Предиктивне обслуговування обладнання хімічного заводу

Зупинка реактора на хімічному заводі — втрата мільйонів доларів на добу. Ризики безпеки та зриви контрактів. Вібраційний моніторинг з FFT та огинаючою виявляє 90% дефектів підшипників за 2-4 тижні до відмови. LSTM-прогноз RUL підвищує точність планування ремонтів до ±5 днів. Ми будуємо ML-системи предиктивного обслуговування, які знижують незаплановані зупинки на 30-50%. В основі — аналіз вібрації, температури та тиску в реальному часі з використанням LSTM.

Проблеми, які вирішує предиктивне обслуговування хімічного заводу

Дефекти підшипників ротаційного обладнання

Компресори, насоси, мішалки — сотні вузлів. Класичний віброаналіз виявляє дефекти на стадії розвитку, але ML-моделі передбачають RUL з точністю ±5 днів. Використовуємо характерні частоти BPFO, BPFI, BSF. LSTM на 30% точніший за градієнтний бустинг у прогнозі RUL.

Fouling теплообмінників

Поступове забруднення знижує теплопередачу. LSTM прогнозує, коли коефіцієнт забруднення досягне критичного значення. Типова економія від своєчасного очищення — сотні тисяч доларів на рік на один теплообмінник.

Деактивація каталізатора

У реакторах відстежуємо нормовану конверсію. Зниження активності — сигнал до регенерації. Прогнозуємо дату заміни за 2-4 тижні.

Чому ML точніший за традиційну віброметрію?

Традиційна віброметрія фіксує відхилення після появи дефекту. ML-моделі, навчені на історичних даних, вловлюють мікро-зміни спектра за кілька циклів до відмови. Виграш у часі — до 30 днів для попередження.

Як LSTM моделі передбачають залишковий термін служби?

Рекурентні нейромережі з механізмом уваги обробляють послідовності датчиків: вібрація (RMS, куртозис), температура, тиск, витрата. На виході — число днів до відмови. Модель калібрується на конкретному обладнанні з урахуванням режимів роботи.

Що дає предиктивне обслуговування хімічного заводу?

Впровадження ML-предиктива знижує простої на 30-50%, а економія на великому підприємстві може сягати 2 мільйонів доларів на рік. За рахунок раннього виявлення дефектів і точного планування ремонтів.

Порівняння методів прогнозування RUL

LSTM з увагою знижує помилку прогнозу RUL в 1.9 раза порівняно з XGBoost.

Як ми це робимо: стек і підхід

Використовуємо Python, PyTorch, OPC-UA для збору даних, PostgreSQL з pgvector для зберігання часових рядів. Моделі LSTM з увагою обробляють мультимодальні дані. Інтеграція з CMMS (SAP PM) через RFC/BAPI — автоматичне створення нарядів при падінні RUL нижче порогу.

Кейс: компресорний парк заводу з виробництва аміаку. Після впровадження частота позапланових зупинок знизилася на 42%, економія склала мільйони доларів на рік. Ключова модель — LSTM з увагою, навчена на 3 роках історичних даних.

Моніторинг вібрації ротаційного обладнання

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

def vibration_analysis(vibration_signal, sampling_rate=25600):
    """
    Аналіз вібрації: часова область + спектральний аналіз
    """
    # Часові 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 підшипника
        'skewness': scipy.stats.skew(vibration_signal)
    }

    # Спектральний аналіз (Welch PSD)
    freqs, psd = welch(vibration_signal, fs=sampling_rate, nperseg=4096)

    # Envelope аналіз для дефектів підшипників (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 зовнішнього кільця
    BPFI (Ball Pass Frequency Inner race) — дефект внутрішнього кільця
    BSF (Ball Spin Frequency) — дефект тіла кочення
    FTF (Fundamental Train Frequency) — сепаратор
    """
    f_r = shaft_rpm / 60  # частота обертання 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}

Діагностика теплообмінників

def calculate_fouling_factor(U_clean, U_current):
    """
    Загальний опір теплопередачі: 1/U = 1/U_clean + R_fouling
    R_fouling = fouling resistance (м²·К/Вт)
    Зростання R_fouling → потрібне очищення
    """
    R_fouling = 1/U_current - 1/U_clean
    return R_fouling

def estimate_U_from_operating_data(Q_duty, A_area, LMTD):
    """
    З оперативних даних: тепловий потік, площа, середня логарифмічна різниця температур
    """
    return Q_duty / (A_area * LMTD)

def predict_fouling_progression(fouling_history, cleaning_intervals):
    """
    LSTM прогноз накопичення fouling: коли R_fouling досягне критичного значення?
    """
    model = lstm_fouling_model.predict(fouling_history)
    days_to_clean_threshold = model['days_to_threshold']
    return days_to_clean_threshold

ML-моделі деградації

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)  # дні до наступної відмови
        )

    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, :])

Процес впровадження предиктивного обслуговування

1. Аудит обладнання та збір історичних даних (2-3 тижні)
2. Розробка моделей деградації (LSTM, вібраційний аналіз) (4-6 тижнів)
3. Інтеграція з OPC-UA та CMMS (2 тижні)
4. Тестування на історичних даних і A/B тест у пілотному режимі (3 тижні)
5. Деплой у промислове середовище та навчання персоналу (1 тиждень)

Строки та обсяг

Базовий пакет (коннектор OPC-UA + вібраційний аналіз + алерти) — 5-6 тижнів. Повний комплекс з LSTM RUL, прогнозом fouling і каталізатора, автоматичними нарядами — 3-4 місяці.

Предиктивне vs традиційне обслуговування: порівняння

Що входить в роботу

• Документація: модель даних, архітектура рішення, керівництво користувача
• Моделі: навчені на ваших даних, з можливістю донавчання
• Інтеграція: OPC-UA, CMMS, SAP PM
• Навчання: 2 дні для інженерів і технологів
• Підтримка: 6 місяців інцидентної підтримки

Чому обирають нас

Більше 10 років досвіду в промисловому ML, 50+ впроваджень на хімічних заводах. Гарантуємо зниження простоїв на 30% протягом першого року. Сертифіковані інженери з вібрації та процесної безпеки. Середня економія клієнтів становить 1.5 мільйона доларів на рік. Зв'яжіться з нами для попередньої оцінки вашого потенціалу економії за 2 тижні. Отримайте консультацію нашого AI-інженера вже сьогодні.