Часть 2: Роботизация бизнес-процессов
Часть 3: Волшебные интерфейсы и оживление железа
Часть 4: Автоматические личные кабинеты и чат-боты
Часть 5: Автоматизация на производстве
Часть 6: Траблшутинг на предприятии
Часть 7: Интуитивная система управления качеством (в этой публикации)
Свою первую статья на Хабре я опубликовал год назад, а это уже 7-ая часть из цикла статей о цифровой трансформации. В статье речь пойдёт о весьма интуитивной системе, которая работает с неактуальными данными, и успешно управляет качеством.
Рекомендация: Не айтишные книги для развития thin skills
Многим известны понятия Soft skills и Hard skills. Thin skills - это больше о тонких материях и энергиях, развитии интуиции и внутренних ощущений, о неосязаемом и бессознательном. Мои рекомендации:
Сила подсознания, или как изменить жизнь за 4 недели. Джо Диспенза
Трансерфинг реальности. Ступень I-V. Вадим Зеланд
Дизайн человека. Откройте человека, которым вы были рождены. Четан Паркин
Краткая предыстория
В конце прошлого года на очередном заводском совещании обсуждался вопрос качества клинкера (полуфабрикат) и готовой продукции (цемент). Тема довольно спорная, так как на качество влияет множество факторов.
Одной из проблем называли нестабильное качество сырья (мергеля и мела), которое добывается в собственном карьере. Под качество сырья подразумевается его химический состав.
Чтобы разобраться в этой проблеме и понять применимость ИТ для улучшения качества, я решил исследовать эту область.
На обследование процессов мне потребовалось ~ 2 недели. Описывать всё в деталях нет смысла, в публикации информация изложена кратко и наиболее значимая.
Насколько детальным было обследование и анализ данных
Обследование включало в себя выезды на производственные участки, сбор и анализ данных, отсмотр архивов видеозаписей, прослушивание записей разговоров, личное общение с сотрудниками, поиск и изучение материалов.
То, что лежит на поверхности и это видят все - не имеет большой ценности. В таком случае, люди сделают примерно одинаковые выводы, а это не помогает найти решение.
Например, только 2 презентации для руководства включали больше 120 слайдов наиболее важной информации, включая конкретные предложения по автоматизации и изменению процессов на производстве.
Итак, первая часть публикации посвящена обследованию процессов и анализу данных, вторая - разработке новой системы и интеграциям.
Выезд в карьер и обследование процесса добычи сырья: частично проблемы начинаются здесь
Карьер представляет собой несколько уступов, где мергель и мел добываются открытым способом. Погрузка сырья в карьерные самосвалы выполняется ковшовыми экскаваторами.
Как происходит добыча мергеля и мела в карьере
Карьерные самосвалы доставляют мел и мергель на производственную площадку завода и выгружают в бункеры-приемники.
Как выглядят бункеры-приемники на производственной площадке завода
Всего на заводе 2 линии подачи и 8 бункеров-приемников: по 4 бункера-приемника на каждую линию (по 2 для мела и по 2 для мергеля).
От начальника горного цеха я узнал, что одной из проблем является наличие негабаритов в мергеле и меле (одна из сторон камня > 50 см), которые иногда попадают в бункеры-приемники и могут останавливать линию подачи. От начальника производственного участка я узнал, что проблемой также является периодическое налипание мела и мергеля на стенках бункеров-приемников.
Анализ данных о хим. составе сырья и добавок: много гугл-таблиц не сильно помогли понять проблему качества
В заводской лаборатории я запросил данные о хим. составе сырья (мергеля и мела) и покупных добавок (бокситов и огарков). Мел, мергель, бокситы и огарки являются компонентами сырьевой смеси, которая спекается для получения клинкера.
Личный опыт: Как быстро понять сложную технологию (на бытовом уровне)?
У меня нет профильного образования и я не являюсь специалистом в производстве цемента. Но для анализа данных нужны минимальные базовые знания, причем очень быстро, чтобы разобраться в таблицах и цифрах.
