«Есть у вас инструмент, чтоб у нас реактор меньше обрастал? Можете что-нибудь придумать, чтоб нам его пореже останавливать?»
Примерно так звучал запрос от технологов производства полиэтилена на ЗапСибНефтехиме. Звучит просто, а за этим стояла проблема, которую не могли решить несколько лет. Реакторы приходилось останавливать на чистку каждые 3-5 месяца. Внутри полукилометровых труб нарастал слой полимера, до нескольких см, пока теплообмен не ухудшался настолько, что приходилось останавливаться для проведения чистки. Каждая остановка означала, что будем сливать 300 тонн растворителя с продуктом, бригады подрядчиков с механическим и гидро- инструментом и дни простоя. Каждый день простоя — это незаработанные миллионы рублей.
При этом мы слышали и знали о лучших мировых практиках, где такие же реакторы работали без остановки порядка года. То есть решение существует.
Меня зовут Илья Чебарев, я инженер химик-технолог с большой примесью экономиста. В СИБУРе я руководил проектом по внедрению мультивариантного анализа. Это набор математических методов, который помог нам разобраться, что на самом деле влияет на обрастание реакторов. Расскажу, как мы собрали команду, нашли инструмент и прошли путь от перебора 70 параметров до конкретных рекомендаций как реже останавливать реактор, снизить затраты на остановку с чисткой и заработать на дополнительных тоннах, которые можно получить при увеличении длительности работы.
Как мы собирали команду
Начну не с реакторов, а с людей. Без правильной команды ничего бы не получилось.
Нам нужны были люди, которые одновременно понимают технологию и не боятся математики. Звучит просто, а на практике такие встречаются редко. Есть такая штука: у многих людей сохраняется детская травма от математики или химии. Кто-то в школе не подружился с формулами, и эта боязнь проходит через всю жизнь. Произносишь «сокращение размерности данных», и человек уже закрывается.
Мы исходили из того, что технологу проще объяснить математику, чем математику объяснить химию. Технолог уже понимает, как устроен реактор, почему давление связано с температурой и что значит «обросла четвёртая петля». Ему нужно освоить инструмент. А математику пришлось бы с нуля объяснять всю эту физику, химию, машины и механизмы.
Поэтому более 80% команды составили технологи. Набирали из нефтехимии, нефтепереработки, кто-то пришёл из научной сферы. Математики тоже приходили и встраивались в процесс, если не боялись технологии. Главное условие: человек должен уметь найти общий язык с технологом на заводе. Потому что именно технолог потом скажет, имеют ли полученные выводы смысл в реальной жизни.
Потом мы поняли, что слишком замкнулись в своей отрасли. Метод, который мы использовали, называется сокращение размерности данных, и он давно и активно применяется в фармакологии, в медицинских исследованиях. Там решают похожие задачи: как из огромного набора переменных выделить те, что действительно влияют на результат. Как отличить ложноположительные результаты от настоящих. Как добиться оптимума. Мы могли бы искать людей и оттуда.
Что внутри петлевого реактора
Теперь о том, с чем мы работали. На ЗапСибНефтехиме в Тобольске есть производство суспензионного полиэтилена высокой плотности. Основа производства — петлевые реакторы.
Представьте: трубы диаметром 70 сантиметров, высота каждой петли 70 метров. В каждом реакторе по 2 секции, каждая секция – это 2 витка. Суммарная протяжённость — больше полукилометра труб. И все они заполнены растворителем, в котором непрерывно идёт реакция.
Сама реакция полимеризации, если смотреть глазами чистого химика, довольно простая. Берёшь этилен, добавляешь катализатор, температуру, давление и получаешь полиэтилен:
n CH₂=CH₂ → [—CH₂—CH₂—]ₙ
Молекулы этилена соединяются в длинные цепи. Но это когда ты чистый химик и пишешь формулу на доске. А технологический процесс — это совокупность химии, оборудования и аппаратов. Автоматика, которая открывает и закрывает клапаны, поддерживает давление и температуру. Две петли, между ними промежуточные ёмкости, промывки. Обвязка оборудования на выходе, где нужно выгрузить растворитель с порошком, отсеять порошок, растворитель вернуть обратно. Всё это тоже влияет на обрастание. Даже вибрация от насосов даёт дополнительный импульс к налипанию.
