PROJEKT: Wykrywanie anomalii w pracy zakładu chemicznego

okres

czerwiec 2017 – styczeń 2021

rola

Data Scientist

firma

Grupa Azoty

Grupa Azoty, będąca spółką skarbu państwa, produkuje nawozy sztuczne w ogromnych instalacjach chemicznych, które działają 24 godziny na dobę, 7 dni w tygodniu. Zatrzymanie takiej instalacji jest niezwykle kosztowne. Sam proces zatrzymania i ponownego uruchomienia wiąże się z wydatkami rzędu kilku milionów złotych, a głównym kosztem jest zużycie gazu ziemnego. Instalacje chemiczne są zatrzymywane w celu przeprowadzenia planowanych napraw. Tego typu zatrzymania są planowane z dużym wyprzedzeniem, aby zorganizować specjalistyczne firmy naprawcze, części zamienne oraz zabezpieczyć produkcję zastępczą.

W związku z tym każde nieplanowane zatrzymanie instalacji oznaczałoby bardzo długie przestoje i znaczące pogorszenie efektywności ekonomicznej zakładu. Zarząd Grupy Azoty oczekiwał stworzenia systemu, który byłby w stanie identyfikować usterki oraz wszelkie symptomy wskazujące na czas i miejsce nadchodzącej awarii. Eksperci zdawali sobie sprawę, że tylko inteligentny system predykcyjny do wykrywania anomalii mógłby efektywnie wspierać planowanie zatrzymań instalacji.

REALIZACJA PROJEKTU

Projekt rozpocząłem od zebrania danych z jednej wybranej instalacji chemicznej. Dane były przesyłane za pomocą systemu „InTouch”, który monitorował parametry takie jak warunki atmosferyczne, temperatura, ciśnienie, wibracje i inne. Informacje te były rejestrowane jako szeregi czasowe, które miały różną gradację – od kilku sekund do kilku minut. Moim pierwszym zadaniem było ujednolicenie tych danych pod względem okresów gradacji. Na początku użyłem SQL do stworzenia tabeli, ponieważ dane były składowane w relacyjnej bazie danych. Następnie wdrożyłem Apache Kafka do zbierania danych strumieniowych.

Po stworzeniu data lake z wybranymi danymi z kilku tygodni, zacząłem poszukiwać anomalii w odczytach z systemów monitorujących. Problemem był fakt, że o nadchodzącej awarii decydował skomplikowany wzorzec utworzony z danych pochodzących z różnych sensorów. Dodatkowo, poszczególne elementy instalacji chemicznych często ulegały stopniowej degradacji, co oznaczało konieczność długotrwałej obserwacji, aby zidentyfikować subtelne zmiany w ich działaniu.

Szybko okazało się, że skala zbieranych danych była tak ogromna, że konieczne było wdrożenie infrastruktury Apache Hadoop oraz Apache Spark do prowadzenia długotrwałych analiz i przetwarzania dużych zbiorów danych. Bardzo pomocne okazały się modele autoregresyjne, takie jak ARMA i ARIMA. Zakres prac znacząco wykraczał poza standardowe działania data scientist.

Różnorodność elementów instalacji wymagała zastosowania różnych metod diagnostycznych. Ostatecznie projekt nie został ukończony, ponieważ rozmiar badań przekroczył czas, który miałem do dyspozycji na opracowanie modelu predykcyjnego.