Попробовал получить консультацию у инженеров и технологов на производстве, но вместо внятной картины получил сложную техническую информацию.
На помощь пришла Википедия и техническая документация с картинками :)
На примере этой статьи понятно, как получается типичный клинкер и какой его примерный химический состав.
Например, в этой статье довольно простым языком написано о многообразии сырья, добавок, сырьевой смеси и технологии производстсва.
Вот эта технологическая схема (на картинке часть обследуемого процесса) помогла разобраться с тем, как сырье фактически идет по линии производства.
Так за пару вечеров удалось довольно быстро разобраться в сложной технологии - на бытовом уровне.
В моем распоряжении оказались гугл-таблицы за последние 3 года. Путем нехитрых манипуляций я свел данные в Excel в удобный для себя формат (по месяцам и годам) и получил сравнительную таблицу по каждому компоненту.
Как выглядели исходные таблицы и какая в них детализация?
Детализация данных с таблице до часов, когда выполнялся анализ хим. состава в лаборатории и все это разбито по дням. Т.е. одна гугл-таблица представляла собой совокупность вкладок с данными за конкретный месяц. Для анализа были взяты данные с 2018 по 2021 год (> 30 гугл-таблиц).
Часовые данные сводились среднедневные, далее в среднемесячные, далее в среднегодовые, и далее в сводную таблицу с динамикой по годам.
И так далее по каждому компоненту сырьевой смеси за последние 3 года.
По цифрам видно, что есть дневные и среднемесячные колебания, но в целом хим. состав довольно стабильный, особенно в динамике по годам.
Остальные таблицы по своей сути в цифрах сходны в том, что хим. состав отдельных компонентов примерно одинаковый и нет явных колебаний по хим. составу, чтобы существенно влиять на качество сырьевой смеси и клинкера.
Читая историю изобретения портландцемента, я узнал, что его запатентовал каменщик Джозеф Аспдин в 1824 году. В двухстраничном документе простыми словами написано, условно, что нужно взять определенное количество материалов и смешать их.
Кто такой каменщик в XIX веке?
С большой вероятностью - это человек без специального образования. В своей работе он полагался, скорее, на личный опыт и простые эксперименты, чем на сложные лабораторные исследования.
Вряд ли о знал химический состав материалов, которые смешивал. В лучшем случае, соблюдал примерную пропорцию. Без глубокого понимания хим. процессов или сложных вычислений.
Текст патента на русском языке (картинка)
Отсутствие явных проблем с хим. составом сырья и добавок, наличие проблемы негабаритов и налипаний мела и мергеля, и патент каменщика навели на мысль, проверить: как соблюдается пропорция смешения компонентов сырьевой смеси на заводе?
Анализ работы оператора сырьевого отделения: интуитивный подбор пропорции, вместо сложных математических вычислений
Следующий участок после карьера и лаборатории - сырьевое отделение. Здесь мел, мергель, бокситы и огарки фактически смешиваются в определенном соотношении для получения сырьевой смеси с заданными показателями качества (Кн, n, p). Контролирует этот процесс оператор сырьевого отделения.
Что такое показатели качества (Кн, n, p) в сырьевой муке?
Кн (коэффициент насыщения) - показатель, характеризующий неполную насыщенность кремнезема оксидом кальция в процессе клинкерообразования.
n (cиликатный модуль) - представляет собой отношение процентного содержании в клинкере оксида кремния к сумме процентного содержания оксидов алюминия и железа.
p (глиноземный модуль) - показывает процентное отношение содержания глинозема к содержанию оксида железа.
C (CaO), A (Al2O3), F (Fe2O3), S (SiO2) содержатся во всех 4-х компонентах сырьевой смеси, и их нужно смешать в таких пропорциях, чтобы хим. состав находился в заданных пределах одновременно по каждому показателю качества (Кн, n, p).
Понять принцип работы оператора оказалось довольно просто. Каждый час оператор получает от лаборатории хим. состав сырьевой смеси и фактические значения показателей качества. В случае отклонения показателей качества от требуемых, оператор корректирует в АСУТП дозировки сырья и добавок.