Общий объём системы: порядка 300 кубометров. Процесс непрерывный, 24/7. Остановить линию — долго и дорого.
Почему на стенках нарастает полимер и почему это сложная задача
Обрастание — это физика. В процессе полимеризации часть продукта неизбежно налипает на стенки труб. Полностью избежать этого, скорее всего, невозможно. Но можно ограничить.
Проблема в том, что на процесс влияет огромное количество факторов. Температура, давление, количество катализатора и мономера, сомономера, скорость циркуляции — и это только начало. Две петли, промежуточные ёмкости, промывки, всё оборудование обвязки. Суммарно мы насчитали порядка 70 технологических параметров, каждый из которых в той или иной степени влияет на обрастание.
И вот здесь начинается главная проблема. Эти 70 параметров связаны между собой. Температура связана с давлением. Скорость циркуляции влияет на теплоотвод, который влияет на температуру, которая влияет на активность катализатора. Изменил один параметр — и пять других поменялись. Это называется мультиколлинеарность данных: параметры коррелируют друг с другом, и выделить, какой из них на самом деле влияет на обрастание, а какой просто попал в корреляцию, классическими методами почти невозможно.
До нас эту задачу пытались решить базовым статистическим анализом. В Minitab строили простые линейные регрессии, смотрели зависимости. Но линейная регрессия не работает с коррелирующими переменными. Для неё это фундаментальное ограничение. Приходилось исключать большую часть параметров из модели, и результат получался неполным. Привлекали зарубежных экспертов: это помогало, но не системно.
А потом мы услышали, что на мировых бенчмарках, где реакторы работали без остановки по году, применяли продвинутый статистический анализ. Так мы пришли к мультивариантному методу (MVA).
Модель, которой всё равно, что внутри реактора
Тут надо сразу объяснить важную вещь, потому что она ломает интуицию. Мультивариантный анализ — это не физико-химическая модель. Это чистая математика. Модели всё равно, что перед ней: полимеризация этилена, дегидрирование пропана или клинические испытания лекарства. Она не знает, что такое катализатор, не понимает, почему давление связано с температурой.
Модель работает так: мы задаём целевой параметр (в нашем случае скорость обрастания) и загружаем набор данных по 70 параметрам. Модель ищет математические зависимости между входными данными и целью. Какие параметры сильнее всего влияют на обрастание? Как они взаимодействуют? В каких диапазонах нужно их держать?
Именно поэтому при работе с такой моделью критически важно правильно задать границы данных. Модель не знает физики. Она не понимает, что при определённой температуре катализатор просто перестанет работать, или что давление и температура связаны уравнением состояния газа. Если загрузить данные без осмысленных ограничений, модель может выдать рекомендации, которые физически недостижимы. Например, одновременно высокое давление и низкую температуру в сочетании, которое в реальном реакторе просто невозможно получить.
Поэтому работа всегда начинается с определения периметра: вместе с технологами и экспертами мы решаем, какие параметры включаем, в каких диапазонах они реально существуют и что является целевым показателем.
В основе инструмента лежит метод главных компонент, изобретённый более 100 лет назад. Просто с развитием вычислительных мощностей и численных алгоритмов стало гораздо проще считать. Хороший математик может провести весь этот анализ на бумаге. Но мы 70-мерное пространство на бумаге даже нарисовать не сможем. А в ПО по картинкам на экране видим результат.
Мы работали в Aspen ProMV. Это специализированное ПО для статистического анализа больших массивов данных. Оно позволяет строить модели без знания языков программирования: загружаешь данные, строишь модель, смотришь визуализацию. В нём реализованы два метода: PCA (анализ главных компонент) и PLS (проекция на латентную структуру, он же частичная регрессия наименьших квадратов).
Как мы «нарезали» 70-мерное пространство
Теперь к самому анализу. У нас 70 параметров. Каждый — отдельное измерение. Получается 70-мерное пространство. Представить его невозможно: всё, что больше четырёх измерений, когнитивно недостижимо.
Метод главных компонент «нарезает» это пространство на плоскости, на двумерные срезы, которые можно увидеть на экране. Это не моменты времени, не этапы процесса, а математическая операция. Как если бы вы резали сложный объект под разными углами и изучали каждый срез отдельно.
