Pomimo silnej pozycji na rynku, Grupa Azoty zdaje sobie sprawę z tego, że aby tę przewagę konkurencyjną zachować, a nawet powiększyć, niezbędna jest duża elastyczność oraz otwartość na nowe pomysły. Pośród powyższych z pewnością należy wymienić wdrażanie nowych metod eksploatacji majątku produkcyjnego.

Metody eksploatacji majątku

Metody te powstały na skutek gwałtownego rozwoju technik komputerowych oraz ich wszechstronnych zastosowań, które utożsamiane są bezpośrednio z takimi pojęciami jak Industry 4.0 czy Big Data. Geneza tych pojęć jest bezpośrednio związana z dynamicznym wzrostem ilości danych pozyskiwanych i gromadzonych przez zakłady przemysłowe. Zakłady Grupy Azoty posiadają setki urządzeń, które bez przerwy mierzą wartości procesowe oraz komunikują się między sobą, generując ogromne ilości danych zawierających wartościowe informacje. Zgodnie z raportem McKinseya na temat Big Data, zakłady przemysłowe generują więcej danych niż jakiekolwiek inne źródło. Odpowiednia analiza tych danych daje możliwość wdrożenia efektywnego programu eksploatacji majątku, a w konsekwencji zwiększenia zysków z produkcji, minimalizacji kosztów eksploatacyjnych oraz zwiększenia bezpieczeństwa technicznego.

Model predykcyjny

Predykcyjne utrzymanie ruchu – Predictive Maintenance (PdM) to najnowocześniejsze podejście do utrzymania technicznego maszyn, które ze względu na duży potencjał uzyskania dużej efektywności jest systemowo wdrażane w Grupie Azoty do zarządzania majątkiem produkcyjnym. Podejście to powstało na skutek szybkiego rozwoju technik z obszaru analityki predyktywnej (modelowanie statystyczne, Machine Learning, Data Mining itd.) oraz wzrostu powszechnie dostępnej mocy obliczeniowej komputerów, które razem dają możliwość efektywnej analizy historycznych i bieżących danych – celem dokonania prognoz przyszłych, nieznanych zdarzeń.

Zarządzanie majątkiem w Grupie Azoty oparte o wykorzystanie analityki predyktywnej sprowadza się więc do analizy historycznych danych serwisowo- -eksploatacyjnych, takich jak: dane z sensorów, dane procesowe, dane na temat awarii i wykonanych napraw, dane opisujące parametry techniczne oraz proces eksploatacji maszyn, dane środowiskowe itp.

Cel predykcyjnego utrzymania ruchu polega na wyszukaniu w nich odpowiednich zależności, które wyjaśniają zjawiska powstawania awarii, a tym samym dają możliwość ich przewidywania w przyszłości. Wyszukiwanie tych powiązań nazywamy procesem uczenia się, same zaś zależności – modelem predykcyjnym.

Na podstawie aktualnych danych procesowych, przy użyciu odpowiednio skonstruowanego modelu predykcyjnego, istnieje możliwość oceny prawdopodobieństwa awarii danej maszyny w wybranym horyzoncie czasowym. Informacja taka może następnie zostać wykorzystana do podejmowania optymalnych decyzji dotyczących zarządzania majątkiem, jak np. wymiany prewencyjnej bądź organizacji części zamiennych.

Techniki analityczne

Stosowane szeroko w przemyśle klasyczne techniki monitorowania stanu (takie jak wibrodiagnostyka, analiza gazów rozpuszczonych, emisja akustyczna, itp.) dają możliwość wykrycia wczesnego stadium uszkodzenia, a tym samym uniknięcia awarii maszyny. Niemniej jednak techniki te umożliwiają jedynie płaskie spojrzenie na dane (pod kątem przekroczenia określonych wartości progowych), a nie na ich wielopoziomowe analizy (na przykład pod kątem częstotliwość skoków danych wartości, amplitud, sekwencji, zależności itp.), co może skutkować pominięciem wielu istotnych zależności zwiastujących o nadchodzącej awarii.

