Бюро ТОПСПИКЕР - первое российское спикерское агентство
Самая большая база спикеров - более 700 профилей экспертов
Спикеры для корпоративных мероприятий, конференций, форумов
Мастер-классы, семинары, тренинги:  Мотивация, лидерство, бизнес и др.
Статьи и видео спикеров - более 2000

Александр Крот: Продвинутая аналитика

Александр Крот
Александр Крот: Продвинутая аналитика
Когда у вас возникает какая-то проблема, вы начинаете искать способы ее решения, параллельно думая, как бы снова не пройтись по этим же самым граблям в следующий раз. Что бы вы ни делали, от небольших мобильных приложений до громоздких информационных систем, у ошибки всегда есть цена, и чем более критична отрасль, в которой используется ваш продукт, тем выше цена этой ошибки. Поэтому идеальной видится ситуация, когда вы работаете на опережение, а именно — пытаетесь предсказать возникновение проблемы до ее фактического наступления.

ДЛЯ ЧЕГО НАМ В СИБУРЕ ПРОДВИНУТАЯ АНАЛИТИКА

У нас в СИБУРе есть функция «Цифровые технологии», одно из направлений которой занимается продвинутой аналитикой. Мы участвуем во всех процессах, так или иначе связанных с анализом данных, которые есть в компании: от показаний множества датчиков с производства до биржевых сводок и прогнозов. Используя эти данные, мы создаем цифровые продукты, которые ощутимо помогают повысить операционную эффективность компании. ​

Меня зовут Александр Крот, я представляю направление продвинутой аналитики, и под катом расскажу вам вот о чем:
  • как сократить количество внеплановых остановок экструдера, который нарезает полипропилен на гранулы и имеет свойство забиваться;
  • как с помощью анализа данных и настроенной модели можно увеличить производство бутадиена более, чем на 100 тонн в месяц;
  • почему проблемы реактора проще предсказать, чем исследовать его с помощью рентгена.

Операционную эффективность производства можно повысить двумя путями. Первый — увеличение выработки продукции с помощью более стабильного режима производства. Второй — сокращение потери из-за внеплановых остановов, каждый из которых стоит нам миллионных потерь. ​

Очень часто под рабочей моделью, которая будет использоваться для предиктивной аналитики, понимают просто программу. Мол, вот вам код, он поможет предсказать возможные проблемы, пользуйтесь. Мы решили пойти другим путем и создаем готовую модель как полноценный продукт под ключ, на выходе получается рабочая самообучающаяся модель, которую можно корректировать, удобные интерфейсы и терминалы наблюдения, а еще поддержка, которая реагирует на запросы от пользователей новых функций. Наши пользователи — это операторы, которые следят за производственным процессом, поэтому они точно знают, что и как стоит поменять в продукте, чтобы им было удобнее пользоваться. Ведь именно операторы будут наблюдать за терминалом, реагировать на изменения показателей и вносить коррективы. ​

Поэтому такие модели мы строим по классической продуктовой схеме, под каждый продукт создается команда с владельцем продукта, разработчиком, дизайнером, датаинженером. Еще в команде всегда есть технолог производства — сотрудник, который понимает, как именно устроен процесс производства, который мы намереваемся улучшить. ​

Каждый из подобных проектов у нас длится от 3 до 6 месяцев, в зависимости от его сложности. Для начала мы проводим разведку, отправляя команду в поля (на предприятия), у нас такая процедура исследования называется «фрейминг», чтобы точно определить, чего именно хочет заказчик и можно ли вообще решить проблему с помощью данных. Если можно, тогда начинаем оценивать дальше: хватит ли имеющихся данных для решения задачи, откуда их можно выгрузить, потребуются ли организационные изменения. Само собой, отдельно считаем экономический эффект, чтобы впоследствии ранжировать проекты и браться только за те, которые дают максимальный эффект. Понятное дело, что если мы потратим кучу сил и времени на проект, который в итоге позволит сэкономить по 5 000 рублей в месяц или пару лампочек, то такой проект не особо и нужен. ​

Если же понимаем, что продукт принесет компании реальную пользу (как в плане оптимизации самой работы и улучшения условий для персонала, так и в плане прямой финансовой выгоды), то начинаем работать. Сейчас мы такими темпами реализовали почти десяток разных проектов, в этой статье я хочу остановиться на паре самых значимых из них.

