O krok przed zapotrzebowaniem

Jak sztuczna inteligencja pomaga ograniczać straty energii w sprężarkowniach w przemyśle

Sprężone powietrze odgrywa istotną rolę w funkcjonowaniu zakładów przemysłowych. Jego wytwarzanie jest energochłonne i często stanowi istotny koszt w procesie wytwarzania, dlatego poprawa efektywności energetycznej sprężarkowni może przynieść wymierne oszczędności. Projekt zrealizowany przez Marani Sp. z o.o. pokazał, jak wykorzystać dane z istniejących instalacji do podejmowania trafniejszych decyzji o pracy sprężarek.

 

Optymalizacja pracy maszyn biorąca pod uwagę zarówno koszt energii jak i procesu

Rosnące ceny energii elektrycznej, wymogi ograniczania emisji i potrzeba niezawodnej produkcji sprawiają, że zakłady przemysłowe coraz dokładniej analizują koszt wytwarzania mediów technicznych. W przeciwieństwie do energii elektrycznej doprowadzonej przewodowo do sprężarek ze stacji transformatorowej, sprężone powietrze powstaje na miejscu w sprężarkowni i jest rozprowadzane w pneumatycznej sieci zakładowej. Stąd też sprężone powietrze bywa w przemyśle nazywane czwartym medium. Każda nieużyteczna godzina pracy urządzeń generuje dodatkowy koszt procesowy.

Podczas pracy pod obciążeniem sprężarka śrubowa dostarcza sprężone powietrze na potrzeby sieci zakładowej. W stanie odciążenia, na tzw. biegu jałowym, pozostaje uruchomiona, pobierając energię elektryczną, nie dostarczając jednak użytecznego powietrza. Taki stan pozwala na szybki powrót do obciążenia w przypadku nagłej potrzeby, lecz utrzymywanie go zbyt długo oznacza stratę energii elektrycznej. Gdy profil zapotrzebowania na sprężone powietrze obejmuje kilkadziesiąt lub więcej odbiorców, zmiany zapotrzebowania mogą występować co kilka minut, a wybór właściwej liczby pracujących sprężarek staje się trudny.

W celu zapewnienia stabilnych dostaw sprężonego powietrza w układach wielosprężarkowych zalecane jest wprowadzenie synchronizacji i sekwencjonowania ich pracy. Tradycyjny sterownik nadrzędny na bazie przebiegu ciśnienia w instalacji dobiera liczbę maszyn przez odpowiednie obciążanie lub odciążanie urządzeń. Działa więc reaktywnie do przebiegu ciśnienia w odpowiedzi na zmienne bieżące zapotrzebowanie. Aby uniknąć spadków ciśnienia mogących prowadzić do przerw w produkcji (maszyna po wyłączeniu nie nadaje się od razu do ponownego uruchomienia), spodziewając się nagłego spadku ciśnienia, może pozostawiać dodatkową sprężarkę w gotowości. Bezpieczna rezerwa procesowa związana jest jednak z kosztem poświęconej energii. Na bazie przeprowadzonych badań zaproponowano, aby sterownik nie tylko reagował na zmienny pomiar, ale otrzymywał informację o prawdopodobnym zapotrzebowaniu oraz liczbie pracujących maszyn w nadchodzących minutach.

Takie podejście zostało wykorzystane przez Marani Sp. z o.o. w projekcie pn. „Zastosowanie innowacyjnej technologii cyfrowej w procesie świadczenia dostaw gazów technicznych”, zrealizowanym w ramach Działania FESL.01.08 „Innowacje cyfrowe w MŚP” programu Fundusze Europejskie dla Śląskiego 2021–2027. Projekt współfinansowany ze środków Unii Europejskiej obejmował doskonalenie cyfrowego wsparcia dostaw sprężonego powietrza i azotu, wdrożenie infrastruktury do zaawansowanej analizy danych procesowych oraz wzmocnienie cyberbezpieczeństwa.

 

Co sztuczna inteligencja może przewidzieć?

Często pomiar energii elektrycznej czy ilości wyprodukowanego sprężonego powietrza pozostaje po stronie zakładu i stanowi bazę do rozliczeń oraz obliczania współczynników efektywności energetycznej. Dla sterownika nadrzędnego te rzeczywiste informacje mogą nie być dostępne. Zaproponowano odzwierciedlenie zmiennego „charakteru” danego zakładu produkcyjnego na bazie niezbędnych dla regulacji sygnałów już istniejących w systemie sterowania nadrzędnego. W zależności od profilu produkcji danego klienta dobrano odpowiedni okres próbkowania danych treningowych, a do uczenia modelu wykorzystywano historię wielu tygodni pracy. Takie rozwiązanie dostarcza potencjał analizy nie tylko pojedynczych odczytów, lecz następujących po sobie sekwencji zdarzeń. Można zaobserwować, jakie zdarzenia mogą poprzedzać wzrost zapotrzebowania, jak szybko spada ciśnienie i przy jakiej konfiguracji maszyn instalacja działa stabilnie.

