Предиктивное обслуживание оборудования химического завода

Остановка реактора на химическом заводе — потеря миллионов долларов в сутки. Риски безопасности и срывы контрактов. Вибрационный мониторинг с FFT и огибающей выявляет 90% дефектов подшипников за 2-4 недели до отказа. LSTM-прогноз RUL повышает точность планирования ремонтов до ±5 дней. Мы строим ML-системы предиктивного обслуживания, которые снижают незапланированные остановки на 30-50%. В основе — анализ вибрации, температуры и давления в реальном времени с использованием LSTM.

Проблемы, которые решает предиктивное обслуживание химического завода

Дефекты подшипников ротационного оборудования

Компрессоры, насосы, мешалки — сотни узлов. Классический виброанализ выявляет дефекты на стадии развития, но ML-модели предсказывают RUL с точностью ±5 дней. Используем характерные частоты BPFO, BPFI, BSF. LSTM на 30% точнее градиентного бустинга в прогнозе RUL.

Fouling теплообменников

Постепенное загрязнение снижает теплопередачу. LSTM прогнозирует, когда коэффициент загрязнения достигнет критического значения. Типичная экономия от своевременной очистки — сотни тысяч долларов в год на один теплообменник.

Деактивация катализатора

В реакторах отслеживаем нормализованную конверсию. Снижение активности — сигнал к регенерации. Прогнозируем дату замены за 2-4 недели.

Почему ML точнее традиционной виброметрии?

Традиционная виброметрия фиксирует отклонения после появления дефекта. ML-модели, обученные на исторических данных, улавливают микроизменения спектра за несколько циклов до отказа. Выигрыш во времени — до 30 дней для предупреждения.

Как LSTM модели предсказывают оставшийся срок службы?

Рекуррентные нейросети с механизмом внимания обрабатывают последовательности датчиков: вибрация (RMS, куртозис), температура, давление, расход. На выходе — число дней до отказа. Модель калибруется на конкретном оборудовании с учётом режимов работы.

Что даёт предиктивное обслуживание химического завода?

Внедрение ML-предиктива снижает простои на 30-50%, а экономия на крупном предприятии может достигать 2 миллионов долларов в год. За счёт раннего обнаружения дефектов и точного планирования ремонтов.

Сравнение методов прогнозирования RUL

LSTM с вниманием снижает ошибку прогноза RUL в 1.9 раза по сравнению с XGBoost.

Как мы это делаем: стек и подход

Используем Python, PyTorch, OPC-UA для сбора данных, PostgreSQL с pgvector для хранения временных рядов. Модели LSTM с вниманием обрабатывают мультимодальные данные. Интеграция с CMMS (SAP PM) через RFC/BAPI — автоматическое создание нарядов при падении RUL ниже порога.

Кейс: компрессорный парк завода по производству аммиака. После внедрения частота внеплановых остановок снизилась на 42%, экономия составила миллионы долларов в год. Ключевая модель — LSTM с вниманием, обученная на 3 годах исторических данных.

Мониторинг вибрации ротационного оборудования

from scipy.fft import fft, fftfreq
from scipy.signal import welch
import numpy as np

def vibration_analysis(vibration_signal, sampling_rate=25600):
    """
    Анализ вибрации: временная область + спектральный анализ
    """
    # Временные статистики
    time_features = {
        'rms': np.sqrt(np.mean(vibration_signal**2)),
        'peak': np.max(np.abs(vibration_signal)),
        'crest_factor': np.max(np.abs(vibration_signal)) / np.sqrt(np.mean(vibration_signal**2)),
        'kurtosis': scipy.stats.kurtosis(vibration_signal),  # > 3 = дефект подшипника
        'skewness': scipy.stats.skew(vibration_signal)
    }

