Kompanije u naftnoj i gasnoj industriji oslanjaju se na automatizaciju već decenijama. PLC-ovi, DCS platforme, sigurnosni sistemi, napredno upravljanje i industrijske mreže već obavljaju veliki deo repetitivnog rada potrebnog da bušotine, postrojenja za preradu, cevovodi i pučinska postrojenja ostanu u funkciji.
Sledeća faza nije samo dodavanje veće automatizacije. Ona podrazumeva stvaranje sistema koji mogu da razumeju uslove rada, predvide šta bi moglo da se dogodi sledeće, procene dostupne odgovore i preduzmu radnju u jasno definisanim granicama.
To je praktično značenje autonomije u industrijskim operacijama.
Iz perspektive inženjerstva automatizacije, ova razlika je važna. Konvencionalni automatizovani sistem izvršava logiku koju su inženjeri unapred definisali. Autonomni sistem uvodi dodatni sloj odlučivanja. On objedinjuje podatke o procesu u realnom vremenu, stanje opreme, prediktivne modele, analitiku i, sve više, AI kako bi utvrdio koji je odgovor odgovarajući za trenutno stanje rada.
To ne znači uklanjanje operatera iz procesa. U primenama u naftnoj i gasnoj industriji sa ozbiljnim posledicama, realniji smer je da ljudi ostanu odgovorni za izuzetke, vanredne situacije, odobravanje i odluke koje prevazilaze unapred definisana ograničenja.
Zašto autonomija postaje sve praktičnija
Nekoliko promena omogućava ovu tranziciju.
Operacije u naftnoj i gasnoj industriji sve su više raspoređene na udaljenim bušotinama, pučinskim platformama, postrojenjima za preradu, cevovodima i pomorskoj imovini. Istovremeno, mnogi operateri suočavaju se sa zastarelom infrastrukturom, fragmentisanim upravljačkim sistemima, ograničenjima radne snage i sve povezanijim OT mrežama.
Istorijski gledano, digitalizacija je često bila usmerena na to da informacije učini vidljivim. Operateri su mogli da vide trendove, alarme i stanje opreme iz centralizovanih sistema, ali su i dalje morali da tumače veliki deo tih informacija i odlučuju šta treba uraditi.
Sledeći korak je skraćivanje tog ciklusa odlučivanja.
Savremeno računarstvo na ivici mreže, uređaji industrijskog interneta stvari, napredno upravljanje procesima, prediktivna analitika i AI mogu da približe računanje samom procesu. Umesto da se svaka odluka prosleđuje kroz centralizovanu arhitekturu ili arhitekturu zasnovanu na oblaku, odabrane funkcije mogu da rade lokalno tamo gde su vreme odziva i dostupnost komunikacije od ključne važnosti.
Po mom mišljenju, stvarna vrednost autonomije nije u samom AI modelu. Ona je u sposobnosti da se detekcija, analiza, logika odlučivanja i upravljana radnja povežu u jednu operativnu petlju.
MPC predstavlja most između automatizacije i autonomije
Prediktivno upravljanje pomoću modela važan je primer ovog napretka.
MPC kontinuirano procenjuje trenutne uslove procesa i predviđeno buduće ponašanje, a zatim izračunava upravljačke radnje na osnovu definisanih ciljeva i ograničenja. Može da kompenzuje međusobne uticaje u procesu kojima je teško upravljati samo konvencionalnim PID petljama.
AI proširuje ovaj koncept, umesto da ga nužno zamenjuje.
AI sistem može da analizira veće i manje strukturisane skupove podataka, identifikuje odnose koji možda nisu predstavljeni u fiksnom procesnom modelu i prepozna obrasce rada povezane sa problemima u nastajanju ili prilikama za optimizaciju.
Kombinacija je posebno korisna kada se uslovi procesa neprekidno menjaju.
