Интеллектуальная технология по мониторингу и прогнозу технического состояния оборудования с построением физико-химической модели

1.

Интеллектуальная технология по мониторингу и прогнозу
технического состояния оборудования с построением
физико-химической модели для получения рекомендаций
по проведению ТОиР
Генеральный директор/
руководитель проекта:
Осипенко Владислав Викторович
Менеджер проекта:
Чумак Олег Николаевич
Компания
ООО «СОЙЕР»
09.09.2022 г.

2.

ИС и участие в Акселераторе «Химия инноваций»

3.

Проблематика

4.

Типовые проблемы в управлении ТОиР
Дорогой
восстановительный
ремонт
Длительные
простои
на ТОиР
Выбор
неоптимальной
стратегии ТОиР
Невыполнение
производственной
программы и KPI
Для определенных
групп оборудования
восстановительный
ремонт дороже
предупредительного
Сложно планировать
ТОиР с учетом большого
количества факторов
(МТР, люди и т.д.)
Стратегии ТОиР
не учитывают риски,
критичность
и техническое состояние
оборудования
Трудно просчитать
влияние стратегий ТОиР
на бизнес-показатели
компании
4

5.

Главный вопрос ТОиР на который отвечает
предлагаемое решение
НЕНАДЕЖНО
ДОРОГО
90%
60%
20%
Прошлая неделя
Сегодня
Следующая неделя
Рано
Когда?
Поздно
5

6.

Одна из основных проблем на химическом
производстве
Потребность
1. Оценка состояние перемешивающего устройства реактора, при стадии
смешивания компонентов на линии синтеза стирол-акриловой дисперсии (САД)
2. Оценка изменение вязкости за счёт образования полимерной массы на линии
синтеза стирол-акриловой дисперсии (САД)
3. Оценка характера протекания синтеза полимера (поливинилацетата)
Как проблема решается сейчас
1. Проводятся плановые замеры вязкости согласно технологическому регламенту
предприятия
2. Проводятся плановое техническое обслуживание реактора
Синтез поливинилацетатной дисперсии вязкости согласно технологическому
регламенту предприятия
3. Проводятся несвоевременные корректировки степени вязкости
Какой результат получает предприятие от использования продута
1. Своевременный контроль за техническим состоянием перемешивающего
устройства реактора при стадии смешивания компонентов на линии синтеза
стирол-акриловой дисперсии (САД)
2. Контроль за изменением вязкости при образовании полимерной массы
3. Своевременный контроль и оценка характера протекания процесса синтеза
полимера (поливинилацетата)
Экономический эффект
от внедрения продукта
1. Снижение вероятности
аварийных ситуаций
перемешивающего устройства
«реактор», при стадии
смешивания компонентов на
линии синтеза стиролакриловой дисперсии (САД)
2. Повышение качества
выпускаемой продукции
По предварительным
расчетом экономия на
проведения ТОиР составит
около 500 000 руб. в месяц
6

7.

Описание проблемы
На химических предприятиях для процессов подготовки компонентов и синтеза сополимеров различного состава основной тип
оборудования – вертикальные реактора смешения с рубашкой и перемешивающим устройством.
В качестве перемешивающего устройства используются погружные мешалки различной
конфигурации с верхнеприводным устройством
Для придачи вращения мешалки используются электроприводные устройства
Изменение контр ЭДС электроприводных устройств (в стационарном режиме работы) в
реакторах является сигналом о ухудшении эксплуатационных свойств комплекса
перемешивающего устройства (мешалка + электропривод), при критическом значение или
скачкообразном повышении контр эдс подается сигнал о немедленном проведении
технического осмотра.
От изменений контр ЭДС напрямую зависит вязкость продукта, а от вязкости
зависит итоговый продукт.
Отслеживание изменений вязкости продукта позволит:
1. снизить вероятность аварийных ситуаций за счет предупреждения о протекании
коагуляции полимера и образовании «осадка» полимерной массы, в результате
образования которой обслуживающему персоналу придется вынужденно проводить
полную разгрузку реактора в ручном режиме методом «вычерпывания» и для выгрузки
придется проводить разбор реактора.
2. повысить качество выпускаемой продукции
7

8.

Предлагаемое
решение

9.