Учитывая, что каждый показатель качества представляет собой математическую формулу (в сумме это система уравнений с тремя неизвестными - Кн, n, p), за 3 часа общения с оператором я не увидел, чтобы он пользовался калькулятором или какой-либо программой для вычисления.
Сменные операторы с 2018 года вели гугл-таблицу, в которой каждый час записывали - какие дозировки установлены для какого хим. состава сырьевой смеси за предыдущий час. Гугл-таблица содержала больше 60 тыс. строк.
Листая таблицу, обратил внимание, что в зависимости от фамилии оператора показатели качества имеют разную раскраску (красный фон - это выход за пределы).
Получается, что опыт работы оператора оказывает непосредственное влияет на качественные показатели сырьевой смеси, а не хим. состав сырья и добавок.
Дальше эта гугл-таблица подверглась очистке от "грязных" данных (явно некорректные значения, ошибки ручного ввода и т.п.) и поиску зависимостей с помощью инструмента гугл-таблиц "Анализ данных".
В основном, это были очевидные зависимости. Меня заинтересовали только графики с резкими колебаниями пропорций мергеля и мела.
Как выглядели колебания на графике для ~ 30 тыс. "очищенных "строк гугл-таблицы
Учитывая отсутствие явных колебаний в хим. составе мергеля и мела, резкие колебания в дозировках говорят проблеме, которой пока не видно. Дальнейший анализ данных гугл-таблиц больше ничего интересного не показал.
Оставалось как-то проверить влияние негабаритов и "зависаний" на качество сырьевой смеси. На помощь пришла система видеонаблюдения на заводе.
О чём не расскажут данные: анализ с помощью архива записей системы видеонаблюдения на заводе
Наибольший интерес для проверки вызывали резкие отклонения основного показателя качества сырьевой муки - Кн. Особенно там, где до и после показатель в норме.
Для анализа хим. состава сырьевой смеси используются усредненные пробы за предыдущий час с помощью автоматических пробоотборников. Зная, что в таблице оператора 3-х часовой хим. состав сырьевой муки, это фактически проба за предыдущий час, записи с камер системы видеонаблюдения я отсматривал также за предыдущий час.
Скриншоты с перемещением экскаватора к бункеру-приемнику
Примерно в течение 15 минут (с 03:09 до 03:25) экскаватор выкапает негабарит или устраняет "зависание" мела в бункере-приемнике.
Просмотр других строк гугл-таблицы по времени резких колебаний Кн, и аналогичный просмотр записей видеоархива за предшествующий час показывал одну и ту же явную зависимость - резкому падению качества Кн предшествует "зависание" материала в бункерах-приемниках.
Что делал оператор сырьевого отделения в подобных ситуациях:
При кратковременных "зависаниях" (до 5 минут) оператор ничего не делал.
При длительных "зависаниях" (до 15 минут) оператор увеличивал дозировку мергеля или мела на набольшой процент - интуитивно, без каких-либо вычислений.
При "зависаниях" больше 15 минут оператор мог остановить линию до полного устранения проблемы с движением сырья по линии.
Таким образом, возникала диспропорция сырья и добавок в составе сырьевой смеси. При установленных процентных отношениях, отклонения возникали в тоннаже мела или мергеля. Это служило причиной резких колебаний показателей качества в сырьевой муке.
Таким образом, существенное влияние на качество сырьевой смеси оказывал не хим. состав сырья и добавок, а несоблюдение весовой пропорции мела, мегреля, бокситов и огарков.
Таким образом, историческая ошибка на производстве заключалась в том, что проблему искали не в том месте - в нестабильном качестве добаваемого в карьере сырья.
Дополнительный анализ записей разговоров оператора сырьевого отделения вскрыл другие проблемы, которые были решены изменением регламентов и действующих процессов. Но это уже совсем другая история, и здесь описывать не буду.