ПРЕДИКТИВНОЕ ОБСЛУЖИВАНИЕ

Один из товаров, которым торгует СИБУР, это полипропилен, продаем мы его в виде гранул, расфасованных по мешкам (подробнее о нашей продукции мы писали здесь). Само производство полипропилена из газа занимает несколько стадий, мы тут остановимся на последней — нарезке гранул. Существуют пероксидные марки полипропилена, для их создания в гомогенизированную массу полипропилена в процессе добавляется пероксид. То есть течет расплав с таким полипропиленом, в него на ходу добавляется пероксид, вся эта масса перемешивается и подается в экструдер.

Экструдер это как большая мясорубка по своей сути. Только размером со среднюю двухкомнатную квартиру. Части экструдера, которые нам в этом деле интересны, это шнеки (как мясорубочный винт, здесь он перемешивает расплав с пероксидом), фильера (это уже аналог сеточки в мясорубке, к которой под давлением подается эта смесь) и кассета с ножами, которые с обратной стороны фильеры активно нарезают полипропиленовые макаронины на гранулы. Затем нарезанный гранулят потоком воздуха поднимается на специальное вибросито, гранулы упаковываются в пакеты и в общем-то готовы к транспортировке.

В силу разных причин происходят внеплановые остановы экструдера.

Например, пероксид плохо перемешался, потому что немного нарушился температурный режим, или было подано недостаточное давление, или что-то еще. Кончается это тем, что между фильерой и кассетой с ножами вся эта масса начинает налипать. Из-за этого вместо нормальных гранул образовывается агломерат, который поднимается с потоком воздуха вверх и забивает вибросито.

Дело тут в том, что если эти агломераты становится видно, значит, что в самом экструдере все уже совсем сильно забилось. Надо останавливать производство, все отключать, разбирать, доставать детали, чистить фильеру и ножи. Останавливается это все обычно дольше, чем на полчаса, и стоит компании серьезных денег.

А вот причем тут, собственно, data science.

За 2017 год было 19 таких остановов. Собрали данные по ним, посмотрели параметры технологического режима производства — телеметрию экструзии и полимеризации. Проанализировали все это, нашли ряд закономерностей. Итогом стало создание модели, которая начинает сигнализировать оператору о том, что скоро что-то может забиться, примерно за час до наступления такого события.

Мы поставили операторам полноценную систему. Теперь у них есть интерфейс, несколько экранов, на которые мы в реальном времени выводим всю связанную с техпроцессом телеметрию. Для простоты мы подсвечиваем нужные показатели разными цветами (зеленый-желтый-красный), как на спидометре. Причем визуально при взгляде на экструдер ничего предположить еще нельзя, а система, проверив телеметрию и показания, начнет заранее алармить, что через 2 часа (горизонт прогнозирования нашей модели) возможно забитие. И что если прямо сейчас просто усилить прижим ножей, к примеру, то внеплановой остановки можно будет избежать.

Одна из наших главных задач при этом — обеспечить приживаемость наших инструментов. Операторы должны доверять системе. Если она будет часто срабатывать ложно, а он будет отвлекаться и все перепроверять, то рано или поздно он будет реагировать на ее алармы как на привычный раздражитель. А то и вообще станет думать, что поставили какую-то не очень понятную систему, которая иногда ложно срабатывает и отвлекает от работы. Поэтому мы на ходу дообучали модель, чтобы минимизировать такое. Мы установили над виброситом видеокамеры, чтобы оператор мог смотреть, как обстоят дела, если вдруг система проморгает что-то, в этом случае он визуально заметит агломераты заранее, а не когда уже все вибросито забьется. Если сотрудники производства меняют ножи либо настройки экструдера, они сразу пишут нам в саппорт и просят учесть это, чтобы модель работала точнее.

