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 производ­ственных 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 операцион­ных 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.


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 следую­щие 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 яв­ляется 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 обоб­щает 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, требую­щее повышения эффективности; «вызревание» инструментов в IT‑сфере, в том числе программного обеспечения с открытым исходным кодом; а также постепенно появляю­щиеся 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 спис­ка успешных примеров внедрений и поз­волит компаниям адаптировать их под свои 
нужды.