/

Главная / О компании / Блог / Решение Интернета вещей для «Криогенмаш»

Решение Интернета вещей для «Криогенмаш»

Предприятие «Криогенмаш» из Балашихи является крупнейшей компанией в России по производству технологий и оборудования разделения воздуха, по снабжению техническими газами и разработке комплексных решений по переработке попутного, природного газа и СПГ. На оборудовании, изготовленном «Криогенмаш», выпускается около 80% годового объема производства технических газов в России.

Ситуация

Заказчик, давний партнер Softline по лицензированию, вдохновившись идеей осуществлять мониторинг газораспределяющей установки удаленно, занимался созданием решения уже давно. Установка на контроллере Rockwell снимала данные с датчиков и записывала их локально на OPC-сервер со сроком хранения 30 дней в агрегированном виде. Получить эту информацию можно было путем запроса в другой город, а в ответ приходила таблица с неотсортированными данными. Неудобство такого инструмента, отсутствие аналитики, задержки по времени заставили «Криогенмаш» искать новое решение.

Требовалось создать горизонтально масштабируемый сервис Интернета вещей для воздухоразделительной установки с целью сбора исторических данных и дальнейшего глубокого исследования, с предиктивной аналитикой по дальнейшей работоспособности установки.

В рамках проекта предстояло:

  • монтировать и интегрировать сетевой шлюз в текущую инфраструктуру;
  • разработать сервис удаленного мониторинга ключевых параметров производства и учета электроэнергии воздухоразделительной установки;
  • собрать, проанализировать и подготовить данные для панели мониторинга реального времени и отчетов на базе исторических данных, в том числе и для инцидентов на установке;
  • провести стресс-тестирование решения;
  • провести обучение специалистов и апробировать новый технологический тренд в сравнении с возможностями используемой SCADA-системы.

Решение

Пилотный проект охватил 11 энергоузлов установки: компрессоры, холодильные машины, трансформаторы, вводы и т.д., с которых снимались такие показатели, как активная мощность, реактивная мощность, суммарная мощность, суммарная активная энергия в разрезе смен – всего 44 измерения с датчиков энергоучета.

Бизнес-архитектор Softline Сергей Беляев изучил технологию производства и проанализировал процессы. В результате он нашел несколько ошибок в системах расчета показателей и запрограммировал логику отчетов.

В шкафу управления криогенной установкой инженеры Softline подключили и настроили сетевой шлюз Moxa, настроили коммутацию устройств. Данные в реальном времени поступают в Azure, где их принимает настроенный IoT Hub –  потоковый обработчик данных и передает в хранилище.

Инструменты агрегации данных и аналитики передают информацию для визуализации.

Решение в цифрах

Прием сообщений

1 сообщение или ~ 1.5 Кб данных с датчиков каждую секунду

Интерпретация сообщения «на лету»

~100 преобразованных записей в секунду

Создание записей в хранилище

~42 Мб секундных показателей в день

Запуск хранимых процедур (триггеры, агрегаторы)

~150 хранимых процедур и триггеров

Триггеры и хранимые процедуры подготавливают данные для анализа

~120 Мб целевых данных в день для анализа

Результат

В результате совместной работы команд «Криогенмаш» и Softline была реализована архитектура решения класса Интернета вещей для достижения поставленной цели проекта. Решение не требует покупки ИТ-инфраструктуры, горизонтально масштабируемо и обеспечивает гарантированную сохранность данных неограниченное количество времени. Решение оснащено инструментами предиктивной аналитики.

Softline стал первой компанией, «приземлившей» данные с газоразделяющей промышленной установки в облако, а также первой компанией, использовавшей в продакшене новейший шлюз компании Moxa!

Проект показал перспективность направления. Генеральный директор «Криогенмаша» одобрил проект, назвав его успешным. Столкнуться с потерей информации теперь станет гораздо сложнее. По мере развития проекта «Криогенмаш» сможет сэкономить на ремонте и эксплуатации оборудования.

Заказчик планирует расширение решения до 130 датчиков и масштабирование на еще одну установку. В ближайших планах – развитие машинного обучения по выдаче рекомендаций о выходе из строя узлов воздухоразделительной установки и построение нескольких прогнозных моделей по энергетике и производственным показателям с использованием machine learning.