АЦТЕК: интуитивная система управления качеством на основе неактуальных данных
После презентации руководству результатов анализа данных и обследования процессов, мы приступили к разработке системы для поддержания весовой пропорции подаваемых на линию производства материалов, что позволит удерживать качество сырьевой смеси в заданных пределах.
Какие готовые решения есть на рынке
Основным решением для цементных заводов является промышленный поточный анализатор, который представляет собой программно-аппаратный комплекс для онлайн-анализа и расчета состава сырьевой смеси, с последующим управляющим воздействием на дозаторы.
Стоимость для 2-х линий от 100 млн. руб. Это не только инвест. бюджет, но долгая поставка и длительный процесс внедрения и наладки.
Поточный анализатор устанавливается над ленточным транспортером и в режиме онлайн выполняет анализ хим. состава сырья и корректирует пропорции подачи материалов для подбора оптимального состава сырьевой смеси.
Учитывая множество факторов, включая стоимость и сроки, вариант покупки промышленных поточных анализаторов не рассматривался.
В любом случае, системе для обработки и вычислений нужны хоть какие-то данные, даже если их нет в режиме онлайн (как с поточным анализатором).
Позже выяснилось, что данные в гугл-таблицы лаборатории заносились вручную, а источником данных служили два XRF-анализатора (рентгенофлуоресцентных) в заводской лаборатории: большой и малый. Информация о результатах анализов выводилась на экраны мониторов.
Как выглядят XRF-анализаторы в лаборатории
Найденная в интернете инструкция для большого XRF-анализатора удивила: 2009 страниц на английском языке. Потребовалось несколько дней на его изучение, прежде чем приступить к интеграции.
Инструкция малого XRF-анализатора скромнее: всего 105 страниц
Какие выявлены ньюансы интеграции у большого и малого XRF-анализаторов.
Большой |
Малый |
ПК отдельно от анализатора (+) |
ПК в составе анализатора (-) |
Есть выгрузка в сетевой каталог (+) |
Есть выгрузка в сетевой каталог (+) |
Гибкая настройка выгрузки данных: сразу после анализа, 1 раз в Х минут (+) |
Минимальный интервал выгрузки анализов: 1 раз в час (-) |
Есть API для прямого подключения (+) |
Нет API для прямого подключания (-) |
ПК и ОС нормальные (+) |
ПК и ОС устаревшие (-) |
Сложность с ограниченной 1 раз в час периодичностью выгрузки малого анализатора усугублялась тем, что это файловая БД MS Access, которая практически всегда занята. Решилось написанием простого bat'ника, который в периодичностью 1 раз в 5 минут копировал файл БД в общую папку, а уже эта копия БД обрабатывалась системой для выборки данных.
В пятой части я уже рассказывал о разработке собственного OPC-клиента для интеграции с АСУТП завода на базе Siemens Simatic PCS7. Коннектор пригодился и для этой задачи, изменились только источники получения данных по тэгам.
Систему АЦТЕК (цифровой помощник оператора сырьевого отделения) решили разработать в виде отдельной конфигурации 1С для автономной работы, независимо от контура ERP-системы.
Почему систему я назвал АЦТЕК?
Выше я рассказывал о каменщике Джозефе Аспдине, который в 19 веке запатентовал технологию производства портландцемента, в основе которой лежит соблюдение пропорций материалов и получения смеси для последующего спекания в клинкер и помола.
Соблюдение пропорции - это вообще древняя технология, то и название должно олицетворять древнюю цивилизацию, например, ацтеков. Актеки точно применяли простую технологию соблюдения пропорций материалов.
АЦТЕК - это цифровое воплощение технологии древних цивилизаций по соблюдению пропорций материалов.
Кроме того, название АЦТЕК подходит для завода Азия Цемент. осталось только придумать расшифровку аббревиатуры ТЕК :)
С одной стороны, операторам сырьевого отделения удается достигать заданных показателей качества сырьевой смеси, пусть даже интуитивно и по личному опыту.
