Урок 4: Цифровой двойник нефтепереработки — Honeywell UOP, AspenTech, Yokogawa, Сибур

Чему вы научитесь

• Отличать цифровой двойник НПЗ от обычного historian-dashboard или 3D-модели установки
• Видеть обязательные слои refinery twin: sensor data, LIMS, simulation, soft sensors, optimisation и operator console
• Разбирать Honeywell UOP, AspenTech, Yokogawa и Cognite как разные архитектурные школы downstream AI
• Понимать, где в российском контуре идёт замещение Aspen/Hysys и что реально можно повторить на своём заводе
• Формулировать дорожную карту refinery twin без фантазии про «полностью автономный НПЗ»

В нефтепереработке digital twin — это не красивый digital replica завода, а рабочий контур, который помогает держать установку ближе к оптимуму по yield, energy, reliability и catalyst health. Именно поэтому downstream twin почти всегда строится как hybrid stack: process simulation + online data + ML soft sensors + операторский advisory.

Как выглядит twin НПЗ по слоям

flowchart LR
    A[DCS APC Historian] --> D[Data fabric]
    B[LIMS and lab] --> D
    C[ERP and planning] --> D
    D --> E[Process simulation]
    D --> F[ML soft sensors]
    E --> G[Optimization engine]
    F --> G
    G --> H[Operator console and recommendations]
    H --> I[Manual confirmation / APC update]
    I --> J[Feedback and recalibration]
    J --> E
    J --> F

Honeywell UOP — школа digital services вокруг know-how

Honeywell UOP интересно тем, что продаёт не только software, а связку process know-how + digital layer. В официальной UOP brochure сказано, что medium-size refinery, оснащённый UOP Digital Solutions, может получать около $34 млн дополнительной прибыли в год при assumptions в 300 KBPD, $13/BBL margin и 2,5% better throughput (Honeywell UOP brochure, 2024).

У того же Honeywell есть и более прикладной слой: Connected Services и Performance+ рассчитаны на продление runs и рост margin, а конкретные customer stories компания обычно подаёт как multi-million эффект без универсальной цифры для каждого НПЗ (Honeywell Connected Services).

Практический смысл тут не в том, что у вас тоже получится $34 млн. Смысл в другом: refinery twin монетизируется через margin, throughput, yield, availability и energy. Это downstream-логика, а не универсальный AI value statement.

AspenTech — бывший de facto стандарт downstream simulation

До ухода из российского легального контура AspenTech был почти обязательным reference layer для process simulation, planning и advanced optimisation в нефтепереработке и нефтехимии. В материалах AspenTech V15 прямо упор делается на Industrial AI, GenAI for process workflows и упрощение engineering workflows (AspenTech V15 blog; Hydrocarbon Processing, 13.05.2025).

Для российского CDTO важен не сам бренд Aspen, а архитектурный урок: process model в refinery twin — это core, а не приятное дополнение к ML.

Yokogawa и KBC — школа plant performance

Yokogawa смотрит на downstream twin через performance management, integrated plant control и переход к autonomous operations. Их FKDPP и связанный стек важны не только для RL, но и как пример того, что модель ценности строится вокруг plant performance и operator action, а не вокруг data lake ради data lake (Yokogawa IA2IA).

Если Honeywell сильнее упирает в process know-how and services, то Yokogawa — в контур автоматизации и path toward autonomy. Для НПЗ это две разные стратегии внедрения.

Cognite как data layer для refinery twin

Cognite важен не как «ещё одна AI-платформа», а как сильный industrial data layer. В открытых customer materials по downstream и adjacent energy компания показывает, что проблема НПЗ — не отсутствие модели, а отсутствие единого контекста между PI/historian, engineering docs, SAP, maintenance records и engineering hierarchy (Cognite downstream energy).

По кейсу Cosmo Energy в research pack фигурируют ориентиры 250 млрд data points, 5 млн engineering docs и 1 млн единиц оборудования на трёх японских НПЗ; на текущей публичной customer page Cognite хорошо подтверждается сама архитектура «digital twin of the refinery», но эти конкретные цифры на доступной странице нужно перепроверить — нужна проверка (Cognite / Cosmo Energy).

Где на этом фоне находится Сибур

В российском контуре самая важная downstream story — не «мы повторили Aspen один в один», а «мы строим свой process modelling stack». ComNews в марте 2024 писал про консорциум Сибур/Газпром нефть/Новатэк/Еврохим и проект замещения Hysys с участием «Аэрогаз», с целевой полной заменой решения AspenTech к концу 2026 года (ComNews, 15.03.2024).

У Сибура есть и более ранний production-кейс цифровой модели реактора на Томскнефтехиме: компания прямо писала, что это one-of-a-kind решение для моделирования газохимических реакций, а суммарный экономический эффект от modelling and optimisation initiatives измеряется сотнями миллионов рублей в год (SIBUR, 05.11.2020; SIBUR magazine).

Какие модули refinery twin реально дают value

Что можно сделать на российском НПЗ без западного стека

1. Начните с data fabric, а не с LLM. Historian, лаборатория, журналы режимов, P&ID, EAM и planning должны быть связаны в единую модель объекта.

2. Выберите один контур маржи. Yield, energy, catalyst life или throughput — один основной KPI на старт.

3. Соберите гибридный twin. Process simulation отвечает за физику, soft sensors — за скорость и online prediction, operator console — за внедрение.

4. Сразу продумайте импортозамещение core simulation. То, что можно временно держать на legacy-лицензиях, не стоит делать фундаментом всей стратегии до 2030 года.

Красные флаги refinery twin

• Вам продают twin как 3D-экран без связи с APC, лабораторией и planning.
• Вендор говорит только про дашборды и ничего не говорит про calibration loop.
• Проект не содержит process engineer ownership.
• Все обещания строятся на LLM, а process model объявляется устаревшей.

Что делать дальше

Если вам нужен санкционный и vendor-контур, переходите в p.3/05 и p.10/02. Если хотите дальше углубиться в RL на process control — следующим читайте урок про reinforcement learning в управлении процессами.