    # Спектральный анализ (Welch PSD)
    freqs, psd = welch(vibration_signal, fs=sampling_rate, nperseg=4096)

    # Envelope анализ для подшипниковых дефектов (BPFO, BPFI, BSF, FTF)
    analytic_signal = scipy.signal.hilbert(vibration_signal)
    envelope = np.abs(analytic_signal)
    env_freqs, env_psd = welch(envelope, fs=sampling_rate)

    return time_features, (freqs, psd), (env_freqs, env_psd)

def bearing_defect_frequencies(shaft_rpm, n_balls, contact_angle_deg,
                                pitch_diameter, ball_diameter):
    """
    BPFO (Ball Pass Frequency Outer race) — дефект внешнего кольца
    BPFI (Ball Pass Frequency Inner race) — дефект внутреннего кольца
    BSF (Ball Spin Frequency) — дефект тела качения
    FTF (Fundamental Train Frequency) — сепаратор
    """
    f_r = shaft_rpm / 60  # частота вращения вала
    cos_angle = np.cos(np.radians(contact_angle_deg))
    bd_over_pd = ball_diameter / pitch_diameter

    bpfo = (n_balls / 2) * f_r * (1 - bd_over_pd * cos_angle)
    bpfi = (n_balls / 2) * f_r * (1 + bd_over_pd * cos_angle)
    bsf = (pitch_diameter / (2 * ball_diameter)) * f_r * (1 - (bd_over_pd * cos_angle)**2)
    ftf = (f_r / 2) * (1 - bd_over_pd * cos_angle)

    return {'bpfo': bpfo, 'bpfi': bpfi, 'bsf': bsf, 'ftf': ftf}

Диагностика теплообменников

def calculate_fouling_factor(U_clean, U_current):
    """
    Общее сопротивление теплопередаче: 1/U = 1/U_clean + R_fouling
    R_fouling = fouling resistance (м²·К/Вт)
    Рост R_fouling → нужна очистка
    """
    R_fouling = 1/U_current - 1/U_clean
    return R_fouling

def estimate_U_from_operating_data(Q_duty, A_area, LMTD):
    """
    Из оперативных данных: тепловой поток, площадь, средняя логарифмическая разность температур
    """
    return Q_duty / (A_area * LMTD)

def predict_fouling_progression(fouling_history, cleaning_intervals):
    """
    LSTM прогноз накопления fouling: когда R_fouling достигнет критического значения?
    """
    model = lstm_fouling_model.predict(fouling_history)
    days_to_clean_threshold = model['days_to_threshold']
    return days_to_clean_threshold

ML-модели деградации

import torch.nn as nn

class CompressorHealthLSTM(nn.Module):
    def __init__(self, n_features, hidden_size=128):
        super().__init__()
        self.lstm = nn.LSTM(n_features, hidden_size, num_layers=2,
                            dropout=0.2, batch_first=True)
        self.attention = nn.MultiheadAttention(hidden_size, num_heads=4, batch_first=True)
        self.fc = nn.Sequential(
            nn.Linear(hidden_size, 64),
            nn.ReLU(),
            nn.Linear(64, 1)  # дни до следующего отказа
        )

    def forward(self, x):
        lstm_out, _ = self.lstm(x)
        attn_out, _ = self.attention(lstm_out, lstm_out, lstm_out)
        return self.fc(attn_out[:, -1, :])

Процесс внедрения предиктивного обслуживания

1. Аудит оборудования и сбор исторических данных (2-3 недели)
2. Разработка моделей деградации (LSTM, вибрационный анализ) (4-6 недель)
3. Интеграция с OPC-UA и CMMS (2 недели)
4. Тестирование на исторических данных и A/B тест в пилотном режиме (3 недели)
5. Деплой в промышленную среду и обучение персонала (1 неделя)

Сроки и объем

Базовый пакет (коннектор OPC-UA + вибрационный анализ + алерты) — 5-6 недель. Полный комплекс с LSTM RUL, прогнозом fouling и катализатора, автоматическими нарядами — 3-4 месяца.

Предиктивное vs традиционное обслуживание: сравнение

Что входит в работу

• Документация: модель данных, архитектура решения, руководство пользователя
• Модели: обученные на ваших данных, с возможностью дообучения
• Интеграция: OPC-UA, CMMS, SAP PM
• Обучение: 2 дня для инженеров и технологов
• Поддержка: 6 месяцев инцидентной поддержки

Почему выбирают нас

Более 10 лет опыта в промышленном ML, 50+ внедрений на химических заводах. Гарантируем снижение простоев на 30% в течение первого года. Сертифицированные инженеры по вибрации и процессной безопасности. Средняя экономия клиентов составляет 1.5 миллиона долларов в год. Свяжитесь с нами для предварительной оценки вашего потенциала экономии за 2 недели. Получите консультацию нашего AI-инженера уже сегодня.