Первый срез строится по максимальному рассеиванию данных, чтобы захватить как можно больше информации. Второй — по максимуму оставшегося разброса, без учёта первого. Третий — без учёта первого и второго. Логика всегда одна: каждый следующий срез описывает максимум того, что не описали предыдущие.
В каждом срезе видны свои ключевые параметры, те, что вносят наибольший вклад. Один срез показывает, что максимальное влияние оказывают температура и скорость циркуляции. Другой — что количество катализатора и давление. Параметры где-то пересекаются между срезами, и из этого пересечения складывается общая картина.
Около 7-8 срезов достаточно, чтобы описать более 80% всех данных. Дальше работает правило «локтя»: есть критическая точка, после которой увеличение количества срезов уже не улучшает картину. В каждом из семи срезов обнаруживаются 2-3 ключевые точки. Они где-то пересекаются, где-то нет. В итоге из 70 параметров мы выделяем 10-12, которые максимально влияют на обрастание.
Откуда брали данные и почему шестичасовые интервалы
Данные мы тянули из заводской MES-системы. Она непрерывно записывает все производственные параметры и хранит их за много лет. То есть сводить данные из разных систем нам не пришлось. На ЗапСибНефтехиме выгрузка работает особенно удобно, на других предприятиях бывают ограничения: можно выгрузить данные только за месяц или за две недели, и тогда приходится подавать несколько запросов. Но в целом процесс автоматический.
Ключевой вопрос: дискретность данных. С какой частотой усреднять? Мы начинали с двухчасовых выгрузок. Смотрим — никаких явных изменений не видно. Увеличиваем шаг, снова смотрим. И так до тех пор, пока не начинаем различать реальные закономерности.
Остановились на 6 часах. Почему именно столько? Потому что система очень инерционная. 300 кубометров растворителя, полкилометра труб. Всё это варится, крутится, циркулирует. Если изменить какой-то параметр на входе, эффект на систему в целом проявится примерно через 6 часов. Если брать данные чаще, просто не увидим изменений.
Для других задач дискретность другая. На компактных установках, которые быстро реагируют на возмущения, мы использовали получасовые интервалы. Всё зависит от того, с какой скоростью система откликается.
В итоге датасет по пилотному кейсу: 77 технологических параметров, 547 дней работы, 2 технологические линии. Порядка 4376 состояний системы. Не самый большой датасет, но для этого метода достаточный.
Как мы нашли профессора из Томска
У нас была команда технологов, которые понимали процесс. Был инструмент, Aspen ProMV. Но между «нажать кнопку в программе» и «понять, что ты видишь на экране» лежала пропасть. Нам нужно было разобраться в математике.
В рамках пилотного проекта мы запланировали средства на обучение и нашли профессора из Томска, который специализировался на методах сокращения размерности. Он читал нам начальный курс: какие есть основные математические методы помимо тех двух, что реализованы в ПО, как устроены PCA и PLS, как интерпретировать результаты.
Однажды он подключился к лекции удалённо и извинился: «Простите, я сегодня во Владивостоке. У меня здесь курс лекций на конференции медиков, рассказываю им про сокращение размерности данных для практических исследований». И тут мы поняли: тот же мат-аппарат, те же методы, а задачи совсем другие. Медики, фармакологи, биологи — все работают с тем же инструментом.
Мы-то думали, что у нас какая-то уникальная нефтехимическая история. А оказалось, математика универсальна.
Мы просто слишком замкнулись в своей отрасли.
Поняв, что базовая математика, в общем-то, понятная и не такая страшная, мы пошли дальше. Разработали два собственных курса: вводный и базовый. Вводный объясняет, что такое MVA и зачем он нужен. Его прошли более 270 инженеров-технологов. Базовый учит самостоятельно строить модели. Его прошли более 50 человек. Изначально мы хотели, чтобы технологи на заводах сами проводили аналитику. Но, честно говоря, переоценили возможности. И их, и свои. Выделенная экспертиза работает лучше, чем попытка обучить всех всему. Сейчас курсы нужны для другого: чтобы нам было проще разговаривать с технологами, и чтобы они понимали, что мы им показываем.