Схема работы системы ТОиР (1/3)
Сбор данных с КИПиА, анализ и выдача
рекомендаций
электропривод
Сбор данных с КИПиА
Анализ
I* – А
S* – об/мин
Реактор
База данных
SCADA
Степень
вязкости
АСУТП
предприятия
Определение степени вязкости в реакторе
Синтез поливинилацетатной дисперсии
OPC Client for ODBC
СОЙЕР
Формирование индекса здоровья
оборудования
Сбор данных с КИПиА
осуществляется через подключение к
базе данных АСУТП предприятия
нашего продукта по методу
OPC Client for ODBC
I* - Сила тока в электродвигателе
S* - Количество оборот в минуту перемешивающего
устройства (вал электродвигателя)
Данный способ подключения
позволит сократить время
интеграции нашего продукта на
35%
9

10.

Схема работы системы ТОиР (2/3)
Расчёт физико- математической моделей с учетом
исторических данных о работе оборудования и
данных получаемых в реальном времени
электропривод
Реактор
Степень
вязкости
Полученные данные с
КИПиА:
I–A
S – об/мин
Анализ изменения контр
ЭДС*
Сбор данных с КИПиА
Анализ
Формирование индекса здоровья
оборудования
* - Изменение контр ЭДС
отражается в изменений
прикладываемых усилий
перемешивающего
устройства ( на схеме
электропривод)
Анализ вязкости
вещества в реакторе
Определение степени вязкости в реакторе
Синтез поливинилацетатной дисперсии дисперсии
10

11.

Схема работы системы ТОиР (3/3)
Расчёт оптимального состояния технологического
оборудования и рекомендуемых управляющих
воздействий. Вывод показателей оператору
Сбор данных с КИПиА
Анализ
Формирование индекса здоровья
оборудования
электропривод
Реактор
Степень
вязкости
На основе проанализированных
данных о значении контр ЭДС и
степени вязкости формируется
индекс здоровья ректора
(real-time)
Индекс здоровья
оборудования
1 import numpy as np
2 import pandas as pd
3 import tensorflow as tf
4
5 class odel(object):
Полученные сведения о состоянии
остаточного ресурса оборудования
передаются пользователю (оператор
технологического процесса)
Определение степени вязкости в реакторе
Синтез поливинилацетатной дисперсии
Определяя индекс здоровья
оборудования мы определяем
остаточный ресурс оборудования
11

12.

Графическое представление задачи интеллектуальной поддержки
принятия решений при определении остаточного ресурса
оборудования (индекса здоровья)
12

13.

Процесс определения остаточного ресурса оборудования
(индекса здоровья)
Построение физико-математических моделей — позволит выявлять
предотказные состояния и прогнозировать поломки технологического
оборудования, работа которого может быть в достаточной степени описана его
датчиками, а также с помощью расчетных методов при построении инженерной
модели.
Выявление трендов деградации
Анализ поведения аномалий
Расчет индекса здоровья
отказ
60
50
160
140
120
40
30
20
100
80
60
40
10
0
Индекс здоровья
оборудования
1 import numpy as np
2 import pandas as pd
3 import tensorflow as tf
4
5 class odel(object):
20
0
13

14.

Описание
технологии

15.

Технологический стек
Коннекторы к источникам
Тиражирование продукта
Транспортная инфраструктура данных
Традиционные БД
PostgresSQL, MS SQL, My
SQL, Oracle
Kafka
Нереляционные БД и
{ }
хранилища
Аналитический
продукт
ClickHouse, InfluxDB,
API Gateway
HDFS, MongoDB
Облачные
хранилища
Amazone S3, Azure
Отчет
CosmosDB, YandexDB
Подключенные
устройства
и Historian
Пакетная
применения
обработка
матмоделей
Инструменты
CSV
CSV, XML, JSON
Сервис
и потоковая
Поддержка MQTT, CoAP,
AMQP, OPC (UA)
Файловые источники
Исторические данные
подготовки
данных
Бизнесприложение
Редактор
потоков
обработки
данных
Панель
мониторинга
15

16.

16

17.

Описание научной
составляющей
проекта

18.

Используемая гибридная нейросетевая
модель CNN-LSTM для прогнозирования
остаточного ресурса оборудования
Основными преимуществами
предлагаемого решения
являются:
1) Применение сетей 1D CNN для
предварительной обработки данных
перед передачей их в рекуррентную
сеть позволяет автоматически
снижать размерность данных и
извлекать значимые признаки из
«сырых» данных, что устраняет
необходимость в ручном
конструировании признаков.
2) Применение сетей LSTM позволяет
моделировать долговременные
зависимости между временными
шагами, то есть учитывает
последовательный характер
информации с датчиков.
18

19.

