Привет! Меня зовут Вадим Щемелинин, я владелец продукта по видеоаналитике в СИБУРе.

Как мы уже неоднократно писали, наши объекты — это довольно большие производства, как с точки зрения занимаемой площади, так и количества различных установок и узлов. Чтобы всё это работало и не возникало каких-то ситуаций, способных вызвать остановку производственного процесса, за каждым узлом нужно следить. Поэтому у нас есть и специальные люди, которые этим занимаются, и приложение для мобильных обходов, которое существенно упрощает этим людям жизнь.

Отдельно здесь стоит рассказать про видеоаналитику. Она может решать разные задачи — повышать качество продукции благодаря автоматическому контролю и отбраковке, помогать исключить внезапные остановы производственных линий, своевременно предупреждая оператора о необходимости вмешаться, контролировать соблюдение правил промышленной безопасности, что для промышленного объекта является задачей номер один. Что в принципе можно анализировать, просматривая видео с объектов (и нужно ли его просматривать), как видеоаналитика помогает экономить время и средства, на чем у нас все работает — об этом под катом.

Привет!

В конце апреля я рассказал вам про наши датчики и упомянул специальную IoT-платформу, на которой они работают. Пришло время рассказать об этом подробнее.

Платформа нужна для того, чтобы обеспечить управление устройствами IoT-сети всех уровней и съем данных с датчиков, хранение этой информации и её дальнейшую обработку. Да, на рынке сейчас достаточно подобных платформ, но они не готовы решать задачу «из коробки». Это или какие-то отдельные куски бэкенда, которые полезные и нам бы пригодились в работе, или такие же полезные куски фронтенда, но такого, чтобы все сразу и прямо из коробки — нету. Даже самая близкая к нашим потребностям платформа требовала довольно серьезного допиливания и найма в штат новых разработчиков исключительно под эти задачи.



Мы сели, посчитали total cost of ownership и другие плюсы и минусы использования ведущих платных платформ, сравнили это с возможностью пойти и написать свою платформу. И получилось, что сделать свою для нас — примерно в два раза дешевле, при этом платформа будет полностью соответствовать стеку технологий, принятых в SIBUR Digital.

Привет! Меня зовут Виктория Краснова, я не так давно писала большой пост про data-driven в нефтехимии. Но там было про сам подход и систему. Давайте сегодня поговорим о тех, кто этой системой будет пользоваться (и кто будет её улучшать). То есть о людях.

Вообще же, про data driven легко говорить и кайфово это реализовывать в компаниях, в которых большинство сотрудников являются power users, то есть легко напишут запрос к базе, не отрываясь от заваривания чая, а в голове у них есть вопросы и задачи, которые можно решить только при наличии технологии Big Data.

А теперь представьте себе, каково это — внедрять DAAS (data as a service), если ваши пользователи взаимодействуют между собой только языком Excel и Power Point. Возникает разрыв: те, кто владеет навыками программирования, не владеют предметной областью на должном уровне, чтобы предметно продемонстрировать все плюшки современных технологий, а бизнес-эксперты пребывают в состоянии недоумения из-за того, что любую известную задачу можно решить при помощи «Small Data» в лице Excel.

Для того, чтобы этот разрыв нивелировать, а в идеале вообще устранить, можно подойти к проблеме вот с каких сторон. Во-первых, набирать аналитиков со знанием SQL и Python. Во-вторых, учить существующих пользователей языкам программирования. И вроде как первый путь выглядит логичнее и проще, да? Но есть подводные камни, а именно:

Привет! В одной из прошлых статей я писал о том, что мы решили делать собственные взрывозащищенные датчики для наших объектов, а не использовать продукты сторонних производителей. Так вот, сказано — сделано.



Теперь у нас есть пилотная партия, 190 штук, которые мы тестируем на протяжении полугода. Старт пришёлся на ноябрь 2019 года, когда мы установили достаточно большое количество датчиков в Тобольске, чтобы посмотреть, как они работают в боевых условиях, и собрать полноценную статистику. Полгода спустя мы можем точно сказать, что идея делать всё самим была правильной и оправдалась — они нормально прошли боевое крещение зимой (а зима в тех краях, где стоят наши объекты, весьма и весьма серьезная штука). Значит, будем выпускать такие датчики в тираж.