Do rozpoznawania takich sekwencji zastosowano dwukierunkowy model LSTM. Inspirację tutaj również stanowił sektor energetyczny, gdzie przy przewidywaniu krótkotrwałego zapotrzebowania na energię elektryczną gospodarstw domowych aglomeracji miejskich takie sieci neuronowe doskonale się sprawdzają. Opracowany model przeznaczony jest do analizy tysięcy sekwencji danych zmieniających się w czasie. Można porównać go do doświadczonego operatora, który dzięki obserwacji pracy instalacji rozpoznaje charakterystyczne wzorce i potrafi przewidzieć wzrost zapotrzebowania - jednak przewyższa go swoją „intuicją” i jest w stanie dostrzec zależności, których ludzki operator nie jest w stanie tak efektywnie przewidywać. Duża liczba zapisanych pomiarów umożliwiła efektywne wytrenowanie modelu.

Podsumowując, zaproponowane rozwiązanie: model przewiduje, czy w momencie wystąpienia zdarzenia na obiekcie dana sprężarka będzie potrzebna, czy można ją bezpiecznie wyłączyć, biorąc pod uwagę koszt procesowy decyzji fałszywie negatywnych. Prognoza nie zastępuje jednak dotychczasowej automatyki, przechodzi przez dodatkowy mechanizm bezpieczeństwa, a decyzje o zmianie pracy urządzeń biorą również pod uwagę ograniczenia technologiczne poszczególnych maszyn wchodzących w skład sprężarkowni. Warstwa sterowania ocenia sytuację w krótkich okresach, zachowując możliwość reakcji na bieżące warunki.

Ważną zaletą rozwiązania jest wykorzystanie sygnałów już dostępnych w instalacji, bez konieczności montażu dodatkowego, kosztownego opomiarowania w instalacjach odbiorczych. Takie podejście umożliwia łatwe wdrożenie rozwiązania w istniejących sprężarkowniach. Należy jednak podkreślić, że każdy obiekt musi być rozpatrywany indywidualnie: instalacje różnią się rodzajami, liczbą maszyn, dynamiką ciśnienia i profilem pracy zakładu.

 

Bezpieczeństwo przede wszystkim: asymetryczność kosztów procesowych

Dla wdrożonego rozwiązania nie wszystkie błędy predykcji mają jednakowe skutki. Jeśli algorytm niepotrzebnie pozostawi urządzenie w gotowości, część potencjalnych oszczędności energii elektrycznej przepada, ale nie stwarza ryzyka zachwiania stabilności dostaw. Jeżeli natomiast zaproponuje wyłączenie sprężarki, która za chwilę będzie potrzebna, może grozić zatrzymaniem w produkcji w przypadku spadku ciśnienia poniżej krytycznego poziomu. Dlatego jednym z kluczowych założeń projektu było opracowanie rozwiązania, które poza skuteczną optymalizacją zużycia energii zapewnia również bezpieczeństwo i ciągłość pracy instalacji.

Na potrzeby zakładów produkcyjnych opracowano różne modele sieci neuronowych, które odzwierciedlają wspomniane ryzyko przez wykorzystanie m.in. dedykowanych funkcji straty uwzględniających asymetryczny koszt negatywnych skutków. W praktyce oznacza to, że nie wszystkie błędy prognozy traktowane są jednakowo, np. większą wagę przypisano błędom, które mogłyby doprowadzić do wyłączenia sprężarki niezbędnej do utrzymania właściwego ciśnienia procesowego. Rozwiązanie uzupełniono o dodatkowe mechanizmy zabezpieczające wynikające z doświadczenia firmy w dostarczaniu wysokiej jakości rozwiązań w sektorze sprężonego powietrza. Dzięki temu decyzje podejmowane na podstawie prognoz sztucznej inteligencji podlegają określonym ograniczeniom, a optymalizacja energetyczna nie odbywa się kosztem bezpieczeństwa dostaw.

W projekcie uwzględniono również konieczność utrzymania skuteczności rozwiązania po jego wdrożeniu. Zmiany profilu produkcji, harmonogramów pracy czy liczby odbiorców sprężonego powietrza mogą sprawić, że zależności rozpoznane wcześniej przez model przestaną odpowiadać aktualnym warunkom. Zjawisko to wpisuje się w koncepcję dryftu koncepcyjnego i odzwierciedla zmianę profilu zapotrzebowania na sprężone powietrze w trakcie pracy zakładu. W opracowanym rozwiązaniu przewidziano mechanizmy nadzoru nad działaniem modelu, kontrolę warunków bezpieczeństwa oraz możliwość jego ponownego trenowania w przypadku istotnych zmian w pracy instalacji.

 

Jaki jest wynik wdrożenia?

