x
© 1995-2019 Компания «Инфосистемы Джет» Разработано в Liqium

Индустрия 4.0 предполагает уход в цифровой мир, где виртуальная модель предприятия помогает реальному производству работать эффективнее. Все вкладывают в этот термин разные значения: безлюдное производство, интеллектуальные решения, цифровые двойники. Мы в «СИБУРе» подразумеваем под этим всю совокупность цифровых инструментов, каждый из которых оптимизирует определенную часть сквозного бизнес-процесса.

Отдельные направления Индустрии 4.0 существуют достаточно давно. Например, технологии Data Science уже успешно используются в бизнесе с их помощью мы строим модели, просчитывающие возможные причины отказа оборудования. В «СИБУРе» этим занимаются мои коллеги из направления «Цифровые технологии».

Цифровой двойник — это виртуальный прототип реальных объектов или процессов. Технология позволяет моделировать кейсы производства и подбирать эффективные сценарии их решения.

 

Цифровой двойник это реально. Но чтобы его создать, нужно оцифровать производство еще на этапе проектирования завода. Недостаточно точечно внедрить APC, машинное обучение, IoT. Важно комплексное понимание всех характеристик и параметров оборудования и технологических процессов. Мы в управлении корпоративными данными занимаемся оцифровкой всей информации, которая собирается в «СИБУРе», чтобы системы и сотрудники могли полноценно ею пользоваться.

Цифровые двойники должны охватывать всю производственную цепочку. Важно оцифровать сквозную цепочку создания ценности, а также проверять бизнес-эффект от цифрового инструмента перед внедрением, чтобы максимизировать прибыль. В «СИБУРе» все продукты перед запуском проходят валидацию сценариев применения, предпочтение отдается только рентабельным кейсам. Например, ряд проектов по продвинутой аналитике уже приносит деньги: мы реализовали панели ключевых показателей, комплексы моделей (или советчики), работающие на основе анализа Big Data.

Реклама

Миллион событий к концу года

Цифровизация «СИБУРа» — осознанный выбор. Этот проект стартовал в декабре 2017 г. Драйверов было много — например, запуск комбината «ЗапСибНефтехим», который будет производить 2 млн тонн полиэтилена и полипропилена в год. Это более 2 млн км водопроводных труб, 71 млн автомобильных бамперов, 600 млрд медицинских пробирок, 35 млн км оптоволоконного кабеля.

 

Цифровизация предприятия — бесконечный процесс. Подход, когда у проекта есть определенный срок, здесь не работает, потому что use-кейсы для улучшения бизнес-показателей производства не заканчиваются в какой-то определенный момент.

О компании

Название: «СИБУР Холдинг»

Руководство компании: Дмитрий Конов, председатель правления ПАО «СИБУР Холдинг»

Отрасль: нефтехимия

Год основания: 1995

Количество сотрудников: 26 000

Сайт: sibur.digital

Для нас важно быть data-driven-компанией. Производственные и бизнес-процессы «СИБУРа» генерируют большое количество данных. Эта информация несет в себе огромный потенциал как для повышения доходов, так и для сокращения расходов. Например, data-driven-подход может оптимизировать процессы ремонта оборудования. По нормативам его нужно проводить раз в год, а данные, которые мы получаем, показывают, что можно делать это раз в два года. Прогнозное обслуживание оборудования позволяет сократить количество плановых остановов и заранее определить необходимость ремонта, чтобы избежать нештатных остановов. Это позволяет экономить огромные деньги.

 

Чтобы «СИБУР» мог эффективно использовать данные производства, мы работаем сразу в трех направлениях. Наша первая задача (технологическая) — создать инструменты, которые позволят быстро собирать и анализировать данные. Вторая (исследовательская) — описать все типы данных, которые есть в компании, обеспечить контроль их качества. Третья (своего рода культурная) — научить людей пользоваться упомянутыми инструментами, развить необходимые компетенции в каждом подразделении.

 

Компания должна оперировать данными при ежедневном принятии решений. К сожалению, пока это происходит далеко не во всех подразделениях, так как зависит от уровня готовности бизнеса переходить на data driven, а также от уровня автоматизации процессов.

 

В нашу платформу данных (Data Platform) каждые 10 секунд «льется» около 160 тысяч событий (тегов), которые генерируют два предприятия «СИБУРа». До конца года к процессу подключатся остальные наши предприятия, и этот показатель вырастет до миллиона.

Кадровый голод — это нормально

Мы попытались создать команды «спецназа» по работе с данными для каждого нашего подразделения. План не сработал: формат оказался непривычен для компании. «СИБУР» в основном работает по концепции «заказчик — исполнитель», и к нашим командам относились как к исполнителям, а не партнерам.

 

Мы перешли на более привычный проектный подход: запускаем конкретный проект, команда реализует его и переключается на новый кейс, в том числе в другом подразделении. Таким образом, мы собираем информацию, развиваем людей в конкретных направлениях и продаем бизнесу идеи для работы с данными. Это временный подход, но так нам проще собирать данные в нашу платформу. Параллельно в нашей школе аналитики мы обучаем сотрудников других подразделений, чтобы они могли самостоятельно реализовывать кейсы на основе собранных нами данных.

