Российский искусственный интеллект начал экономить нефтяникам миллионы долларов

Софт Бизнес Интеграция Внедрения Инфраструктура data Российское ПО
мобильная версия
, Текст: Дмитрий Степанов
Отечественный стартап «Химтех» разработал решение для управления нефтехимическими установками при помощи искусственного интеллекта и машинного обучения. Компания поделилась информацией о ходе разработки, использованных технологиях и этапах внедрения.

OptimEase оптимизирует работу НПЗ

Российский разработчик решений для нефтехимической отрасли «Химтех» (Chemtech) выпустил продукт OptimEase для управления нефтехимической установкой с помощью технологий искусственного интеллекта и машинного обучения. CNews выяснил подробности и перспективы проекта.

В OptimEase сочетаются и одновременно работают два компонента: термодинамическая модель и предсказательная статистическая модель. В рамках реализации конкретного проекта термодинамический модуль OptimEase настраивается для существующей нефтехимической установки – устройства, предназначенного для переработки нефти, задействованного на НПЗ (нефтеперерабатывающем заводе), чтобы учитывать все нюансы оборудования установки и каталитической системы, аспекты технологических соединений и специфику систем управления. Это помогает точно описать параметры рабочего режима и характеристики продуктов.

Термодинамический модуль используется на этапе анализа качества исторических данных установки с целью выбора доверительных интервалов для дальнейшего машинного обучения. Одновременно модуль помогает заполнить пробелы в исторических данных, существующих в результате специфичности DCS-систем (Distributed Control System – распределенных систем управления), редких замерах лабораторных анализов, потерь данных на приборах. Основной целью модуля является выбор оптимального режима работы установки с учетом текущих входных параметров, ограничений оборудования, внешних требований и факторов.

Технологии искусственного интеллекта и машинного обучения позволяют определить целевые значения работы нефтеперерабатывающей установки

Статистический модуль построен на данных конкретной установки, поэтому учитываются ее специфические аспекты. Во время обучения модуля отобранные исторические данные установки используются в сочетании с данными, полученными из созданного термодинамического модуля. Основной целью модуля машинного обучения является определение целевых значений работы установки, например, параметров качества продукции, основанных на текущем состоянии установки, отслеживаемых с помощью DCS-системы.

Целевые параметры определяются в режиме реального времени без задержек, что имеет большое значение для оптимизации работы технологической установки.

Искусственный интеллект, основываясь на исторических данных, прогнозирует значения целевых параметров на заданном временном интервале и обеспечивает оптимальный режим работы установки с учетом этого прогноза.

Как утверждают в компании, использование решения позволяет повысить производительность установки, выход готового продукта и его качество, а также снизить расход энергоресурсов и потери продукта. OptimEase предсказывает значения ключевых технологических параметров на необходимом горизонте, переобучается непосредственно во время работы установки и оптимизирует процесс в круглосуточном режиме.

Разработка OptimEase

К реализации проекта в «Химтехе» приступили в апреле 2018 г., сформировав команду из инженеров-технологов, аналитиков данных и программистов. Всего в проекте было задействовано шесть человек. Разработка велась собственными силами компании без привлечения сторонних организаций и продлилась четыре месяца.

«Мы обладаем всеми необходимыми компетенциями: как в технологиях нефтеперерабатывающих процессов, так и в алгоритмах искусственного интеллекта», – сказал Евгений Бунин, специалист "Химтеха".

В разработке виртуальных анализаторов состава сырья, подаваемого на установку, были применены нейронные сети (рекуррентные и прямого распространения), алгоритмы машинного обучения с применением библиотек градиентного бустинга XGBoost, LightGBM и другие методы регрессионного анализа, например, Lasso. Использованы платформа Java и популярный фреймворк Spring, языки программирования Python и С++. Виртуальные анализаторы рассчитывают покомпонентный состав с горизонтом прогнозирования 0 мин, +15 мин, +30 мин, +60 мин.

Под искусственной нейронной сетью понимают модель, построенную по принципу функционирования нервных клеток живого организма, которая выгодно выделяется на фоне традиционных алгоритмов благодаря способности к «обучению». В ходе данного процесса нейронная сеть может выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение.

Бустингом в машинном обучении называют процедуру последовательного построения композиции алгоритмов машинного обучения, когда каждый следующий алгоритм стремится компенсировать недостатки всех предыдущих. В настоящее время бустинг – один из самых популярных методов машинного обучения.

В ходе проекта был разработан «цифровой двойник» – комбинированная модель на базе термодинамических и статистических моделей. «Цифровой двойник» является точной моделью действующего производства и представлен в виде программного решения с собственным интерфейсом.

Следующий шаг – разработка интеллектуального оптимизатора. Ядром оптимизатора является модель «цифрового двойника» с возможностью гибкой настройки оптимизационных сценариев за счет своевременно полученных значений составов сырья. Система способна производить оптимизацию либо по полученной целевой функции от оператора, либо самостоятельно выбирать оптимальный режим, руководствуясь управляющим алгоритмом, который построен на нейронных сетях.

Внедрение продукта

Как рассказали в «Химтехе», типовое внедрение OptimEase происходит в четыре этапа. На этапе предпроектного исследования, который может занять до одного месяца, производится выгрузка и анализ начальных данных, оценка потенциала внедрения.

Затем специалисты разрабатывают модель, оркестратор и проводят тестирование системы на предоставленных заказчиком данных. Работы на данном этапе длятся также не дольше месяца.

Интеграция сервиса включает в себя адаптацию системы, тестирование на установке и разработку технической документации и может потребовать от двух недель до полутора месяцев.

На заключительном этапе компания осуществляет техническую поддержку сервиса, которая предполагает планируемое обучение работы системы, выпуск обновлений и модификаций системы.

В зависимости от требований (технического задания) внедрение может осуществляться с использованием инфраструктуры заказчика, либо облачных решений. Например, при разработке решения по заказу НПЗ «Танеко» («Татнефть») для обработки данных использовались виртуальные машины Microsoft Azure. Как отметили в «Химтехе», зарубежные клиенты более лояльно относятся к «облачным» вариантам решения.

О проектах компании

В конце июня 2018 г. нефтеперерабатывающая компания «Танеко» и «Химтех» сообщили о реализации пилотного проекта по цифровизации производства.

Проект предполагал создание «цифрового двойника» установки ЭЛОУ-АВТ-7. С помощью технологий машинного обучения и искусственного интеллекта планировалось оптимизировать процесс фракционирования нефти.

Как сообщили в «Химтехе», к настоящему моменту проект успешно завершен. Теперь планируется осуществить внедрение OptimEase на стандартную установку мощностью 7 млн тонн в год, что, по подсчетам специалистов, позволит повысить производство дизельного топлива на 0,83%, а также снизить расход энергоресурсов на 5,3%. Ожидаемый суммарный экономический эффект от внедрения – $3,94 млн в год. По итогам данного проекта Microsoft приняла компанию в свою программу для стартапов Microsoft for Startups.

В настоящее время «Химтех» и Microsoft ведут совместную работу над решением для SABIC из Саудовской Аравии – крупнейшей нефтехимической компании на Ближнем Востоке. Параллельно осуществляется проект для Petrobras – крупнейшей бразильской нефтяной компании, контролируемой государством.



Дополнительные материалы