Что это за датчики и зачем они нужны

Прежде всего — это датчики, которые измеряют как температуру рабочих поверхностей, так и температуру объектов. Поэтому датчики должны работать в вилке температурных условий от -56 до +50 градусов по Цельсию. Мы поставили их на производство пиролиза ЗапСибНефтехима, чтобы защищать от замерзания трубы теплоспутников (второстепенные по значимости объекты производства). До введения системы датчиков этот контроль осуществлялся людьми, которые ходили и руками трогали эти трубы на предмет «замерзло — не замерзло».

При создании любого бизнеса каждое из его подразделений автоматизирует само себя. Как правило сквозные потоки данных между ними единичны. Это приводит к тому, что данные нельзя сопоставить друг с другом, ведь каждый отдел считает их по-своему. Никаких проблем, если собирать какие-то метрики в целом по компании, но когда доходит дело до расчета сквозных показателей, прогнозов или решения задач моделирования и оптимизации, начинается хаос.

Хранилища данных (DWH) — не новая история. Традиционно они использовались для составления отчетности. А вот полноценное моделирование и прогнозирование сквозных бизнес-процессов на данных DWH началось относительно недавно. Используя собранные данные современные инструменты анализа позволяют не просто делать дашборды с выпадающими окнами, но еще и настраивать в отношении каждого атрибута алгоритмы прогнозирования и оптимизации, масштабировать алгоритмы теории игр на все предприятие в целом. А также строить и сразу же тестировать гипотезы о дальнейшем развитии бизнеса на реальных данных.



И вроде как звучит всё прекрасно. Но не все компании спешат брать с пример с передовиков (Booking.com, Amazon.com) и продолжают работать по старинке. Так что же им мешает? Как минимум, понимания целесообразности масштабных инвестиций в инструментарий по обработке данных, трудозатратность внедрения процессов описания данных, появления новых ролей (кураторы данных, ответственные за качество данных, инженеры и архитекторы данных и т.п.), научиться считать экономический эффект от внедрения управления данными, четко вычленять драйверы затрат, как сделать дата офис самоокупаемым, увязать со стратегией компании и из возможных вызовов выбрать те, которые продвинут компанию вперед, и многое другое.

Меня зовут Виктория Краснова, я руководитель Управления корпоративными данными СИБУРа. Вместе с моим коллегой, лидером команды Data Governance Ринатом Абдурахмановым, расскажем, как это делаем мы.

Ожидания не всегда соответствуют реальности. К сожалению. И если очередное такое несоответствие в жизни может стать поводом для грустной ухмылки, создания нового мемчика или спешного раскатывания бэкапа, то в промышленной сфере все немного иначе.

Если какая-то железка, которую ты сделал и начал использовать на объекте, не соответствует ожиданиям, последствия могут быть разными. К примеру, смартфон, который (по словам производителя) заявлен для работы при -40, отключается через пару минут на этих самых -40.

Поэтому железо, что свое собственное, что вендорское, надо тщательно и вдумчиво тестировать. Удобнее всего делать это в специальной лаборатории.



Меня зовут Юстина, я инженер направления «Индустрия 4.0». Вместе с владельцем продукта IIoT Василием Ежовым мы составляем команду hardware-разработки СИБУРа. Мы уже писали, что в конце 2017 года в СИБУРе начался процесс цифровизации, который продолжается до сих пор. Мы, как и многие другие компании на рынке, поняли, что сейчас мало какой продукт обходится без комплексного применения hardware и software — для качественного результата нужно, чтобы обе эти части работали эффективно. Тут как со смартфонами и ноутбуками, если ось гармонирует с железом, будет вам счастье. Если нет — ну вы поняли.

В нашем случае ситуация весьма осложняется климатическими условиями: практически все устройства на производственных предприятиях СИБУРа размещаются на открытых установках и должно выдерживать поистине арктические температуры. Поэтому все оборудование, которое используется в наших проектах по цифровизации, должно пройти достаточно суровые испытания, прежде чем окажется «в поле».