Есть три способа поиска персонала: перекупить на рынке, вырастить молодого специалиста и переучить собственного сотрудника. Мы используем все. Основной канал, естественно, рынок: кого-то привели HR-специалисты, кого-то мы нашли сами, используя связи в комьюнити. Часть наших сотрудников переучили, например, из разработчиков MES-систем. У нас в команде есть даже бывший проектный менеджер. Другой яркий пример ИТ-специалисты из нашего центра разработки в Томске. Они самостоятельно разобрались в основах Data Science, а мы доучили их до джуниоров. Теперь они решают все задачи саппорта и реализуют небольшие проекты. Наконец, мы набираем студентов, учим их и встраиваем в команду.

 

Кадровый голод — это нормально, он есть у всех. Так, мы с самого старта цифровизации осознавали, что боремся за кадры не столько с непосредственными конкурентами в отрасли, сколько с «Яндексом», «Авито» и даже с Google.

 

Деньгами завлекать людей бессмысленно, это краткосрочный мотиватор, его невозможно использовать постоянно. Гораздо эффективнее работают новые, нетривиальные задачи и зрелая корпоративная культура.

5 стратегических направлений работы команды управления корпоративными данными:

  1. Реализуем проекты в области обработки данных.
  2. Помогаем коллегам из бизнеса определить метрики процессов, которые они смогут применять в своих проектах. Консультируем их по вопросам работы с данными.
  3. Ведем аналитику и развиваем компетенции по нескольким направлениям: работа с данными, BI и визуализация, управление НСИ, контроль качества данных и создание хранилища.
  4. Формируем команды, которые разрабатывают инструменты, необходимые для работы с данными.
  5. Готовим нормативно-справочную информацию по работе с данными.

Инфраструктура «СИБУРа» для сбора данных 

В «СИБУРе» уже построена система сбора, обработки и хранения данных, при этом ее развитием нужно заниматься постоянно. Под «системой» я подразумеваю платформу, которая отчасти является классическим хранилищем данных, отчасти представляет собой задел на будущее, своего рода Data-Hub.

 

Не все наши производственные участки генерируют данные. Предположим, мы хотим построить с помощью Data Science модель для определенного участка, а для этого нужно «врезать» в производство хроматограф (устройство для анализа сложных газовых веществ, разделяющее их на монокомпоненты). Значит, придется ждать планового ремонта, иначе установка хроматографа становится нерентабельной, а следующий останов по плану может быть только через два года. Кроме того, есть участки с оборудованием, с которого в принципе нельзя снимать данные, а его полная замена обойдется дорого. Так что проще оставлять такое оборудование, чтобы оно дорабатывало свой жизненный цикл, а после плановой замены уже начинать собирать данные.

 

На рынке не всегда есть готовые решения под конкретные задачи производства. Например, мы не смогли найти взрывозащищенные датчики и маяки, работающие при -55 °C. Наши коллеги сами разработали это оборудование.

 

Классический пример использования продвинутой аналитики, о котором мы любим рассказывать, — повышение эффективности экструдера. Это аппарат, который нарезает полипропилен на гранулы. Иногда он забивается, и, чтобы его почистить, приходится останавливать оборудование. В 2017 г. у нас было 19 таких остановов. После анализа данных мы создали аналитическую модель, предупреждающую оператора о том, что через час экструдер может забиться. Как результат, в 2018 г. не было ни одной внеплановой остановки.

 

Мы движемся к внедрению промышленной платформы Интернета вещей, способной собирать и стандартизировать разнородные данные.

 

Как ускорить Time-to-Market в нефтехимии 

Мы строим единую цифровую платформу, которая поможет нам быстро разрабатывать собственные приложения. Ее главный бенефитом станет ускорение Time-to-Market — возможность быстро создавать продукты за счет использования готовых компонентов и снижения требований к компетенциям сотрудников. Но при этом потребуются высококлассные специалисты, которые будут поддерживать платформу.

 

Мы хотим прийти к общей архитектуре приложений. Можно каждый раз создавать продукты с нуля, но, если наладить процесс повторного использования компонентов, каждое следующее решение будет стоить дешевле и строиться быстрее.

 

«СИБУР» уже реализует несколько проектов в области обработки данных — например, разрабатывает панели ключевых показателей эффективности. Это инструмент визуализации и денежной оцифровки технологических режимов. Мы читаем поток производственных данных и сразу переводим его в денежное выражение: оператор видит, насколько оптимально он ведет режим и сколько денег потерял, если за чем-то не уследил. Второй пример — классические дашборды, которые показывают, например, как на каждом производственном участке выстроена работа с энергоэффективностью.

 

Сейчас заводы «СИБУРа» не смогут работать полностью без людей. С помощью новых технологий мы приближаемся к тому, чтобы исключить присутствие человека на труднодоступных и опасных производственных объектах, а также его участие в рутинных работах. Достичь полной безлюдности можно, если учесть данное требование на этапе проектирования. Мы уже делаем это при строительстве новых объектов

Следите за нашими обновлениями