование возможных параметров процесса в зависимости от доступных операторам управляющих воздействий. Рекомендации по подаче сырья и управлению сепарацией вычисляются на базе математической оптимизации, технологических ограничений и эвристических правил из практики операторов мельниц. Оператор может как принять, так и отклонить рекомендацию, указав основание. Подобные комментарии ценны для дальнейшего развития системы и обобщения опыта специалистов.

    Ответить
  • Иван Котляровский
    Иван Котляровский
    Рейтинг: 431
    СПАО “Ингосстрах”
    Руководитель направления Управления сопровождения урегулирования
    28.12.2023 23:51

    Алексей, здравствуйте. Поздравляю с реализацией проекта. Подскажите, подрядчик предложил готовое решение или здесь была полная кастомизация для Компании ЦЕМРОС? Спасибо.

    Ответить
    • Алексей Чубенко
      Алексей Чубенко Иван
      Рейтинг: 70
      АО ЦЕМРОС
      Директор по информационным технологиям
      09.01.2024 18:47

      Иван, добрый день! Спасибо за поздравления!
      Это не готовое решение. С точки зрения реализации полностью кастомная разработка, причем набор параметров и интерфейс системы свой на каждом заводе с учетом особенностей конфигурации и оснащения производственного участка.

      Ответить
  • Вячеслав Чупраков
    Вячеслав Чупраков
    Рейтинг: 1175
    Прагматика Эксперт
    Заместитель ИТ директора по инфраструктуре и сервисам
    06.01.2024 07:22

    Добрый день, каковы наиболее частые комментарии оператора в причине отказа от рекомендации? Какой процент не согласия с системой? Анализировали причины отказа?

    Ответить
  • Алексей Чубенко
    Алексей Чубенко
    Рейтинг: 70
    АО ЦЕМРОС
    Директор по информационным технологиям
    11.01.2024 10:06

    В период проведения ОПЭ наиболее частая причина отказа от принятия рекомендаций — это “ожидание лаборатории”, 35% от всех не принятых рекомендаций. Это связано с тем, что операторы на первом этапе с недоверием относились к работе виртуальных датчиков, которые предсказывали параметры качества продукта на 2 часа вперед. После проведение ОПЭ % отказа по этой причине снизился до 5%.
    По окончанию ОПЭ % принятие выданных рекомендаций операторами составило от 70 до 100%

    В интерфейсе оператора предусмотрено действие, если он отклоняет рекомендацию, то обязательно должен оставить комментарий (в процессе работы над проектом был составлен типовой справочник отказов от принятия рекомендации). На основании этого проводится анализ действий оператора.

    Ответить
фильтр
Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.