Na primer, autonomna upravljačka arhitektura mogla bi da kombinuje:
- Merenja procesa u realnom vremenu
- Podaci o stanju opreme
- Istorijski obrasci rada
- MPC predviđanja
- Detekcija anomalija zasnovana na AI-ju
- Definisana operativna ograničenja
- Status sigurnosnog sistema
- Pravila za odobrenje operatera
Rezultujući sistem može da utvrdi da li radno stanje zahteva nadzor, podešavanje, preporuku ili intervenciju čoveka.
To je mnogo bliže industrijskoj autonomiji nego jednostavno instaliranje AI aplikacije pored postojećeg DCS-a.
Inteligencija na ivici mreže posebno je važna na nivou procesa
Autonomija postaje korisnija kada se odluke mogu donositi u blizini opreme.
Pumpe, kompresori, ventili, pogoni, separatori i druga procesna oprema sve češće generišu dijagnostičke informacije i informacije o performansama, pored osnovnih procesnih merenja.
Stariji uređaji na nivou postrojenja možda pružaju jednostavan statusni signal. Savremeni inteligentni uređaji mogu da pružaju procesne vrednosti, dijagnostiku uređaja, pokazatelje stanja i dodatne operativne informacije.
Time se stvara znatno bogatiji informacijski sloj.
Međutim, slanje svih informacija na udaljenu platformu ne stvara automatski bolji upravljački sistem. Vremenski kritične aplikacije i dalje zavise od determinističke komunikacije, dostupnosti lokalnog upravljanja i predvidivog odziva.
Iz tog razloga, praktična arhitektura će često raspodeliti inteligenciju kroz nekoliko slojeva:
Nivo postrojenja -> upravljački nivo -> analitika na ivici mreže -> nadzorni sistemi -> analitika na nivou preduzeća/u oblaku
Svaki sloj ima drugačiju odgovornost.
Upravljački sistem treba i dalje da obavlja determinističke upravljačke funkcije. Računarstvo na ivici mreže može da obavlja vremenski kritičnu analitiku i pruža podršku pri donošenju odluka. Platforme višeg nivoa mogu da obrađuju optimizaciju celokupne flote, istorijsku analizu i razvoj AI modela.
Ova slojevita arhitektura je, po mom mišljenju, jedan od najvažnijih inženjerskih principa za proširenje autonomije bez pretvaranja upravljačkog sistema u nepotrebno složenu softversku platformu.
Daljinsko upravljanje je prirodna početna tačka
Centri za daljinsko upravljanje pokazuju kako se uloga čoveka može razvijati.
Umesto da stručnjaci putuju do pojedinačnih bušotina, platformi ili postrojenja za preradu, centralizovani timovi mogu da nadziru geografski distribuiranu imovinu koristeći zajedničke operativne podatke i digitalne alate.
Prva faza je obično daljinsko nadgledanje.
Sledeća faza je centralizovana dijagnostika.
Nakon toga, odabrane upravljačke radnje mogu da se obavljaju na daljinu.
Kako se pouzdanost povećava, softver može neprekidno da obavlja rutinske dijagnostičke zadatke i zadatke optimizacije, a operateru prosleđuje samo izuzetke.
Time se stvara drugačiji operativni model: ljudi provode manje vremena obavljajući repetitivne radnje, a više vremena nadzirući performanse sistema, istražujući neuobičajena stanja i donoseći odluke koje zahtevaju inženjersko prosuđivanje.
Tehnologija stoga menja raspodelu ljudske pažnje, umesto da jednostavno eliminiše učešće ljudi.
Morska postrojenja imaju snažan ekonomski razlog za autonomiju
Vrednost ovog pristupa naročito je jasna na moru.
Problem sa održavanjem na kopnenom postrojenju može zahtevati tehničara i rezervne delove. Isti problem na moru može uključivati transport, specijalizovano osoblje, pomorsku ili helikoptersku logistiku, vremenska ograničenja i dodatne bezbednosne zahteve.
Za FPSO ili udaljenu platformu, rano otkrivanje degradacije opreme stoga može imati mnogo veći ekonomski efekat.
Prediktivni sistem koji pre kvara prepozna neuobičajene vibracije, temperaturu, pritisak ili ponašanje opreme može timovima za održavanje omogućiti da planiraju intervenciju, umesto da reaguju na neočekivano isključivanje.