Нефтехимические комбинаты это весьма и весьма сложные комплексы зданий. Наш ЗапСибНефтехим в Тобольске — крупнейший объект за всю историю современной России. 9 831 километр кабеля, 102 000 тонн металлоконструкций и 513 000 кубических метров бетона. То есть без шуток — объект внушительный. И объект, который необходимо на должном уровне обслуживать.



Чтобы персоналу было проще это делать, оперативно добираясь до нужного узла и не заблудившись по дороге, мы создали специальную 3D-модель ЗапСибНефтехима. Меня зовут Владимир Андропов, я занимаюсь проектами, связанными с ИТ-инфраструктурой. О проведённом пилоте по использованию модели в деле, о пользе для обучения, а также о том, почему мы сделали всё на Unity, расскажу под катом.

Привет! Меня зовут Сергей Кирясов. В СИБУРе работаю около двух лет, а всего в отрасли нефтепереработки и нефтехимии — около семи. На протяжении всей карьеры занимаюсь оптимизацией технологических и бизнес-процессов: ранее повышал эффективность крупного НПЗ и участвовал в нескольких проектах для крупной нефтегазовой компании за рубежом в качестве консультанта. Сегодня я расскажу, что мы в СИБУРе подразумеваем под цифровым двойником технологического процесса и какая от него польза.

Всем привет!

Продолжается онлайн-этап конкурса по анализу данных – SIBUR Challenge 2019.

Коротко о главном:

• SIBUR Challenge – это наш фирменный хакатон, который мы делаем вместе с AI Community. В качестве кейсов мы используем реальные производственные задачи, основанные на реальных данных.
• Призовой фонд – 1 000 000 рублей, плюс вакансии и стажировки победителям.
• Включиться в гонку можно до 17 ноября, офлайн-этап пройдёт 23-24 ноября в Москве.
• На данный момент зарегистрировались уже более 1200 участников.

Задачи делятся на две группы:

• Первая – про бизнес: необходимо предсказать рыночную стоимость важных для отрасли продуктов;
• Вторая – про производство: необходимо предсказать активность катализатора, который участвует в процессе полимеризации (о том, какие ещё в нефтехимии бывают процессы, можно прочитать в статье Алексея Винниченко в нашем блоге).

Остальное – под катом.

Привет! Меня зовут Василий Ежов, я владелец продукта «Промышленный интернет вещей» в СИБУРе.

Тенденции развития современного управления таковы, что все должно быть онлайн. Особенно важно точно понимать местоположение любых движущихся объектов и сотрудников на опасном производстве. От этого зависит принятие оперативных решений в нештатных ситуациях, что позволит минимизировать последствия и спасти жизни и здоровье сотрудников.

Больше года назад мы в СИБУРе задумались, как это можно реализовать. Первая мысль — использовать спутниковые сигналы GPS или ГЛОНАСС. Но они «проходят» далеко не в каждое помещение наших предприятий: например, есть здания с толстыми железобетонными стенами. Это решение нам, очевидно, не подходит. Тогда другой вариант — использовать маяки, которые по сути заменяют сигнал спутника и позволяют устройству определять свое местоположение в закрытых цехах.

Привет! Обладая нужной информацией, можно сделать много полезных (или много дико вредных) вещей, тут зависит от того, у кого эта информация и чем он мотивирован. Чтобы работать с информацией, делать нужные тебе выгрузки, составлять отчёты, нужно эту информацию где-то хранить. Поэтому мы создали огромное озеро данных для маркетинга

Меня зовут Андрей Наумов, я работаю в команде управления корпоративными данными и делаю продукт для маркетинга и продаж. Наша задача — наполнять это озеро данными (потому что какое оно тогда озеро данных без данных), чтобы с ним могли продуктивно работать и люди из бизнеса, и непосредственные пользователи из числа сотрудников, которым необходимо строить подробную аналитику.

Под катом — о том, почему нам вообще понадобилось такое озеро, как мы его строили, как оно помогает выходить на новые рынки продаж внутри страны и вне её, а также о наших планах на будущее.

Привет!

В конце марта мы вместе с партнерами из AI Community провели в Нижнем Новгороде хакатон, посвященный анализу данных. Свои силы в решении реальных производственных задач могли попробовать фронтендеры и бекендеры, дата-сайнтисты, инженеры и архитекторы, владельцы продуктов и скрам-мастера — именно из представителей этих специальностей и формировались команды, претендующие на победу.