С другой стороны, диапазон значений Кн находится в довольно широком коридоре, а задача заключается в стабилизации качества, когда значения лежат в более узком коридоре с меньшими отклонениями.
В процессе опытной эксплуатации системы на заводе, за 1 месяц нам удалось протестировать 5 алгоритмов расчета состава сырьевой смеси и поддержания весовой пропорции материалов. 4 из них не буду описывать, а только приведу их название:
1. Прямой расчет от последнего хим. состава сырья и добавок
2. Расчет от усредненного за Х дней хим. состава сырья и добавок
3. Расчет на разницах последнего хим. состава муки и оптимального Кн
4. Расчет на разницах последнего хим. состава муки и оптимального, с поиском и усреднением оптимальных Кн
Все 4 алгоритма работают, но недостаточно хорошо и предсказуемо в условиях отсутствия актуальных данных на момент выполнения расчетов.
Что из себя представляет система АЦТЕК и какие принципы заложены в работу алгоритма
Система интегрирована с двумя XRF-анализаторами лаборатории и АСУТП завода, которые служат источниками данных:
От анализаторов 1 раз в Х минут загружаются наборы данных о хим. составе мела, мергеля, бокситов, огарков и сырьевой муки. Актуальность данных: от 1 до 6 час назад.
От АСУТП 1 раз в Х секунд загружаются наборы данных о фактическом тоннаже поданных на линию мела, мергеля, бокситов и огарков. Актуальность данных: актуальные.
Другими словами, в момент обработки данных и вычислений, система использует неактуальные (устаревшие) наборы данных из лаборатории. Прямо сейчас на линию производства подаются те же материалы, но с другим хим. составом.
Пример наборов данных от XRF и OPC, загруженные в систему:
Пример настроек системы для получения данных от XRF и OPC
Чтобы более менее корректно обработать неактуальные данные лаборатории, мы ввели в систему настройки производственных тактов. Т.е. получив от лаборатории хим. состав сырьевой муки за предыдущий час, нам нужно понимать какие весовые пропорции материалов в прошлом часе фактически образовали текущие показатели качества:
за 15-20 минут до окончания часа усредненная проба сырьевой смеси извлекается из пробоотборника (это я узнал у сотрудника, который извлекает стакан из пробоотборника и передает в лабораторию)
предшествующие 60 минут эта проба автоматически накапливалась в пробоотборнике (это я узнал от сотрудника КИПиА, который прислал фотографию настроек пробоотборника)
еще 6-8 минут сырье и добавки движутся по линии от дозаторов до пробоотборника (это я узнал от начальника проиводственного участка, который знает длину производственной линии и скорость движения материалов по ней)
Таким образом, в начале часа в системе мы получаем хим. состав сырьевой муки, которая фактически начала формироваться примерно 84 минуты назад в течение следующих 60 минут до извлечения стакана из пробоотборника.
Как выглядят настройки автоматического пробоотборника
Пробоотборник отбирает порцию пробы 1 раз в минуту с паузой 8 минут в течение цикла 60 минут.
Таким образом, в системе появились предопределенные настройки тактов для макмимально приближенного вычисления фактических пропорций.
Дополнительный анализ работы оператора показал, что он практически не оценивает данные прошлых периодов, и в моменте реагирует на текущий показатели качества, как на входные данные. С другой стороны, у него нет выбора из-за отсутствия актуальных данных и при явном дефиците информации.
Поэтому реакция оператора по очередному изменению пропорции сырья и добавок допольно своеобразная: прямо сейчас управять и влиять на то, что фактически уже прошло по линии.
Система также работает с неактуальными данными и дефицитом информации, поэтому мы применяем довольно интуитивный подход к изменению пропорции сырья и добавок. Но в отличие от оператора, все же опираемся на расчеты и реагируем на изменение касество не так резко, как это делает оператор.
Понимая, что прямо сейчас на по линии производства идут сырье и добавки с доподлинно-неизвестным хим. составом, а текущие показатели качества муки это минимум полтора часа назад - еще в процессе опытной эксплуатации мы выявили типичные паттерны по изменению Кн.
Паттерны заложены в систему, чтобы не выполнять преждевременных пересчетов и не делать "лишних движений". Это позволяет уменьшить количество реакций системы, иначе возникает эффект маятника, который постоянно раскачивается.
Для определения оптимальной пропорции система использует данные прошлых периодов и находит последние Х значений хим. состава муки, где показатель качества Кн находился в заданном коридоре. Для них вычисляются фактические пропорции сырья и добавок по тактам, и усредняются. Учитывая текущие показатели качества сырьевой муки и оптимальные, система корректирует отклонение до идеального Кн.
Таким образом, нам удается подобрать оптимальную пропорцию сырья и добавок для формирования сырьевой муки в условиях деффицита актуальных данных.
Но этого недостаточно, так как остается проблема негабаритов и "зависания" материалов в бункерах-приемниках из-за чего возникают весовые диспропорции материалов. В результате хим. состав муки также становится расбалансирован.
Чтобы поддерживать расчетную пропорцию материалов, система оценивает каждые 15 минут соответствие заданной пропорции фактическому дозированию мела, мергеля, бокситов и огарков. В случае явного отклонения по любому из компонент, следующие 15 минут происходит компенсация и другие компоненты изменяются в пропорции относительно исходной - на уменьшение или увеличение доли в составе смеси.
Интерфейс системы и взаимодействие с оператором
С точки зрения оператора, интерфейс выглядит довольно лаконично, поэтому обучение по работе с системой не требуется. А только следование оператора рекомендациям, и установке значений в АСУТП для изменения пропорции подачи сырья и доабавок на дозаторах.
1 раз в 15 минут оператор получает на экране новую рекомендацию по изменению пропорции сырья и добавок для получения муки оптимального качества.
Новая рекомендация выводится на экран автоматически, и также автоматически пропадает с экрана по истечение полутора минут. Если оператор не успел ее обработать, то в любой момент может посмотреть последнюю рекомендацию.
Интерфейс выполнен таким образом, чтобы оператор понимал введены новые пропорции в АСУТП или нет. Яркий фон и заголовки говорят о том, что пропорция не введена в АСУТП. Серый фон и заголовки - рекомендация введена в АСУТП.
Также оператору доступно изменение диапазона качественных показателей (Кн, n и p), которые применяются автоматически и перестраивают алгоритм рекомендаций.
Результат работы системы можно легко оценить в сравнении с зпдпнными показателями качества и результатов работы оператора. Индикация "красным" говорит о том, что показатели качества не в норме. Индикация "зеленым" - качество в норме.
Более наглядное сравнение видно на графике колебания Кн за сутки: слева - результат работы оператора, справа - результат работы системы АЦТЕК.
Очевидно, что несмотря на то, что система работает с неактуальными данными, результат ее работы более предсказуемый и колебания качества сырьевой муки происходят в более узком диапазоне.
Сырьевая мука содержит более стабильный хим. состав, который усредняется дальше по линии производства и фактически превращается в оптимальную смесь ещё до того, как из нее будет спекаться клинкер.
Степень усреднения сырья на отдельных этапах производства
Результат работы системы это участок между "Усреднительный склад" и "Смесительный". Чем стабильнее хим. состав сырьевой смеси на это переделе, тем он еще более стабильный на этапах "Смесительный" и "Печь".
Таким образом, за 2,5 месяца нам удалось создать весьма интуитивную систему для довольно успешного управления качеством в условиях дефицита актуальных данных.
Спасибо, что дочитали до конца!
hahenty
Я понял, нужен датчик наличия трактора в цехе.
Hidden text
шутка
E_BEREZIN Автор
После обследования мы изменили на заводе часть процессов, включая разделение обедов и пересменок между водителями самосвалов (привоз сырья с карьера), погрузчиков (привоз сырья с открытых складов) и экскаваторщиков (устранение негабаритов и "зависаний").
Статья больше посвящена анализу данных, интеграциям и разработке системы. Чтобы описать все ньюансы одной публикации не хватит.