Korist nije ograničena na troškove održavanja.
To može obuhvatati i:
- Manje neplaniranih zastoja
- Veći kontinuitet proizvodnje
- Bolje planiranje rezervnih delova
- Manje hitnih intervencija
- Manja izloženost osoblja
- Predvidljiviji termini održavanja
Tu prediktivno održavanje postaje deo autonomnog operativnog modela, umesto da ostane izolovana analitička aplikacija.
Robotika može ukloniti ljude iz repetitivnih opasnih zadataka
Inspekcija je još jedno područje u kojem se autonomija može relativno brzo razvijati.
Dronovi, kopneni roboti, pomorski roboti i automatizovani sistemi za inspekciju mogu prikupljati vizuelne, termalne i druge podatke o stanju sa lokacija kojima je osoblju teško ili opasno da pristupi.
Važan inženjerski korak jeste povezivanje ovih sistema sa širim tokom rada na održavanju.
Robot koji samo proizvodi slike i dalje ostavlja čoveka odgovornim za njihovu analizu. Integrisaniji sistem može da prikuplja podatke inspekcije, upoređuje ih sa istorijskim stanjima, prepoznaje promene, klasifikuje potencijalne nedostatke i kreira preporuku za održavanje.
Dugoročna arhitektura može povezati:
Robot -> podaci inspekcije -> analitika -> model stanja opreme -> radni tok održavanja -> odobrenje čoveka ili automatizovani odgovor
Time se stvara zatvorena informaciona petlja.
Cilj ne treba da bude uvođenje robotike samo zato što su roboti dostupni. Bolji pristup je identifikovati zadatke kod kojih izloženost ljudi, učestalost inspekcija, otežan pristup ili repetitivni rad stvaraju merljiv operativni problem.
Autonomne bušotine zahtevaju neprekidnu optimizaciju
Operacije na bušotinama predstavljaju još jednu zanimljivu primenu.
Pritisak, protok, performanse ubrizgavanja, stanje pumpe i ponašanje ležišta mogu se neprekidno menjati. Strategija upravljanja koja dobro funkcioniše u jednom skupu uslova može postati manje efikasna kako se radno stanje menja.
Kontinuirano praćenje u kombinaciji sa adaptivnim upravljanjem stoga može da omogući odzivniji pristup.
Na primer, tehnologija regenerativnog pogona primenjena na više od 130 bušotina sa klipnim pumpama pokazala je kako modernizacija pogona može da objedini povrat energije sa poboljšanim upravljanjem i podacima o performansama u realnom vremenu. U prijavljenoj primeni ostvarena je regeneracija energije od 17%, pri čemu je ponovo iskorišćeno 95% povraćene energije, a procenjeno je da bi pri punoj primeni mesečna ušteda energije iznosila 3 miliona USD.
Važnija činjenica iz perspektive automatizacije jeste da modernizacija takođe stvara sloj podataka spreman za AI.
Bez kvalitetnih operativnih podataka, prediktivno održavanje i autonomna optimizacija ostaju teorijski koncepti.
Ubrizgavanje vode pokazuje potencijal prediktivnog upravljanja
Ubrizgavanje vode pruža još jedan primer kako napredno upravljanje može direktno da utiče na proizvodnju.
U jednom prijavljenom primeru primene, MPC je uveden na 35 pumpi za ubrizgavanje vode i tri jedinice i postrojenja za transfer između ležišta. Sistem je automatski prilagođavao radne uslove na osnovu predviđenog ponašanja procesa.
Primena je povećala ubrizgavanje vode za gotovo 36.000 bpd, podržala dodatnu proizvodnju od 548 bopd i smanjila potrošnju energije za 3%.
Pouka za inženjersku praksu je značajna.
Autonomija ne zahteva uvek složen AI sistem. U nekim primenama, dobro osmišljena strategija prediktivnog upravljanja sa pouzdanom instrumentacijom i jasno definisanim ograničenjima može doneti praktičniju vrednost od nepotrebno složene AI arhitekture.