Настало время подвести итоги и рассказать о том, как все прошло.



Под катом — про геймификацию, бота и многое другое.

Привет! AR и VR — штуки модные, сейчас приложения с их использованием не сделал только ленивый (или тот, кому оно просто не надо). От Oculus до MSQRD, от простых игрушек, радующих детишек появлением динозавра в комнате, до прикладных приложений вида «Расставь мебель в своей двушке» от IKEA и прочее. Вариантов применения тут множество.

А еще есть не самая популярная по сравнению с ними, но на самом деле полезная область — обучение человека новым навыкам и упрощение его ежедневной работы. Тут в пример можно привести тренажеры для медиков, пилотов и даже правоохранительных органов. Мы же в СИБУРе применяем эти технологии в рамках цифровизации производства. Основной потребитель — непосредственный сотрудник производства в перчатках и каске, который находится на предприятии, на объектах повышенной опасности.



Меня зовут Александр Леус, я Product Owner Индустрии 4.0, и я расскажу о том, какие здесь возникают особенности.

Всем привет!

Уже через пару недель, 30-31 марта, мы проведем в Нижнем Новгороде хакатон, посвященный анализу данных. Отбор команд будет идти до 30 марта, задачи нужно будет решать не абстрактные, а вполне себе живые — мы предоставим реальные данные компании для этого.


Вот специальности, представители которых смогут принять участие:

• Data Engineer
• Data Architect
• Data Scientist
• Архитектор решений
• Front-end разработчик
• Back-end разработчик
• UX/UI Designer
• Product owner
• Scrum master

Подробнее о задачах и этапах — под катом.

Когда у вас возникает какая-то проблема, вы начинаете искать способы ее решения, параллельно думая, как бы снова не пройтись по этим же самым граблям в следующий раз. Что бы вы ни делали, от небольших мобильных приложений до громоздких информационных систем, у ошибки всегда есть цена, и чем более критична отрасль, в которой используется ваш продукт, тем выше цена этой ошибки. Поэтому идеальной видится ситуация, когда вы работаете на опережение, а именно — пытаетесь предсказать возникновение проблемы до ее фактического наступления.


Экструдер на производстве полипропилена

У нас в СИБУРе есть функция «Цифровые технологии», одно из направлений которой занимается продвинутой аналитикой. Мы участвуем во всех процессах, так или иначе связанных с анализом данных, которые есть в компании: от показаний множества датчиков с производства до биржевых сводок и прогнозов. Используя эти данные, мы создаем цифровые продукты, которые ощутимо помогают повысить операционную эффективность компании.

Меня зовут Александр Крот, я представляю направление продвинутой аналитики, и под катом расскажу вам вот о чем:

• как сократить количество внеплановых остановок экструдера, который нарезает полипропилен на гранулы и имеет свойство забиваться;
• как с помощью анализа данных и настроенной модели можно увеличить производство бутадиена более, чем на 100 тонн в месяц;
• почему проблемы реактора проще предсказать, чем исследовать его с помощью рентгена.

Привет, Хабр!

Продолжая серию наших публикаций, мы решили, что для понимания азов «цифровой химии» нужно немного рассказать про суть бизнеса компании. Понятно, по пути будем упрощать, чтобы не превращать рассказ в занудную лекцию с перечислением всей таблицы Менделеева (кстати, 2019 год – официально год периодического закона, в честь 150-летия его открытия).

Многие люди при ответе на вопрос «Что такое нефтехимия и какие продукты она создает?» уверенно отвечают — топливо, бензин и прочее жидкое-горючее. На самом деле, мягко говоря, это не совсем так. Как нефтехимическая компания мы занимаемся в основном переработкой побочных продуктов добычи нефти и газа и производством синтетических материалов, которые составляют значительную часть окружения каждого из нас. Есть мнение, что из 5 любых предметов, которые нас окружают в любой момент времени, 4 созданы благодаря нефтехимии. Это корпуса ноутбуков, ручки, бутылки, ткани, бамперы и шины для автомобилей, пластиковые окна, упаковка любимых чипсов, водопроводные трубы, контейнеры для еды, медицинское оборудование и расходники… В общем, вот:



Меня зовут Алексей Винниченко, я отвечаю в СИБУРе за направление «Продвинутая аналитика». С помощью аналитических моделей мы настраиваем оптимальные режимы технологических процессов, минимизируем риски поломок оборудования, предсказываем рыночные цены на сырье и продукты, а также многое другое.

