BLIC Vooruit, beter leren van informatie in chemische industrie

Met het project BLIC Vooruit is, in samenwerking met ondermeer Chemelot, BrightSite en TNO, een belangrijke stap gezet naar proactieve veiligheid in de chemische industrie. Dit project laat zien dat nieuwe soorten datagedreven technologie, zoals AI, veelbelovend lijken om deze veiligheid te bevorderen door gevaren of verborgen patronen in Big Data te identificeren. Door dergelijke patronen vroegtijdig op te sporen kan worden ingegrepen, zodat incidenten kunnen worden voorkomen. Het identificeren en leren van zwakke signalen en patronen in (fabrieks)data, kan daarnaast ook een cultuur van continue verbetering van de (proces)veiligheid stimuleren. Het uiteindelijke doel is om de (chemische) industrie nog veiliger, duurzamer en efficiënter te maken. Binnen het project ‘BLIC Vooruit’ worden, samen met een ‘Community of Practice’, hiertoe de eerste stappen gezet dankzij de ontwikkeling van een voorspellend model voor procesveiligheid. Dit heeft geleid tot een stappenplan en handreiking waarmee fabrieken direct aan de slag kunnen.

Aanleiding

Chemelot streeft ernaar om medio 2030 één van de veiligste en duurzaamste chemiesites van Europa te zijn. Het project BLIC Vooruit (Beter Leren van Informatie in de Chemie door vooruitkijken) omvat experimenten die samen met vier fabrieken op Chemelot zijn uitgevoerd met geavanceerde data-analysetechnieken en kunstmatige intelligentie (AI). Dit project betreft een zogenaamde ‘Safety Deal’ waarin tien partijen onder leiding van Brightsite, het kenniscentrum binnen Chemelot voor de verduurzaming van de industrie, hebben samengewerkt. Voor het uitvoeren van dit project is een samenwerkingsverband opgericht, een zogenaamde Community of Practice (CoP), bestaande uit: SABIC, Envalior, AnQore, USG, Sitech, TNO, Chemelot Site Permit (CSP), Maastricht University, TU Delft en Safety Delta Nederland (SDN).

Stappenplan ‘Beter leren van informatie’

Het project heeft een stappenplan opgebouwd uit zes stappen opgeleverd om zwakke signalen en (verborgen) patronen in fabrieksdata te identificeren. Dit stappenplan dient ook als leidraad voor bedrijven die zelf AI willen inzetten voor verbetering van procesveiligheid. De inzichten die het stappenplan oplevert, helpen bij het lokaliseren van de grootste risico’s zodat proactief maatregelen genomen kunnen worden om incidenten te voorkomen.

Toelichting per stap

1 – Oprichten van een Community of Practice (CoP)

De CoP is opgericht met deelnemers van bedrijven op Chemelot, ondersteund door TNO, TU Delft en de SDN. Het doel van de CoP is om delen van kennis te faciliteren en zodoende leerprocessen door samenwerking te versnellen. De CoP richt zich op de ontwikkeling van voorspellende modellen om incidenten proactief te voorkomen. Door data te analyseren met innovatieve technieken zoals Natural Language Processing (NLP) en anomaly detection, ontstaan nieuwe inzichten waarmee bedrijven veiliger kunnen opereren.

2 – Selectie van databronnen met leerpotentieel

Elke deelnemer heeft eerst voor zichzelf bepaald welke databronnen mogelijk leerpotentieel (zwakke signalen) bevatten. Dit resulteerde in een palet aan databronnen, variërend van onderhoudsmeldingen en wachtdienstverslagen tot operationele data en meteorologische gegevens. Tabel 1 toont een overzicht van mogelijke databronnen. Deze databronnen werden tussen het betreffende bedrijf, Brightsite en TNO beoordeeld op leerpotentieel, toegankelijkheid en samenhang.

3 – Identificatie van features en selectie van analysetechnieken

Vervolgens is nagegaan wat de meest geschikte analysetechniek is om het leerpotentieel (zogenaamde ‘features’) uit die databronnen te ontginnen. Tijdens discussiesessies met de bedrijven werden deze geïdentificeerd en vastgesteld. Vervolgens werden geschikte analysetechnieken geselecteerd, zoals beschrijvende statistieken, sentimentanalyse, zero-shot classificatie, topic modeling, anomaly detection, Optical Character Recognition (OCR) en visualisatie, om signalen van veiligheidsrisico’s te detecteren. Om een TSA uit te voeren, werd lexicon gemaakt met behulp van experts van de bedrijven.

