Как большие данные помогают предотвратить аварии на производстве

Источник: kz.kursiv.media

Автоматический анализ данных, поступающих с датчиков центральной насосной станции на одном из предприятий АО «НАК «Казатомпром», позволяет предотвратить аварийные простои и увеличить ресурсы работы оборудования до 20%. Таковы промежуточные результаты работы в рамках одного из проектов цифровизации в нацкомпании, сообщил в ходе одной из сессий 12-го горно-геологического форума МАЙНЕКС Казахстан директор департамента цифровой трансформации АО «НАК «Казатомпром», член Президентского молодежного кадрового резерва Бахытжан Имажанов.

Пилотный проект реализуется в рамках научно-исследовательских и опытно-конструкторских работ (НИОКР) на месторождении Инкай одноименного СП в Туркестанской области. Центральная насосная станция является основным критическим оборудованием для перекачки продуктивных растворов.

«Каждая аварийная остановка – это огромные потери. Мы хотим избежать аварийных остановок и снизить расходы», – сказал Имажанов.

Он также отметил, что автоматизация процесса управления и эксплуатации насосного парка позволяет сократить затраты на ремонт и обслуживание оборудования. Кроме того, уменьшается потребность в запасных частях.

Снижать затраты на техническое обслуживание и ремонт помогает система предиктивной/прогнозной диагностики или предиктивной аналитики, которая позволяет построить модель работы оборудования (набор взаимосвязанных параметров), обучить эту модель на исторических данных, соответствующих нормальным режимам работы, а затем использовать модель в реальном времени для раннего предсказания отказов оборудования. Новая технология способствует переходу от реактивного и календарного подходов к проактивному (т.е. распознавание отказов и их предотвращение).

«Это предиктивные ремонты. Большая часть причин выхода из строя оборудования связана не с его возрастом, а с неправильной эксплуатацией и несвоевременным ремонтом. Мы в компании реализуем пилотный проект по этой технологии. Для этого была выбрана центральная насосная станция, которая является сердцем геотехнологического полигона. Установили датчики, посредством которых собираем данные для построения модели работы оборудования. Проводим обучение модели на исторических данных и совершенствуем методику надежности оборудования под специфическую деятельность нашей компании.

Эти технологии увеличивают ресурс работы оборудования, сокращают затраты на ремонт и обслуживание, а также минимизируют время простоев и аварийных выходов из строя», – сказал Имажанов.

«Предположим, что, согласно регламенту, мы должны проводить плановый ремонт раз в квартал. Однако насос работал не на полную мощность, соответственно, нет необходимости делать плановый ремонт. Нет никакой вибрации, давление масла в норме, все отлично и продолжает работать. Предиктивная аналитика позволяет нам отложить плановый ремонт на длительный срок и начать его только лишь после фиксации отклонений от заданной модели. Решение о проведении ремонта принимается на основе рекомендации предиктивной аналитики», – говорит Имажанов.

Другим проектом, который осуществляется Казатомпромом самостоятельно, является внедрение инструмента определения контура рудных тел на основе технологий машинного обучения.

«Оконтуривание рудного тела – это большая рутинная операция, в основе которой лежит экспертиза геолога. Чем точнее отрисован контур рудного тела, тем правильнее будет проектирование новых технологических скважин и, как следствие, ниже удельная стоимость бурения.

Эту задачу мы решили за счет применения алгоритмов геостатистики и машинного обучения. Нам повезло – ранее наши коллеги создали инструмент «Атомгео» – базу геолого-геофизических данных. Оттуда мы экспортировали необходимые для анализа данные и обработали их. Нам очень помог геостатистический анализ. На его основе мы разработали инструмент геологического моделирования, который помогает геологам понимать, где залегает руда», – рассказал Имажанов.

Задача автоматизации определения контура рудных тел сложна по той причине, что урановая руда залегает на большой глубине. В этом случае не помогает ни аэро-, ни топосъемка – необходимо бурить.

Моделирование контура рудных тел осуществляется с использованием исторических данных как разведочных скважин, так и скважин действующих технологических участков. При этом, чем больше данных загружено в модель, тем выше точность определения контура.

Совместно с профильным экспертом Казатомпрома на отработанных участках мы провели работу по сравнению контуров, смоделированных с использованием машинного обучения, и аналитики, которую выполнил человек. По факту наша модель показала точность на уровне 80%, более того, полученный результат заставил эксперта по-другому взглянуть на ранее отработанные участки», – сказал Имажанов.

После того как отрисован контур рудного тела, геолог проектирует посадку скважин, определяет место бурения, поэтому от правильного определения контуров рудных тел зависит то, сколько на самом деле необходимо бурить скважин и на какой части участка бурить будет неэффективно. Сокращение расходов на бурение помогает сдерживать рост себестоимости производства урана на фоне роста стоимости материалов используемых при сооружении скважин.

«Наш основной KPI (ключевой показатель эффективности. – «Курсив») – сдерживание себестоимости, который реализуется за счет таких кейсов. Сегодня у Казатомпрома самая низкая себестоимость в мире», – сказал Имажанов.

В период пандемии мы столкнулись с еще одним интересным кейсом по данным. Нам необходимо было мониторить ситуацию по COVID-19 на предприятиях АО «НАК «Казатомпром». В ответ на вызовы пандемии сотрудники компании разработали решение по автоматическому сбору и визуализации данных о текущей ситуации с коронавирусом в атомном холдинге. Это позволяло мониторить развитие ситуации как в самой нацкомпании, так и в дочерних и зависимых организациях. Также проводился мониторинг ежедневного анкетирования работников о состоянии здоровья для выявления случаев заболеваний.

«В марте 2020 года мы все ушли на удаленку. Был период большой неопределенности. В компании был организован штаб экстренного реагирования. Работники наших предприятий работают в основном вахтовым методом, и все решения по увеличению или перевахтовке принимались исходя из данных, полученных как из официальных источников, так и из анкет, которые наши работники заполняли каждый день», – сказал Имажанов.

Еще одним проектом является корпоративное хранилище данных, которое реализуется в партнерстве с ТОО «QazCloud». Источниками данных для этой системы являются учетные (ERP), производственные и другие системы. Все структурированные и неструктурированные данные собираются и помещаются в корпоративное хранилище данных. Затем система интерпретирует все эти данные и позволяет сформировать отчетность в заданном формате и за определенный период времени. Помимо прямого эффекта проект принес и косвенный – были выявлены так называемые «белые пятна» в автоматизации. Часть предприятий вели отчеты не в цифровом формате, а в производственных журналах, которые собирались и переписывались.

Добавить комментарий

Ваш адрес email не будет опубликован.