Эффект для про­из­водс­тва — в сред­нем около 1000 до­пол­ни­тель­ных тонн бутадиена в год.
СОВЕТЧИК НА БУТАДИЕНЕ
Бутадиен — наш промежуточный продукт, из которого, например, впоследствии делают всем известный синтетический каучук. У производства бутадиена есть одна особенность, для этого необходим катализатор, элемент довольно ценный. Закупается обычно года на 2-3 вперед и стоит несколько миллиардов рублей, так как содержит драгоценные металлы.

У нас есть 2 реакторных блока по 8 реакторов в каждом. Не вдаваясь подробно в технологический режим производства, описать работу оператора простыми словами можно так: у тебя есть заданная температура (мы называем ее «уставка»), и ее надо держать в течение смены. Регулируется она с помощью заслонок путем подачи воздуха. Задачей оператора является поддержание температуры у верхней допустимой границы, чтобы, с одной стороны, не подгорал катализатор, а с другой — чтобы получать максимальный выход конечного продукта. Итого все сводится к поддержанию максимально стационарного режима.

Поэтому надо держать ровненько температуру, близкую к верхней границе, когда продукта вырабатывается достаточно, но вреда для катализатора еще нет. И все бы было хорошо (казалось бы — зафиксируй температуру и все), но на это влияет много разных факторов.

Стоит сказать, что со стороны оператора там тоже не все так просто. Любое его действие по изменению температуры с помощью открытия заслонок имеет инерцию в несколько часов. Это дома в душе просто, открыл горячую воду, понял, что переборщил, добавил холодной, и тут же все ОК. Пока стиралка воду набирать не стала или кто-то из соседей не задумался о гигиене.

А здесь вот так. Открываешь заслонку на 1 градус, и можешь оценить влияние этого на общее изменение температуры сильно не сразу. Итого за смену средний оператор крутит эти заслонки туда-сюда в среднем трижды.

Здесь мы собрали исторические данные, посмотрели по ним, как сильно меняется температура при открытии заслонки на 1 градус. На 2. На 3. В итоге построили целый комплекс моделей, которые стали де-факто рекомендательной системой для операторов. Если вдруг где-то температура отличается от уставки, система сразу алармит, какую заслонку и на сколько именно градусов надо приоткрыть, чтобы достичь оптимальной температуры. Оператор это сразу видит и реагирует.

Модель запустили в 2018. И с это­го момента у нас больше не бы­ло ни од­ной внеп­ла­новой ос­та­нов­ки.

Этот проект из сферы предиктивного техобслуживания. Оно очень помогает в работе, например, мы прогнозируем, к какому времени с той или иной установкой что-то может пойти не так, надо будет заменить масло или подшипник, и заранее заказываем нужные детали на склад, чтобы к моменту наступления события осталось только взять и установить их, а не решать вопросы с заказом, доставкой и прочим.

Теперь перейдем к оптимизации выработки продукции за счет поддержания оптимального режима.

Здесь был еще один добавочный эффект от применения нашей модели, у нас изменился собирательный образ самого оператора. Они стали усидчивее и внимательнее, операторам поставили в KPI невыход за границу нужной температуры. Сейчас они обсуждают, какая смена лучше справилась с задачей, быстро обучаются новым функциям модели. В общем, мы дали им хороший инструмент, чтобы они делали свою работу, а они нам качественную обратную связь, которая позволяет нам улучшать эту систему.