Taka wielopoziomowa analiza danych z wykorzystaniem technik analitycznych pozwala nie tylko znacznie wcześniej przewidzieć awarie, ale również rozpatrzyć te, które nie mogły zostać wykryte z wykorzystaniem klasycznych technik monitorowania stanu. Co więcej, zaawansowane metody analityczne pozwalają na jednoczesną analizę danych z całych instalacji bądź całego procesu, nie ograniczając się do danych płynących z pojedynczej maszyny. Często awaria powstaje na skutek pewnych anormalnych zdarzeń w procesie, których skutki są propagowane przez kolejne etapy produkcji.

W przypadku maszyn krytycznych Grupy Azoty, od których wymagana jest bardzo wysoka dostępność, czas wykrycia awarii ma bardzo duże znaczenie. Dysponując informacją mówiącą o tym, że w ciągu kilku dni z dużym prawdopodobieństwem nastąpi awaria, przedsiębiorstwa mają możliwość zaplanowania produkcji, przygotowania się do naprawy i wykonania jej w momencie przestoju technologicznego maszyny, minimalizując w ten sposób straty związane z przestojem instalacji, w czasie gdy wymagana jest od niej pełna gotowość zadaniowa.

Metody głębokiego uczenia

Grupa Azoty przy współpracy z firmą Reliability Solutions wdrożyła nowoczesny system klasy Predictive Maintenance o nazwie RSIMS. To jeden z niewielu unikalnych systemów tej klasy, który wykorzystuje najnowocześniejsze osiągnięcia naukowe z obszaru sztucznej inteligencji – głębokie uczenie maszynowe (Deep Learning).

Metody głębokiego uczenia gwarantują niespotykane dotąd możliwości predykcyjne, dzięki ich użyteczności w kontekście wybrania cech dla problemów o tzw. głębokiej architekturze. Rozwiązanie Reliability Solutions zostało zaprojektowane w taki sposób, aby użytkownik, który posiada jedynie podstawową wiedzę w zakresie analizy danych, miał nie tylko możliwość wykonywania pełnowartościowej analityki, ale również utrzymania mocy predykcyjnej zbudowanych modeli w przypadku zmian w procesie eksploatacyjnym maszyny.

Udało się to osiągnąć przez wykorzystanie szeregu algorytmów automatyzacji wyboru optymalnych parametrów w procesie uczenia algorytmów i rekalibracji modeli analitycznych. Takie rozwiązanie pozwoliło zminimalizować nakłady finansowe związane z wdrożeniem i utrzymaniem predykcyjnego utrzymania ruchu.

System RSIMS monitoruje w czasie rzeczywistym ponad 300 parametrów procesowych instalacji rozkładni metanu i wyłapuje w nich skomplikowane wielopoziomowe zależności, które mogą świadczyć o nadchodzącej awarii. Obecnie skuteczność w przewidywaniu awarii wynosi 99%. Rozwiązanie pozwala nie tylko na efektywne zarządzanie majątkiem produkcyjnym, ale także na poprawę bezpieczeństwa. 

Warto dodać, że samo predykcyjne utrzymanie ruchu nie jest punktem docelowym poprawy zarządzania majątkiem i technicznego utrzymania ruchu. W przyszłości planuje się dalszy rozwój w kierunku usprawnienia sterowania procesem produkcji dla celów minimalizacji liczby awarii i nieplanowanych przestojów – tj. preskryptywnego utrzymania ruchu – Prescriptive Maintenance. To z kolei pozwoli na dalsze optymalizacje procesu produkcji również pod kątem ekonomicznym (obniżenie kosztów, zwiększenie produktywności), przy gwarancji zachowania odpowiednich parametrów niezawodności i dostępności maszyn.
                               

***

Wdrożenie systemu w Grupie Azoty pokazuje, że jest to właściwy kierunek, czas jednak pokaże, czy wykorzystanie go przyniesie spodziewane efekty.

Artykuł został również opublikowany w nr 3-4/2018 magazynu "Chemia Przemysłowa".