Как мы обсуждали результаты с заводом
Когда модель выдаёт результат, начинается самое интересное: разговор с технологами. Они химики-технологи по образованию, но понимают всю взаимосвязь: что на что влияет в реальной системе химия, оборудование, аппараты, автоматика.
Процесс выглядел так: мы приносим первичные результаты. Вот параметры, которые модель считает ключевыми. Вот их вклад в обрастание. Технолог смотрит и говорит: «Логично». Или: «Нет, этот параметр сюда попал случайно, уберите, он засоряет модельку».
А иногда модель выдавала рекомендации по оптимальным диапазонам параметров, а технолог говорил: «Подождите, катализатор при такой температуре работать не будет». Или: «Вы предлагаете одновременно вот такое давление и вот такую скорость, но это физически недостижимая совокупность». Модель не знает физику, не понимает, что два параметра связаны уравнением. Она работает только с тем, что видела в данных. Поэтому экспертная проверка — не формальность, а обязательный этап.
Заинтересованный заказчик — это 50% успеха. Если у технолога есть боль, частые остановки, незаработанные деньги, он не скажет: «Что за ерунду ты мне принёс, не трать моё время». Он скажет: «Давай выделим время, посмотрим, что получилось. Есть логика — уходим глубже».
Что получилось
По пилотному кейсу на ПЭВП мы создали более 120 моделей в процессе работы. 120 — не потому что первые 119 были неправильные. Это разные модели для разных условий, разных режимов, разных периодов. Из них выработали 5 индивидуальных стратегий и собрали 24 отдельных модели для проведения опытных пробегов.
В итоге из 77 параметров выделили 14, которые нужно контролировать и держать в расчетных оптимальных границах.. Запустили опытный пробег: 45 дней непрерывной работы без остановки на чистку. Это было начало.
Экономический эффект пилотного кейса составил 103 миллиона рублей. За счет вовлечения наших коллег с производства удалось обеспечить регулярное применение расчетных рекомендаций и увеличить пробег установки между чистками сначала до 6 месяцев, а потом и свыше года. Суммарный эффект за 2022-2023 годы на производстве суспензионного полиэтилена более 500 миллионов за счет снижения ремонтных затрат и прибыли от дополнительных тонн продукции.
Успех пилотного кейса позволил тиражировать инструмент на четыре ключевых предприятия: ЗапСибНефтехим, КазаньОргСинтез, Нижнекамскнефтехим и Томскнефтехим.
При этом мы решили более 60 технологических кейсов, и не только по обрастанию – снижение потерь со сдувками на производстве полиэтилена, оптимизация расхода катализатора на полипропилене, увеличение пробега реакторов дегидрирования, снижение давления в конденсаторах пиролиза.
Потенциал при тиражировании на остальные предприятия СИБУРа — более 2 миллиардов рублей.
Что дальше
Проект развивается в новых условиях, может и не самых для нас приятных. Мы успешно работали на зарубежном ПО Aspen ProMV, но срок лицензий подходит к концу, и продлить их сейчас невозможно.
За 2,5 года мы накопили глубокую экспертизу: понимаем ключевые функции, интерфейс, задачи, которые инструмент решает (и которые нет). На рынке РФ аналогов такого ПО пока нет. Поэтому мы передали нашу экспертизу отечественному партнёру-разработчику — одной из компаний, которая взяла на себя инициативу по созданию решения.
Они уже работают над проектом бесплатно для нас: мы не вкладываем средства в разработку. Выстроили регулярное взаимодействие — сверяем ключевые этапы, берём на себя вопросы пользовательского опыта. Программисты воспроизводят возможности зарубежного аналога, а мы как эксперты-пользователи уточняем нужные результаты.
Задача — к концу года получить прототип для тестирования. Ведь на других предприятиях есть похожие производства с похожей проблематикой. И мы уже знаем, при помощи какого инструмента её можно решить.
Подписывайтесь на наш тг-канал. Он полезен айтишникам, которые хотят понять, что реально происходит в промышленном ИТ.
Там мы рассказываем о цифровых технологиях для производства — от IIoT и аналитики до инженерных инструментов и ИИ. Делимся кейсами, экспериментами, новостями и выкладываем вакансии.
Автор: chebareviv