Анализ
конкурентов

20.

Предлагаемое
решение
Uptake
C3
ipredicta
Factory5
Выходит на рынок
(пилоты)
На рынке
На рынке
На рынке
На рынке
Применение физико-математических
2 моделей для построения
прогнозируемых моделей
Предоставление рекомендаций по
3
изменению входных воздействий
Обучаемость моделей по полученным
4
динамическим данным
+
-
-
+
+
+
-
-
+
+
+
-
-
-
-
5 Текущее наличие на рынке РФ
+
+
+
+
+
+
+
+
+
+
+
-
-
-
-
№
Параметры сравнения
1 Стадия коммерциализации
6
Производитель решения на территории
РФ
Применение готовых решений (базы
7
знаний) для химических производств
Погрешность в точности прогнозируемых
8 моделей в области получения
полимерных дисперсии
Точность прогнозируемых моделей в
9 области получения полимерных
дисперсии
Конфиденциально
Анализ конкурентов
(с учетом приобретения
аналогичных баз знаний у
мировых научных организаций.
Не более 5%
90% (средняя точность
подобных систем
составляет 60-75%
Не реализовано получение физико-математических
моделей
Не реализовано получение физико-математических
моделей
20

21.

Конфиденциально
Рынок

22.

Рынок совершенствованных систем управления технологическими процессами в 2022 г.
млрд. долл. США
$50 млрд.
Мировой рынок ССУТП
$14 млрд.
4%
CAGR
ССУТП в нефтегазе и химии
9.2%
ССУТП в
нефтегазе и
химии в РФ и Азии
CAGR
$7 млрд.
Драйверы роста рынка:
повышение производительности
цифровизация хим. отрасли
импортозамещение
Конфиденциально
Мировой рынок систем автоматизации
Рыночный сегмент - «Совершенствованные системы
управления технологическим процессам»
Целевым сегментом проекта являются химические и
нефтегазовые производства
Целевым географическим сегментом выбрана Россия и
Азия в виду:
более низких барьеров входа на рынок (по сравнению с
рынками Европы),
• большого сосредоточения потребителей, стабильной
экономической ситуации (по сравнению с рынками
стран Африки) и более низких, по сравнению с
рынком США политических рисков.
$3 млрд.
CAGR – compound annual growth rate – среднегодовой темп роста рынка
Источники: MarketLine, Markets and Markets, Grand View Research
Целевая доля рынка решения СОЙЕР:
- к 2030 году - 9 млрд. руб.
от 3 % мирового рынка
24

23.

Конфиденциально
Бизнес-модель и
планы
коммерциализации

24.

Бизнес-модель и планы коммерциализации
Основные направления коммерциализации:
1. Продажа лицензии на Продукт(ТОиР) на определенные количества точек подключаемого оборудования
2. Услуги по внедрению и технической поддержке Продукта
№
1
Продуктовые направление
Продукт ТОиР
Продажа лицензии и услуги на внедрение
Итого
2023
2024
2025
3-5
10-15
20
3-5
10-15
20
Конфиденциально
План выручки, млн. руб.:
Потенциальные клиенты:
№
Компания
Выручка 2021 год,
млрд руб.
Потребность в
решении
Статус взаимодействия
1
БАШПЛАСТ, ООО
11,548
+
Готовится коммерческое
предложение
2
НИЖНЕКАМСКТЕХУГЛЕРОД, АО
9,050
+
Готовится коммерческое
предложение
3
CAGR
ПЛАСТИК, АО
6,147
+
Готовится коммерческое
предложение
4
АКРИЛ САЛАВАТ, ООО
5,306
+
Поиск ЛПР
5
НОВОМОСКОВСКИЙ ХЛОР, ООО
4,646
+
Поиск ЛПР
9.2%
Согласно данным из системы СПАРК объем производства первых 100 компаний производителей продуктов по ОКПД 20.30 (технологический процесс производства близок к объекту
пилотного внедрения) составляет более 100 млрд. рублей, а общее количество производственных предприятий со схожими ОКПД составляет более 8 000 компаний.
24

25.

