​
Grupa Azoty – opracowanie modelu optymalizacji
  1. Home
  2. /
  3. Case Studies
    4. /
  4. Grupa Azoty – opracowanie modelu optymalizacji

Opracowanie modelu optymalizacji instalacji reformingu w oparciu o głębokie sieci neuronowe

Cel
Optymalizacja procesu operacyjnego instalacji, aby zminimalizować zużycie gazu
Rezultaty
Zmniejszenie zużycia gazu o 1.35%
Opracowanie bliźniaka cyfrowego procesu reformingu, który umożliwił komputerową optymalizację procesu poprzez zmianę parametrów sterowania
Wyzwanie
Przedmiotem pracy jest model optymalizacji instalacji reformingu w oparciu o głębokie sieci neuronowe.
Ilości gazu ekwiwalentnego dostarczanego w procesie reformingu były zbyt wysokie w stosunku do oczekiwań w zakresie utrzymania wskaźników produkcyjnych w odpowiednich zakresach, w tym w szczególności celów związanych z maksymalizacją ilości produkowanej mieszaniny wodoru i azotu. Celem projektu była optymalizacja procesu operacyjnego instalacji w taki sposób, aby zminimalizować zużycie gazu.
Rozwiązanie
Opracowano cyfrowego bliźniaka procesu reformingu, który umożliwił komputerową optymalizację procesu poprzez zmianę parametrów kontrolnych. Cyfrowy bliźniak podzielił proces reformingu na etapy. Każdy z tych etapów miał zmienne wejściowe, wyjściowe i sterujące, odpowiednio modelowane przez algorytmy sztucznej inteligencji. Na podstawie wartości zmiennych wejściowych zwracał optymalne wartości sterowania dla zdefiniowanej funkcji kosztu, dla której wartość jest bliska minimum.
O ReliaSol ~ Grupa Azoty Tarnów
„Reliability Solutions współpracuje z Grupą Azoty w Tarnowie od ponad dwóch lat. Współpraca obejmowała przede wszystkim kompleksowe analizy danych - aplikacje do rozwiązywania kluczowych problemów technicznego utrzymania maszyn, w tym minimalizacji liczby awarii, poprawy dostępności maszyn oraz maksymalizacji efektywności produkcji. Współpraca z Reliability Solutions zawsze przebiegała bezproblemowo, a oferowane usługi były wysokiej jakości”
1.1 STRUKTURA ROZWIĄZANIA
Zaimplementowane podejście polega na zamodelowaniu każdej zmiennej wyjściowej z osobna z wykorzystaniem wszystkich informacji dostępnych w danym bloku (tzn. wartości zmiennych kontrolnych, wejściowych z bloków wcześniejszych oraz bloku bieżącego).

Walidacja tak stworzonych modeli została wykonana w oparciu o część danych, która nie była wykorzystywana w żaden sposób w procesie ich uczenia. Dzięki takiemu podejściu można było z dużym prawdopodobieństwem określić stopień generalizacji modelu oraz co za tym idzie, jego zdolności predykcyjne.

W kolejnym kroku, zamodelowane w ten sposób bloki zostały połączone w strukturę przedstawioną na poniższym schemacie. Takie podejście pozwala na predykcję wszystkich wartości zmiennych wyjściowych, dla których zostały stworzone modele wykorzystując jedynie konieczne wartości zmiennych wejściowych oraz kontrolnych.

Model ten mógł zostać następnie wykorzystany w parze z modułem optymalizacyjnym do znalezienia optymalnego sterowania procesem reformingu zgodnie z funkcją kary przedstawioną w następnym podrozdziale.