Odgovarajuća tehnologija treba da prati problem u radu, a ne obrnuto.
Prediktivno održavanje menja model održavanja
Tradicionalne strategije održavanja uglavnom se zasnivaju na preventivnim rasporedima ili reaktivnim odgovorima.
Autonomno održavanje uvodi treću mogućnost: intervenciju na osnovu stvarnog stanja opreme.
Kod rotacione opreme, praćenje stanja može da prepozna promene vibracija, temperature, opterećenja, pritiska ili drugih radnih parametara pre nego što se dostigne konvencionalni prag alarma.
U jednom prijavljenom primeru primene u bušenju na moru korišćeni su dinamički indeks stanja opreme, statistička detekcija anomalija i računarstvo na ivici mreže za praćenje opreme u realnom vremenu i prepoznavanje odstupanja od uobičajenog ponašanja.
Sledeći korak je povezivanje tih pojedinačnih modela opreme u okviru celog preduzeća.
Ako se podaci o performansama sa više bušaćih postrojenja, platformi ili proizvodnih objekata analiziraju zajedno, operateri mogu da uporede ponašanje opreme u različitim uslovima okruženja i rada.
AI zatim može pomoći u identifikovanju obrazaca koje je teško otkriti praćenjem pojedinačnih sredstava.
Tu autonomija počinje da prevazilazi pojedinačna rešenja i usmerava se ka optimizaciji sredstava na nivou flote.
Upravljačkom sistemu su i dalje potrebne jasne granice
Jedno od najvažnijih inženjerskih pitanja jeste definisanje onoga što je autonomnom sistemu dozvoljeno da radi.
AI model može da izradi preporuku, ali upravljački sistem i dalje mora da utvrdi da li je ta preporuka dozvoljena.
Kod kritičnih procesa arhitektura treba jasno da razdvoji:
- Ciljevi optimizacije
- Granice normalnog rada
- Ograničenja opreme
- Ograničenja procesa
- Bezbednosna ograničenja
- Funkcije blokade
- Funkcije za hitno zaustavljanje
- Odobrenje operatera
Bezbednosne sisteme ne treba jednostavno tretirati kao još jedan podsistem kojim upravlja AI.
Autonomni sloj treba da funkcioniše u okviru utvrđenih granica, dok nezavisne zaštitne funkcije nastavljaju da obavljaju svoju predviđenu bezbednosnu ulogu.
Ovo razdvajanje je ključno za izgradnju poverenja u autonomne operacije.
Sajber-bezbednost postaje deo upravljačke arhitekture
Veća povezanost takođe stvara više napadnih površina.
Povezivanje terenskih uređaja, kontrolera, ivičnih računara, centara za daljinske operacije, cloud platformi i poslovnih sistema može pružiti značajnu operativnu vrednost, ali svaku dodatnu vezu treba razmotriti iz perspektive OT sajber-bezbednosti.
Savremena autonomna arhitektura zato zahteva više od zaštitnih zidova.
Operaterima su potrebni pregled imovine, segmentacija mreže, upravljanje ranjivostima, kontrola pristupa, nadzor i odgovarajuće razdvajanje sistema sa različitim nivoima operativnih posledica.
Cilj nije samo zaštita IT informacija.
Kompromitovano OT okruženje može uticati na fizičke procese, kontinuitet proizvodnje i potencijalno bezbednost osoblja.
Zato sajber-bezbednost treba razmatrati tokom faze arhitekture, a ne je dodavati nakon što je autonomna aplikacija već implementirana.
Izbegavanje problema „pilot-projekata u čistilištu“
Jedna od najvećih prepreka industrijskoj autonomiji nije tehnologija. To je nemogućnost skaliranja uspešnih pilot-projekata.
Kompanija može da pokaže da AI model otkriva anomalije na opremi ili da autonomni inspekcijski robot funkcioniše na jednoj platformi. Ali ako svaka naredna implementacija zahteva potpuno novu arhitekturu, integracione napore i inženjersku reviziju, ekonomska prednost brzo nestaje.