Масштабирование проекта
Основные направления масштабирования:
1. Предприятия химической отрасли которые производят продукцию по ОКПД 20.30 (Материалы лакокрасочные и аналогичные
для нанесения покрытий, полиграфические краски и мастики)
2. Масштабирование внутри предприятия путем переходы на смежные ОКПД 20.52, 20.53, 20.59
3. Взаимодействие с системными интеграторами в химическом сегменте
№
Направление
Тип продукта и услуги
2023
2024
2025
1
Смежные предприятия
химической отрасли
Продажа лицензии и услуги на внедрение
5-7
10-15
20
2
Смежные ОКПД2 внутри
одного предприятия
Продажа лицензии и услуги на внедрение
2-3
3-5
5
3
Системные интеграторы
Услуги по внедрению/интеграции продукта
5-7
10-15
20-30
Конфиденциально
Количество продаж в зависимости от направления масштабирования
Планируемая выручка в рамках масштабирования:
№
Компания
Выручка 2023 год,
руб.
Выручка 2024 год,
руб.
Выручка 2025 год,
руб.
1
9.2% Хома»
ООО «Компания
CAGR
35 млн. руб.
55 млн. руб.
70 млн. руб.
2
ООО «М9 Фарм»
20 млн. руб.
35 млн. руб.
50 млн. руб.
3
АО «ПЛАСТИК»
30 млн. руб.
35 млн. руб.
45 млн. руб.
4
ООО «АКРИЛ САЛАВАТ»
15 млн. руб.
30 млн. руб.
40 млн. руб.
5
ООО «НОВОМОСКОВСКИЙ ХЛОР»
25 млн. руб.
40 млн. руб.
60 млн. руб.
25

26.

Системные интеграторы
«КОНСОМ ГРУПП»;
871000000; 1%
Наименование
ФОРТ ДИАЛОГ;
1240196000; 2%
Компания «Центр»;
448700000; 1%
Объем выручки в 2021 г.
КРОК
КРОК; 17559714000; 30%
АЙ-ТЕКО
КРОК
ФОРТ ДИАЛОГ
АЙ-ТЕКО
«КОНСОМ ГРУПП»
ФОРТ ДИАЛОГ
«КОНСОМ ГРУПП»
Компания «Центр»
АЙ-ТЕКО; 39180000000;
66%
Компания «Центр»
26

27.

Дорожная карта проекта
Направления
Исследования и разработки
Создание продукта
Общее организационное развитие и
план по найму
Защита интеллектуальной
собственности и лицензирование
Привлечение инвестиций и
продажи
2022
2023-2024
Система испытана на производстве
Интеграция со сторонними системами
автоматизации
Испытана платформа- конструктор (для
создания цифровых двойников
оборудования)
Создание платформы с цифровым
помощником
+1…3 человека на проект
Зарегистрировано 2 программы ЭВМ
+5…7 человека на проект
Регистрация платформы ТОиР
Не планируется до окончания экспериментальной Привлечение 60…100 млн. руб. инвестиций.
10-12 продаж ( не менее , чем на 50-60 млн.
линии
руб.)
27

28.

Конфиденциально
Команда проекта

29.

Команда СОЙЕР
Чумак
Олег
Андрей
Денисенко
Александр
Васильев
Шамиль
Исмаилов
Генеральный директор
Руководитель проекта
Менеджер проекта/
маркетолог
Инженер-химик-технолог
Разработчик моделей
Разработчик клиентской
части
Управление проектами по
разработке IT проектов (2 года)
Опыт в проектном
менеджменте более 5 лет.
Разработка стратегий
продвижения. Исследования
конъюнктуры рынка.
2 года исследований в
моделировании химических
процессов
Опыт разработки:
Инженер по планированию
ТОиР (2 года)
5 лет опыта в технологии
химических производств
5 лет опыта в научной
деятельности
Инженер: Технология
неорганических веществ
Магистр: Химическая
технология
РХТУ им. Д.И. Менделеева
РХТУ им. Д.И. Менделеева
Астраханский государственный
университет Информационные
технологии
Конфиденциально
Осипенко
Владислав
Backend – 3 года
Frontend – 2 года
СЕО маркетингового агентства
полного цикла, среди клиентов
- компании федерального и
международного уровней.
Астраханский государственный
университет – Инженер
Астраханский государственный
университет - Магистр
Высшее Юридическое.
Специалист. Профиль международное право и
юридическая журналистика.
Бакалавр: Химическая
технология
РХТУ им. Д.И. Менделеева
29

30.

Спасибо за внимание
Менеджер
проекта
Чумак Олег
Тел: +7 937 826 35 52
E-mail: [email protected]
30