Ostatnim krokiem jest wdrożenie systemu obok działającego procesu. W tym przypadku algorytm optymalizacyjny będzie na bieżąco odczytywał wartości danych wejściowych oraz na tej podstawie w czasie rzeczywistym zwracał optymalne sterowanie procesem.
1.2 ETAPY REALIZACJI PROJEKTU
1. Wstępna obróbka danych - opóźnienia. Techniki analizy opóźnień: (analiza korelacji, regresja z użyciem drzew decyzyjnych, regresja liniowa lasso)
2. Metamodelowanie - pomiar błędu: Sieci neuronowe (sieci MLP, sieci konwolucyjne, sieci rekurencyjne (w tym także LSTM), głebokie sieci konwolucyjne (z połączeniami rezydualnymi)), Forward selection.
3. Optymalizacja - wyniki. Przyjęte metody metamodelowania pozwoliły na pozyskanie wiedzy o przebiegu procesu, natomiast przygotowany algorytm optymalizacyjny opracował rozwiązanie, które pozwoliło na zmniejszenie zużycia gazu o 1,35%.
KORZYŚCI
Oprócz zaawansowania technicznego nasze rozwiązania koncentrują się na korzyściach ekonomicznych wynikających z redukcji kosztów:
- minimalizacja awarii o 80%
- minimalizacja przestojów o 55%
- 25% zwiększone zyski z produkcji
- >10X ROI
- przewidywanie potencjalnych awarii jednostek wytwórczych, a także systemu przesyłu i dystrybucji energii,
- identyfikacja przyczyn awarii (eliminacja pierwotnej przyczyny awarii),
- wielokryteriowa i holistyczna optymalizacja sterowania - utrzymanie optymalnego poziomu produkcji, minimalizacja zanieczyszczeń, elastyczne reagowanie na pojawiające się zmiany, prognozowanie zapotrzebowania na energię i/lub media (para, gaz, woda)
O firmie
ReliaSol jest spółką, powstałą w odpowiedzi na rosnącą potrzebę zwiększania wydajności maszyn i instalacji w przemyśle.
Dostarczamy oprogramowanie i usługi, które przyspieszają proces transformacji cyfrowej. Aplikacje, które tworzymy łączą dane rzeczywiste z maszyn, sensorów, raportów ze zdarzeń oraz automatyzują wyciąganie wniosków. Efektem ich pracy jest wizualizacja danych, przewidywanie zdarzeń i monitorowanie optymalnego zakresu pracy maszyn, a także całych linii produkcyjnych.
Skontaktuj się z nami
Chętnie odpowiemy na Twoje pytania
Reliability Solutions Sp. z o. o.
ul. Królewska 57, 30-081 Kraków, Polska
icon phone+48 12 394 11 2 icon mailbiuro@reliasol.ai
Piotr Lipnicki
Chief Executive Officer
icon phone+48 605 241 056 icon mailpiotr.lipnicki@reliasol.ai
Dariusz Broda
Head of Engineering
icon phone+48 517 688 108 icon maildariusz.broda@reliasol.ai
Reliability Solutions Sp. z o. o.
ul. Królewska 57, 30-081 Kraków, Polska
+48 12 394 11 2 biuro@reliasol.ai
  • Chemia
  • Instalacje chemiczne
  • Optymalizacja instalacji
Other
<strong>Volkswagen Motor Polska – detekcja awarii osprzętu pneumatycznego robotów </strong>(aktualizacja case study)

Volkswagen Motor Polska – detekcja awarii osprzętu pneumatycznego robotów (aktualizacja case study)

CZYTAJ CASE STUDY
Case study: analiza powtarzających się problemów z bateriami pojazdów

Case study: analiza powtarzających się problemów z bateriami pojazdów

Dowiedz się, jak poznać przyczynę powtarzających się problemów z bateriami pojazdów.

CZYTAJ CASE STUDY
Case study: Wykrywanie wykroczeń poza optymalne warunki pracy w młynach spożywczych

Case study: Wykrywanie wykroczeń poza optymalne warunki pracy w młynach spożywczych

Case study lidera w technologiach i urządzeniach do przetwórstwa ziarna. Dowiedź się, jak wykryć wykroczenia poza optymalne warunki pracy w młynach spożywczych przy pomocy systemy RSIMS.

CZYTAJ CASE STUDY