BLIC vooruit
Chemiebedrijven beschikken over heel veel data, waarvan slechts een klein deel gebruikt wordt voor veiligheidsdoeleinden. Het voorkomen van incidenten is nu vooral gericht op het achteraf verklaren waarom en hoe een incident heeft kunnen plaatsvinden. Naar voorspellende modellen voor incidenten wordt nog maar weinig onderzoek gedaan.
Het project BLIC vooruit (Beter Leren van Informatie in de Chemie door vooruitkijken) omvat pilootprojecten die samen met enkele fabrieken op de Nederlandse chemiesite Chemelot zijn uitgevoerd met geavanceerde data-analysetechnieken en kunstmatige intelligentie (AI). Het is een initiatief van Brightsite, het kenniscentrum van Chemelot voor de verduurzaming van de industrie.
Handreiking met stappenplan
Op basis van de pilootprojecten werd een handreiking met stappenplan gemaakt om zwakke signalen en patronen te vinden in de fabrieksdata met behulp van technieken zoals AI. Het doel is onder andere om beter en sneller inzicht te krijgen in het ontstaan en het verloop van afwijkingen in (complexe) processen. Zo kan sneller ingegrepen worden als het fout dreigt te gaan.
Het stappenplan kan als leidraad gebruikt worden door bedrijven die zelf AI willen inzetten voor de verbetering van procesveiligheid. Bij elke stap wordt ook besproken hoe die verlopen is binnen Chemelot. Er zijn zes stappen:
1. Opzetten en inrichten van een praktijkgemeenschap.
Deze groep mensen begeleidt het project. Het is een groep van individuen of bedrijven die informeel met elkaar verbonden zijn door een gedeelde kennis van en interesse in gemeenschappelijke vraagstukken. Die wisselen ze met elkaar uit om ervan te leren. De handreiking bevat een checklist van elementen waarmee je rekening moet houden bij het opzetten en inrichten van zo’n praktijkgemeenschap. Het is bijvoorbeeld belangrijk om juridische obstakels aan te pakken: chemiebedrijven, zeker als ze beschikken over grote datavolumes en geavanceerde analysetechnieken, stuiten al snel op de grenzen van bedrijfsgeheimen.
2. Databronnen met leerpotentieel selecteren
Nadat de praktijkgemeenschap is opgericht, worden mogelijke databronnen met leerpotentieel opgespoord. Die info wordt daarna met alle deelnemers gedeeld en er wordt afgestemd wie welke data zal analyseren, hoe dat wordt gedaan (welke analysetechniek), wat mogelijk leerpotentieel is, de samenhang ervan en de mogelijke toepassingen. Er zijn in principe drie soorten databronnen: bedrijfsinterne data, sector- of clusterdata en externe data. In het pilootproject is onder andere gewerkt met onderhoudsmeldingen, wachtverslagen, numerieke automation data en inspectierapporten.
3. Geschikte en effectieve analysetechnieken selecteren
Geavanceerde technologie voor data-analyse kan organisaties helpen om beter te leren van informatie. De keuze van de analysetechniek hangt af van zowel het type gegevens (databronnen) als de specifieke doelen van de analyse.
4. Zwakke signalen in de data identificeren
In deze stap worden de data verzameld, verwerkt, geanalyseerd en geïnterpreteerd. Bij de verwerking van de data wordt gekeken naar specifieke patronen of trends die wijzen op zwakke signalen, zoals een toename van ongewone voorvallen. Een beschrijving van de context voor elk van die signalen levert aanvullende informatie die het mogelijk maakt om zwakke signalen beter te kunnen begrijpen en duiden.
5. Leerpotentieel vaststellen
Deze stap gaat over het interpreteren van de gedetailleerde resultaten en het omzetten daarvan naar specifiek leerpotentieel. Het leerpotentieel van elk bedrijf wordt verzameld en gedeeld met alle deelnemers in de praktijkgemeenschap. De stappen voor het vaststellen en toepassen van leerpotentieel gebeurt op basis van PDCA (plan-do-check-act).
6. Leerpotentieel delen en communiceren
In de laatste stap wordt het leerpotentieel effectief gedeeld en gecommuniceerd binnen de praktijkgemeenschap.
Pilootproject
Voor het pilootproject waarop de uitwerking van het stappenplan is gebaseerd, werd een praktijkgemeenschap op Chemelot opgezet. De praktijkgemeenschap die de naam Early Warning Coalitie (EWC) kreeg, bestond uit vier Sevesobedrijven die actief zijn op de site van Chemelot, aangevuld met zes andere partners die hun expertise aanleverden (bv. data-analyse, onderzoek).
Impact van weersomstandigheden op incidenten
Het project leidde tot interessante inzichten. Een van de vier bedrijven ging aan de slag met verschillende databronnen om te zien of er een verband is tussen weersomstandigheden en incidenten. Daarvoor werd gebruik gemaakt van meteodata, onderhoudsmeldingen en overzichten van ongewone voorvallen.
De resultaten tonen aan dat er effectief een samenhang is. Er lijkt meer kans op ongewone voorvallen bij:
- temperaturen tussen 27,7 en 31,1 °C, en
- temperaturen onder nul in combinatie met een hoge relatieve vochtigheid, en
- windsnelheden tussen 10,6-11,8 m/s
Opvallend was dat hitte (hoge temperatuur en hoge relatieve vochtigheid) en windsnelheden boven 11,8 m/s geen grotere kans op ongewone voorvallen geven. Een mogelijke verklaring daarvoor is dat het bedrijf procedures heeft om bij hitte en harde wind het werk aan te passen of te stoppen. Voor andere weersomstandigheden zijn er geen specifieke procedures uitgewerkt. Het bedrijf gaat nu na of hier wel nood aan is.
Bron/Meer informatie: Brightsite: Handreiking BLIC vooruit - Beter Leren van Informatie in de Chemie