Skalabilni pristup od početka treba da definiše sledeće:
- Operativni problem
- Merljivi poslovni cilj
- Potrebni izvori podataka
- Ograničenja upravljanja i bezbednosti
- Zahtevi za sajber-bezbednost
- Zahtevi za intervenciju čoveka
- Kriterijumi performansi
- Metodologija replikacije
Time se pilot-projekat pretvara u ponovljiv inženjerski obrazac.
Za operatere sa stotinama bušotina, više platformi ili standardizovanim postrojenjima za preradu, ponovljivost na kraju može biti vrednija od performansi bilo kog pojedinačnog AI modela.
Praktična mapa puta ka autonomnim operacijama
Potpuno autonomno postrojenje retko bi trebalo da bude prvi cilj.
Praktičniji redosled je:
Instrument -> povezati -> kontekstualizovati -> nadgledati -> predvideti -> preporučiti -> nadzirati -> automatizovati odabrane reakcije -> proširiti autonomiju
Prvi zahtev su pouzdani podaci.
Senzori moraju biti kalibrisani i održavani. Oznake moraju imati dosledno imenovanje i kontekst. Istorijski podaci moraju biti upotrebljivi. Mrežna arhitektura mora obezbediti odgovarajuću dostupnost i bezbednost.
Kada ta osnova postoji, operateri mogu da izaberu primene kod kojih je operativna korist merljiva, a posledice pogrešne odluke mogu da se kontrolišu.
Sledeći korak je precizno definisanje trenutka kada sistem može da deluje samostalno i trenutka kada operater mora da odobri radnju.
Time se stvara kontrolisano širenje autonomije, umesto nekontrolisanog pokušaja da se sve automatizuje.
Budućnost nije u suprotstavljanju ljudi i mašina
Najkorisnije je industrijsku autonomiju posmatrati ne kao zamenu za operatere, inženjere ili osoblje za održavanje.
Reč je o preraspodeli rada.
Mašine su pogodne za neprekidno praćenje hiljada signala, poređenje trenutnih uslova sa istorijskim obrascima, izračunavanje upravljačkih odziva i izvršavanje ponavljajućih radnji u unapred definisanim granicama.
Ljudi su i dalje u boljoj poziciji za rešavanje složenih izuzetaka, neusaglašenih ciljeva, neuobičajenih radnih uslova, bezbednosnih odluka i situacija u kojima su dostupni podaci nepotpuni.
Zato najefikasniji operativni model objedinjuje i jedno i drugo.
Autonomija treba da preuzme veći deo rutinskog ciklusa donošenja odluka, dok ljudska stručnost ostaje usmerena na odluke kod kojih su kontekst, iskustvo i odgovornost najvažniji.
Zaključak: Gradite autonomiju korak po korak, kroz proverene primene
Autonomija u naftnoj i gasnoj industriji neće nastati uvođenjem jedne tehnologije.
Razvijaće se kroz povezane upravljačke sisteme, inteligentne terenske uređaje, računarstvo na ivici mreže, MPC, prediktivno održavanje, robotiku, AI i bezbedne OT arhitekture koje rade zajedno.
Inženjerski izazov nije samo utvrditi da li AI može da donese odluku. Potrebno je utvrditi koje odluke se mogu bezbedno automatizovati, koje su informacije sistemu potrebne, koja ograničenja moraju biti primenjena i gde ljudsko ovlašćenje mora ostati.
Zato prelazak sa automatizacije na autonomiju treba posmatrati kao inženjerski program, a ne kao AI projekat.
Operateri koji uspostave pouzdane temelje podataka, skalabilne arhitekture i jasno definisane granice upravljanja mogu postepeno prebaciti rutinsko nadgledanje, dijagnostiku i optimizaciju na autonomno izvršavanje.
Krajnji cilj nije stvaranje operacija bez ljudi.
Cilj je stvoriti operacije u kojima tehnologija brže i doslednije donosi rutinske odluke, dok inženjeri i operateri usmeravaju pažnju tamo gde ljudsko rasuđivanje ima najveću operativnu vrednost.