4 – Identificatie van zwakke signalen

Door data te analyseren, werden zwakke signalen zoals afwijkingen, ongebruikelijke trends en subtiele patronen gedetecteerd. Deze signalen bleken vaak te wijzen op latente risico’s die voorheen onopgemerkt bleven.

5 – Vaststellen van leerpotentieel

De analyse leverde concrete inzichten op, zoals verbanden tussen weersomstandigheden en incidenten, of een toename van onderhoudsmeldingen als mogelijke indicatie voor hogere werkdruk.

6 – Delen en communiceren

De resultaten werden gedeeld binnen de CoP via dashboards, rapporten en workshops. Dit bevorderde wederzijds begrip en inspiratie.

Voorbeelden van databronnen

De volgende vier casestudies illustreren hoe BLIC vooruit in de praktijk is gebracht:
AnQore richtte zich op meteorologische gegevens en onderhoudsrapporten. Analyse toonde aan dat bestaande protocollen – zoals voor hitte en harde wind – helpen om ongebruikelijke voorvallen te voorkomen. Een nieuw inzicht was dat lage temperaturen, samen met hoge luchtvochtigheid, vaker leidden tot potentieel onveilige situaties.

Envalior analyseerde wachtverslagen met NLP-technieken, zoals technische sentimentanalyse en topic modeling. Deze technieken identificeerden zowel specifieke zorggebieden als subtiele signalen over afwijkingen in geschillen. Dit stelde fabrieks- en veiligheidsmanagers in staat om sneller en effectiever een uitgebreid overzicht te krijgen.

SABIC analyseerde alarmgegevens van hun Distributed Control System (DCS). Anomaliedetectie gaf inzicht in de frequentie en duur van bepaalde veranderingen. De beoogde reikwijdte werd beperkt tot gegevens met potentiële indicatoren van de werkdruk van operators, zoals alarmen, moduswijzigingen en graadwijzigingen. Zoals verwacht kwamen verschillende duidelijke trends naar voren, waaronder een verhoogde werkdruk tijdens stops en specifieke activiteiten. Het werd echter ook duidelijk dat er tijdens ‘stille’ periodes nog steeds een groot aantal systeemberichten was die actie of opvolging door de operator vereisten, wat bijdroeg aan de algehele werkdruk.

CSP gebruikte inspectierapporten en managementbeoordelingen als gegevensbronnen. Een OCR-methode werd toegepast om gescande documenten om te zetten in machinaal leesbare gegevens. Vervolgens voerden we zero-shot classificatie uit om veiligheidsgerelateerde trends in de rapporten over de jaren heen te analyseren. De resultaten gaven aan dat het mogelijk zou kunnen zijn om zwakke signalen van onveilige situaties voorafgaand aan incidenten te identificeren.

Handreiking Blic Vooruit

Het gezamenlijk resultaat van het project is het stappenplan en de handreiking, waarin alle opgedane kennis en ervaring is samengevat. Het stappenplan is bedoeld om door bedrijven te worden gebruikt om hun procesveiligheid verder te verbeteren. De handreiking beschrijft hoe de eerste stappen op deze route gezet kunnen worden, zodat bedrijven niet opnieuw het wiel hoeven uit te vinden. Ook het opzetten en inrichten van een CoP is opgenomen in de handreiking, evenals de ervaringen van de deelnemers aan de CoP. De wetenschappelijke onderbouwing van de verschillende onderwerpen die deel uitmaken van deze handreiking is opgesteld en beschreven in een apart achtergronddocument van TNO. Dit document bevat bronnen uit de literatuur en theorieën over veiligheidsmanagement, organisatorisch leren, praktijkgemeenschappen en organisatorische leersystemen.

Conclusies en aanbevelingen

Het project BLIC vooruit heeft aangetoond dat het mogelijk is om met AI zwakke signalen en patronen uit big (fabrieks)data te identificeren en te benutten voor (proces)veiligheid. Door samenwerking in een CoP kunnen bedrijven sneller leren en inzicht krijgen in mogelijkheden om hun veiligheidsprestaties nog meer te verbeteren.

Belangrijke aanbevelingen zijn: