Часть 1: CRM для ERP

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: Цифровой помощник оператора

Часть 8: Автоматическая MES-система (в этой публикации)

Напомню, что год назад мы разработали цифровой помощник оператора сырьевого отделения и успешно запустили в эксплуатацию на заводе. Система интегрирована с двумя ХRF‑анализаторами и АСУТП Siemens, позволяет автоматически рассчитывать оптимальные дозировки сырьевых материалов для получения клинкерной муки с заданными параметрами качества, в условиях отсутствия актуальных входных данных (с задержкой от 1,5 до 6 часов, т. е. неактуальные на момент их обработки системой).

Промышленная эксплуатация системы АЦТЕК в виде цифрового помощника (режим рекомендаций оператору) в течение 3-х месяцев показала свои достоинства и недостатки. Отмечу только недостатки, которые перечеркивают все достоинства системы.

Недостатки цифрового помощника оператора (ЦПО)

Главный недостаток цифрового помощника оператора - это человеческий фактор:

1. Ошибки в наборах данных

Ошибки в данных не связаны с программной интеграцией, а исключительно с ошибочными изменениями хим. состава лаборантами. Например, когда на XRF‑анализаторе выбрана одна программа измерений, а выполняется другое измерение. Ошибочные наборы данных загружаются в систему и влекут за собой не верные расчеты алгоритмов. О таких ошибках лаборанты обычно сообщают по электронной почте постфактум.

2. Оператор не согласен с рекомендацией системы

Это самый распространенный случай, когда оператор не согласен с очередной рекомендацией системы и игнорирует ее. Практически невозможно проверить корректность работы алгоритмов системы, так как для полноценной проверки требуется непрерывное следование рекомендациям и ввод расчетных дозировок в АСУТП каждые 15 минут на протяжении нескольких часов подряд.

3. Оператор пропускает рекомендацию системы

Это менее распространенная ситуация, когда оператор не увидел очередную рекомендацию или отсутствовал на месте и не ввел ее. Искажается результат работы системы, на который оказывают влияние в том числе другие факторы. Сложно понять, что именно стало причиной отклонений или выявленных аномалий.

4. Оператор допускает ошибки при вводе рекомендаций

Опечатки или ошибки ручного ввода данных также искажают результат работы системы и не позволяют достоверно оценить результат. Например, рекомендация системы 56, а оператор вводит 65 (или рекомендация 58, а оператор вводит 59, что существенно влияет на результат).

5. Оператор не своевременно вводит рекомендации системы

Когда на результат работы системы, которая управляет качеством сырьевой муки, влияние оказывает очередная рекомендация, ввод такой рекомендации должен выполняться вовремя. Не своевременный ввод рекомендаций точно также искажает результат, как ее пропуск или ошибочный ввод.

Наличие периодических аномалий и отклонений в качестве сырьевой муки, невозможность локализации проблемы при наличии человеческого и других факторов не оставили шанса, кроме разработки собственной MES-системы.

Разработка автоматической MES-системы взамен цифрового помощника оператора

В этой статье ранее я рассказывал, что мы разработали собственный OPC‑клиент для интеграции 1С с АСУТП Siemens. Сначала обмен данными работал по протоколу OPC UA, затем перешли на OPC DA (более стабильный).

Также мы увеличили период опроса OPC‑сервера для получения пакетных данных до 8–10 секунд, чтобы снизить общую нагрузку на сервер.

Период опроса некоторых тэгов OPC увеличен до 1 минуты, исключение для сторожевого таймера (watchdog) — каждые 5 секунд.

Отличия "цифрового помощника оператора" от автоматической MES-системы (субъективно)

Итак, какие задачи были решены, чтобы реализовать полноценнyю MES‑систему, которая автоматически управляет качеством сырьевой муки на заводе с производительностью 380 тонн в час.

Задача №1: перевод интерфейса в событийный динамический

Переработка интерфейса в событийный динамический заняла не меньше времени, чем реализация автоматического режима работы система. В большей степени это было связано с рефакторингом программного кода, когда к алгоритмам добавились различные события и их визуализация. Каждое такое событие влияет на динамическое изменение в интерфейсе. Например, в системе появился новый анализ сырьевой муки или произошло очередное изменение дозировки сырьевых материалов.

Задача №2: автоматическая отбраковка ошибочных анализов

Сложность заключалась в том, что по хим. составу анализы материалов очень похожи между собой: мел и мергель, сырьевая мука и клинкер. Все они содержат 4 основных вещества: Al2O3, Fe2O3, SiO2, CaO. И каждое вещество имеет плавающий диапазон значений — от и до.

Если пару мел и мергель получилось взаимно исключать по содержанию CaO, то с парой сырьевой муки и клинкера этот трюк уже не подходил (клинкер получают из сырьевой муки путем спекания при высокой температуре). Поэтому для некоторых случаев исключение задавалось по модулям Кн, n и p — одновременно.

В обоих случаях предварительно анализировались табличные данные для выявления закономерностей и мин/мак пределов. История анализов за последний год выгружалась с XRF‑анализаторов в Excel.

Таким образом, удалось автоматически отбраковывать ошибочные анализы из лаборатории. С точки зрения системы, происходит деактивация анализов в момент загрузки данных и исключение из расчетов системы. Пример автоматической деактивировации ошибочного анализа сырьевой муки по модулю Кн.

Задача №3: задать все возможные пределы и ограничения

Ограничения и пределы крайне важны для автоматического режима работы, так как оператор уже не контролирует процесс и цена ошибки может быть слишком высока (производительность двух линий 380 тонн в час). Точнее, контроль оператора сводится к периодической оценке состояния, а не постоянному мониторингу. Это может быть 1 раз в час и реже.

Часть пределов и ограничений были заданы на этапе разработки ЦПО, остальные были дополнены в процессе отладки автоматического режима. Пример хранимых значений в системе, которые могут быть переопределены в любой момент (константы и периодически изменяемые значения).

Некоторые пределы нужны для исключения потенциальных ошибок в алгоритмах системы, другие — отражают техническое/технологические ограничения. Например, минимальные доли бокситов и огарков не должны быть меньше 1% и 0,8% соответственно, иначе дозаторы их «не понимают» и может сбоить оборудование.

С точки зрения интерфейса, ограничения видны оператору, например, дозировка на розовом фоне говорит о том, что достигнуто предельное значение и система не может его превышать, даже когда это требуется по хим. составу.

Задача №4: автоматический переход в ручной режим управления

С одной стороны, оператор может перейти в ручной режим самостоятельно и это допустимо при определенных обстоятельствах или регламентированно.

С другой стороны, в случае нештатных ситуаций система должна переходить в ручной режим с одновременным уведомлением оператора о причине. Например, когда в ожидаемое время (сверх допустимого лимита t ожидания) отсутствует очередной анализ из лаборатории, который используется в расчетах системы.

Каждый подобный случай анализируется и выявляется реальная причина, которая впоследствии устраняется.

Задача №5: показать оператору, почему система приняла такое решение

То, что понятно системе, не всегда очевидно для оператора. Оператору важно понимать, почему это происходит, так как он не видит всех данных для расчетов. Наглядный пример, когда при хорошем качестве сырьевой муки, система принимает решение об изменении дозировки мела, мергеля и бокситов.

В таком случае, оператор может расшифровать «двойным кликом», сначала увидеть график подачи материалов и качества муки за последние 4 часа, и если потребуется - расшифровку вычислений системы в нужной точке графика.

Пример расшифровки вычислений системы в выбранной оператором точке на графике.

Ключевое отличие системы от оператора заключается в том что она оценивает динамику изменений, а не цифры в моменте, как это свойственно оператору.

Первые 2 месяца эксплуатации системы АЦТЕК в автоматическом режиме оказались довольно успешные. В пик летнего сезона были выявлены некоторые аномалии в алгоритмах определения дозировок. А именно, верные с точки зрения системы вычисления иногда не соответствовали ожидаемому качеству, которое фактически получалось по хим. составу сырьевой муки.

Причиной стал пик летнего сезона, которому сопутствует увеличение добычи мела и мергеля в карьере и увеличение подачи бокситов и огарков со склада. В своих алгоритмах мы использовали в том числе усредняемые по хим. составу анализы мела и мергеля за последние 6 часов и последние 4 анализа по входному контролю бокситов и огарков. Следовательно, при увеличении добычи мела и мергеля, усреднение иногда не соответствовало реальной картине. Фактические изменения в хим. составе сырьевых материалов иногда были противоположные и расходились с расчетами. Это стало проблемой.

Новый алгоритм определения дозировок материалов и отказ от 80% данных в расчетах

Попытки использования в расчетах других периодов усреднения (последний анализ, за последние 2–4 часа или за последние 12–24 часов) данных о хим. составе мела и мергеля - не привели к существенным улучшениям. Аномалии с качеством сырьевой муки проявлялись до нескольких раз в сутки. Пример некорректного расчета, когда Кн (1) находится в верхней границе качества, а дозировка мела ошибочно увеличена (2) вместо уменьшения.

Принято решение отказаться от использования в расчетах усредненных анализов мела, мергеля, бокситов и огарков (т. е. 80% данных, которые использовались в алгоритмах), а использовать только данные о хим. составе сырьевой муки, которые мы получаем в системе каждый час с данными за прошедшие в 1,5 часа (т. е. не актуальные на момент обработки системой).

Из логики старого алгоритма мы оставили такты (время производственных циклов), паттерны (оценка тренда качества по Кн) и выборочное усреднение данных о хим. составе сырьевой муки (только Кн «хорошего» качества).

А вместо оценки качества муки только по модулям Кн, n и p — дополнительно оценивать содержание оксидов железа и алюминия.

Для проверки на каждой линии производства в течение недели параллельно использовались разные алгоритмы — старый и новый. Новый алгоритм расчета дозировок материалов только по хим. составу сырьевой муки с одновременной корректировкой содержания оксидов алюминия и железа оказался более точным и верным.

Также решен вопрос с колебаниями подачи сырьевых материалов, когда факт не соответствует заданию по дозировке. Наглядный пример колебаний подачи мела на линию производства в течение 1,5 часов.

Такие колебания вызывают диспропорцию материалов и влияют на качество клинкерной муки. Для исключения «ложных» пересчетов дозировок, не связанных с реальным изменением хим. состава, мы учитываем исполнение факта и задания. Когда отклонение подачи материалов лежит в заданных пределах (исполнено), то дозировка может быть изменена в соответствии с общей логикой. В противном случае (не исполнено), исходная дозировка остается неизменной. Примеры:

В действительности, колебания факт. подачи материалов могут иметь совершенно разный вид. Примеры таких колебаний наглядно видно на суточных графиках (24 часа подряд).

Понятно, чем стабильнее подача материалов на линию производства, тем стабильнее качество. На стабильность подачи влияет множество факторов — от погодных условий и работы оборудования, до наличия/отстутствия материалов в бункерах/на линии.

Тем не менее, разницу в работе оператора и автоматической MES‑системы наглядно видно на суточном графике (24 часа подряд). Линия 1- оператор, линия 2 — АЦТЕК.

Для понимания графика, коридор качества по Кн составляет всего 4-5 сотых. Заданное на производстве качество лежит в гораздо более узких границах, чем требования ГОСТ Р.

На этом, пожалуй, всё! В следующей статье расскажу о новой системе «Вивальди», которая успешно корректирует качество сырьевой муки и в своих расчетах использует еще меньше входных данных.