Сегодня расскажу, что это за продукты и как мы производим их из преимущественно попутного нефтяного газа.

Привет, Хабр!

В декабре наш коллега от направления «Продвинутая аналитика» Леонид Шерстюк занял первое место в компетенции Машинное обучение и большие данные во II отраслевом чемпионате DigitalSkills. Это «цифровая» ветка известных профессиональных конкурсов, которые устраивает WorldSkills Russia. Всего в чемпионате приняли участие более 200 человек, соревновались за лидерство по 25 цифровым компетенциям – Корпоративная защита от внутренних угроз ИБ, Интернет-маркетинг, Разработка компьютерных игр и мультимедийных приложений, Квантовые технологии, Интернет вещей, Промышленный дизайн и т.д.



В качестве кейса для Машинного обучения была предложена задача по мониторингу и обнаружению дефектов трубопроводов АЭС, нефтяных и газотрубопроводов с помощью системы полуавтоматического ультразвукового контроля.

О том, что было на конкурсе и как ему удалось победить, Леонид расскажет под катом.

В середине октября в рамках проходящего в Томске молодежного форума U-NOVUS мы провели воркшоп, посвященный Data Science.

Томск в принципе заслуженно пользуется славой города ученых и студентов, все-таки 15 НИИ, 9 вузов и несколько бизнес-инкубаторов — это серьезно. Поэтому мы решили пригласить к участию как студентов, так и экспертов из различных компаний.



Кейс мы давали из жизни (читай — с производства), это была задача по продвинутой аналитике на нефтехимическом предприятии.

О том, как это было — под катом.

Когда речь заходит об автоматизации процессов в нефтехимической отрасли, часто срабатывает стереотип, что производство сложное, значит, автоматизировано там всё, до чего можно дотянуться, благодаря АСУТП-системам. На самом деле не совсем так.

Нефтехимическая промышленность действительно достаточно хорошо автоматизирована, но это касается основного технологического процесса, где автоматизация и минимизация человеческого фактора имеют критическое значение. Все сопутствующие процессы не автоматизированы из-за высокой стоимости решений АСУТП и проводятся в ручном режиме. Поэтому ситуация, когда раз в пару часов сотрудник вручную проверяет, нагрета ли должным образом та или иная труба, включен ли нужный рубильник и задвинута ли задвижка, в норме ли уровень вибрации подшипника — это нормально.



Большинство некритичных процессов не автоматизировано, но это можно сделать с помощью технологий интернета вещей, а не АСУТП.

К сожалению, здесь есть проблема — пропасть в коммуникациях между заказчиками из нефтехимической отрасли и самими разработчиками железа, которые не имеют заказчиков среди нефтегазовой отрасли и, соответственно, не получают информацию о требованиях к оборудованию в части применения в агрессивных, взрывоопасных зонах, в суровых климатических условиях и т.д.

В этом посте мы и поговорим об этой проблеме и о том, как ее решить.

Оптимизация работы оборудования, предиктивный мониторинг, построение зависимостей реальной прибыли от технологического режима и многие другие задачи из области цифровой химии уже решаются с помощью DataScience-технологий. У нас в рамках цифровой трансформации производственных и бизнес-процессов над этим работает направление «Продвинутая аналитика».

Возможно ли правильно спрогнозировать объёмы производства, учитывая все особенности процесса и технологические параметры? Скоро узнаем.

СИБУР вместе с AI-Community запускает онлайн-чемпионат по Data Science, который продлится до 19 ноября. Желающим принять участие нужно зарегистрироваться до 16 ноября. Решения принимаются до 19, а 24 ноября – финал.

Общий призовой фонд составляет более 600 000 рублей: 1 место – 200 000 рублей, 2 место – 150 000 рублей, 3 место – 70 000 рублей, 4, 5 и 6 места – 40 000 рублей. Лучшие проекты дополнительных треков – 20 000 рублей и квадрокоптеры. В команде может быть от 1 до 4 участников.