Opracowane w ramach projektu rozwiązanie zweryfikowano na kilkunastu obiektach przemysłowych, a następnie wdrożono do eksploatacji produkcyjnej na dziesięciu obiektach. Najbardziej wymiernym efektem było ograniczenie czasu pracy sprężarek na biegu jałowym bez zachwiania stabilności dostaw sprężonego powietrza.

Przedstawione powyżej 83% dotyczy skrócenia czasu pracy na biegu jałowym względem stanu początkowego, a nie zmniejszenia całkowitego zużycia energii o taki sam odsetek. Wielkość oszczędności w kilowatogodzinach zależy od mocy pobieranej przez sprężarkę podczas odciążenia, sposobu przełączania maszyn oraz obciążenia instalacji. Aby określić rzeczywisty efekt energetyczny, potrzebne jest porównanie zużycia energii przed zmianą sterowania i po niej, najlepiej przy możliwie analogicznym profilu zapotrzebowania.

Skalę możliwych korzyści pokazuje przykład obliczeniowy, który nie jest wynikiem pomiarów z projektu. Gdyby sprężarka pobierała podczas biegu jałowego 30 kW, a zmiana sterowania pozwoliła uniknąć 830 godzin tego stanu rocznie, potencjalna oszczędność wyniosłaby 24 900 kWh. Przy przyjętej cenie 0,80 zł/kWh odpowiadałoby to 19 920 zł rocznie, przed uwzględnieniem pozostałych zmian pracy układu.

W przypadku wdrożonych układów osiągane korzyści zależą od charakterystyki danego zakładu produkcyjnego i jego potencjału optymalizacyjnego. Przy wysoko zoptymalizowanych obiektach wyposażonych w najnowocześniejsze maszyny oszczędności mogły wynosić około 800 zł miesięcznie. Przy obiektach bez najnowocześniejszych maszyn oszczędności mogły dochodzić nawet do 6 500 zł w skali miesiąca pozwalając zakładowi utrzymać istniejącą infrastrukturę lub zainwestować oszczędności w wymianę jednej z maszyn sprężarkowni na wydajniejszą energetycznie.

 

Infrastruktura i cyberbezpieczeństwo

W ramach realizacji projektu Marani Sp. z o.o. rozbudowała infrastrukturę informatyczną, tworząc zaplecze technologiczne niezbędne do wdrożenia i eksploatacji predykcyjnego systemu sterowania. Inwestycja objęła m.in. serwer obliczeniowy AI, macierz dyskową zapewniającą przechowywanie i archiwizację danych procesowych, przełączniki sieciowe, zaporę sieciową oraz pozostałe elementy infrastruktury IT.

Nowe środowisko umożliwiło gromadzenie i przetwarzanie danych procesowych, historycznych, trenowanie modeli sieci neuronowych oraz wykonywanie obliczeń symulacyjnych dla celów predykcji. Rozbudowana infrastruktura sieciowa zapewniła komunikację pomiędzy systemem analitycznym a przemysłowymi układami sterowania, natomiast wdrożone mechanizmy ochrony sieci zwiększyły poziom cyberbezpieczeństwa, wspierając integralność danych, kontrolę dostępu i niezawodność działania całego rozwiązania.

Najważniejszym rezultatem projektu nie było samo zastosowanie sieci neuronowej, lecz połączenie danych z pomiarów, analizy danych historycznych, prognozowania, zabezpieczeń i sterowania nadrzędnego w jedno spójne rozwiązanie przemysłowe. Pozwoliło to ograniczać nieużyteczną pracę sprężarek, nie rezygnując z priorytetu zachowania stabilności dostaw sprężonego powietrza.

Marani Sp. z o.o.
marani.pl


Artykuł powstał w ramach działań informacyjno-promocyjnych projektu nr FESL.01.08-IP.01-098H/24-004 pn. „Zastosowanie innowacyjnej technologii cyfrowej w procesie świadczenia dostaw gazów technicznych”, zrealizowanego przez Marani Sp. z o.o.
Projekt został współfinansowany ze środków Unii Europejskiej w ramach Działania FESL.01.08 „Innowacje cyfrowe w MŚP” programu Fundusze Europejskie dla Śląskiego 2021–2027.

 

Przeczytaj również

Aktualności, Technologie i produkty

16 listopada 2026

O krok przed zapotrzebowaniem

Aktualności, Technologie i produkty

14 listopada 2026

Napędy w przetwórstwie drobiu: higiena, niezawodność i efektywność w jednym systemie

Wydarzenia

12 listopada 2026

Warsaw Industry Week 2026: dekada napędzania przemysłu. Jubileuszowa edycja za nami

Wydarzenia

11 listopada 2026

TOOLEX 2026 za nami. Jakość, technologia i lokalny potencjał napędzają polski przemysł

Promuj swoją firmę wśród ekspertów branży

Docieraj do inżynierów i kadry zarządzającej w przemyśle. Wybierz sprawdzone źródło wiedzy technicznej jako platformę dla wizerunku Twojej marki.

Nasi partnerzy