Система автоматически формирует каждому оператору под конец смены отчет с его эффективностью, дабы было понятно, кому сегодня можно будет похвастаться. И подобные элементы на производстве меняют саму культуру работы. Изменился и сам образ оператора — он стал более цифровым, теперь операторы понимают и используют цифровые инструменты, обладая всеми необходимыми навыками, а также активно вовлечены в разработку и улучшение этих инструментов.

ПРОГНОЗ КОКСООБРАЗОВАНИЯ

Предиктивная модель коксообразования бутиленовой фракции выглядит так. В реакторах установлены решетки, на которых есть термопары (термодатчики). Частенько в процессе работы реактора на эти решетки налипает кокс, что приводит к разрушению решеток и увеличению времени ремонта при останове. И когда такое происходит, реактор останавливают, все это прочищают, а поврежденные элементы заменяют. Простой по времени около 7 дней. Идея была в том, чтобы предсказывать образование кокса, выжигать его с остановкой на короткий промежуток и в этом случае без вскрытия самого реактора, тем самым увеличив межремонтный интервал.

Как можно понять, что в реакторе начинает скапливаться кокс? Сделать ему рентген. Но это влечет большие финансовые затраты. Поэтому было решено оптимизировать их и прибегнуть к аналитике.

Когда на датчики температуры начинает налипать кокс, как правило, они показывают чуть заниженную температуру, а также более низкую дисперсию этой температуры. Мы наблюдали за этим, построили модель, которая стала предсказывать коксование без гамма-сканирования. Эта модель у нас еще на стадии пилота, сейчас ее использование позволяет:
  • Дать единый интерфейс для наблюдения за всеми датчиками на всех решетках.
  • Заранее понимать и планировать ремонтные работы и нагрузку на ремонтный персонал.
  • Сокращать межремонтный интервал и сроки простоя из-за ремонта.

НЕ ПРОИЗВОДСТВОМ ЕДИНЫМ

Может сложиться мнение, что аналитика на производстве связана только с самим производством. На самом деле, это не так, у нас в том числе и маркетинговые кейсы. К примеру, мы можем предсказывать рыночные цены на отдельные виды продукции.

Здесь важно еще раз отметить, мы не строим модели ради моделей, мы создаем готовые продукты на их базе. Поэтому мы создали еще и ML-фреймворк, ставший фактически единым стандартом требований к модели. Вне зависимости от того, какая команда делала продукт, или даже это сторонние подрядчики через API, создающих свои модели, нам важно, чтобы все эти модели были в едином интерфейсе. Это позволяет нам понимать, какая из моделей работает нормально, какая начинает деградировать, какая вообще не запустилась из-за нехватки данных и прочее.

Когда было всего 5 моделей, все было просто, и с мониторингом, и с поддержкой. А когда их становится больше (включая подрядчиков), тут на помощь и приходит ML-фреймворк, позволяющий унифицировано сохранять каждый цифровой продукт в контейнер и автоматически развертывать API. Мы можем положить туда все модели и мониторить их одновременно.

Поэтому мы используем свой фреймворк.
ABOUT THE SPEAKER

Александр Крот

Руководитель проектов по анализу данных компании СИБУР

Другие статьи автора

Смотрите так же

28 Января

Евгений Бутман: Я всегда был онлайн-оппортунистом

Техноскептик или технореалист?  Создатель сети re:store Евгений Бутман рассуждает о влиянии новых технологий на ретейл.
Евгений Бутман
9 Февраля

Илья Сачков: 6 правил техники кибербезопасности

Компьютерных преступлений становится все больше, и неспециалисту сложно уследить за всеми возможными схемами. Генеральный директор и основатель компании Group-IB Илья Сачков рассказывает, как обезопасить себя, свою семью и свой бизнес
Илья Сачков
9 Февраля

Кевин Келли: Рано или поздно мы сами станем богами!

Футуролог, эксперт киберкультуры и «главный спорщик» журнала Wired рассказал, как шеринг вытеснит частную собственность, зачем бренды станут платить людям за внимание и в чем человек сильнее искусственного интеллекта.
Кевин Келли