Revolutionizing Process Safety in the Petrochemical Industry Through Predictive Analytics
دیده¬بان دیجیتال: تحول ایمنی فرآیند در صنعت پتروشیمی از طریق تحلیل پیش بینی¬کننده
چکیده مدیریت
صنعت پتروشیمی به عنوان سنگ بنای اقتصاد جهانی ایستاده است و نفت خام و گاز طبیعی را به بلوک های سازنده محصولات بی شماری تبدیل می کند که زندگی مدرن را تعریف می کنند. با این حال، این صنعت حیاتی در محیطی ذاتاً خطرناک فعالیت می کند، جایی که جابجایی مواد قابل اشتعال، مواد قابل انفجار، مواد و ترکیبات سمی تحت دما و فشارهای بالا، همواره خطرات ذاتی همیشگی را به همراه دارد.
مدیریت ایمنی فرآیند برای مدت های طولانی، تکیه گاه محکمی در برابر رویدادهای فاجعه بار بوده است که بر چارچوب های سختگیرانه، روش های اجرایی و هوشیاری انسانی تکیه دارد. با این حال، مدیریت ایمنی فرآیند سنتی، اگرچه مؤثر است، اما اغلب واکنشی یا در بهترین حالت، پیش دستانه محدود است. این سیستم بر اساس بازرسی های دوره ای، نگهداری برنامه ریزی شده و بررسی رویدادها عمل می کند – الگویی که به خرابی ها ،انحرافات و شکست ها پس از وقوع رویدادها یا بر اساس تقویم می پردازد، نه لزوماً بر اساس نیاز واقعی.
پیدایش فناوری های صنعت نسل چهارم و پنجم، به ویژه تحلیل پیش¬بینی¬کننده توانمند شده توسط هوش مصنوعی و یادگیری ماشین، در آستانه درهم شکستن این چرخه واکنشی است. ما در طلوع یک دوره جدید در ایمنی فرآیند هستیم – دوره ای از پیشگیری پیش¬بینی¬کننده. با بهره گیری از داده های گسترده و پیش از این استفاده نشده تولید شده توسط تأسیسات صنعتی مدرن، راه حل های پیش¬بینی¬کننده می¬توانند خرابی¬های نوظهور، انحرافات ظریف فرآیند و مکانیسم های خوردگی را مدت ها قبل از اینکه به پیش نشانگرهای فاجعه تبدیل شوند، شناسایی کنند. این مقاله، از دیدگاه یک متخصص ایمنی مبتنی بر هوش مصنوعی، به توانایی دگرگون ساز فناوری پیش¬بینی¬کننده می پردازد.
این مقاله محدودیت های روش های سنتی را بررسی می کند، بخش های اصلی یک راه حل پیش¬بینی¬کننده را تعریف می کند، کاربردهای عملی آن را در حوزه های کلیدی ایمنی به طور مفصل شرح می دهد، یک نقشه راه اجرایی راهبردی را ترسیم می کند و صادقانه به چالش ها و جهت های آینده این انقلاب فناورانه می پردازد.
نظریه نهایی روشن است: ادغام تحلیل پیش¬بینی¬کننده در ایمنی فرآیند تنها یک ارتقاء عملیاتی نیست؛ این یک ضرورت اخلاقی برای حفاظت از افراد، محیط زیست و دارایی ها در چشم انداز پتروشیمی قرن بیست و یکم است.
1. الزام ایمنی فرآیند: بنیانی تحت فشار
پیش از تصور آینده، باید چالش های حال و گذشته را درک کرد. ایمنی فرآیند اساساً با ایمنی شغلی متفاوت است. در حالی که ایمنی شغلی بر پیشگیری از موارد فردی مانند لیز خوردن، گیر کردن پا، افتادن و آسیب¬های شخصی متمرکز است، ایمنی فرآیند مربوط به پیشگیری از انتشار فاجعه بار مواد شیمیایی، انرژی یا سایر مواد خطرناک است. قلمرو آن شامل رویدادهای عمده ای مانند آتش¬سوزی ها، انفجارها و ابرهای گاز سمی می شود.
1.1. محیط با ریسک بالا
تأسیسات پتروشیمی شبکه های پیچیده ای از واحدهای وابسته به هم هستند: واحدهای کراکر، واحدهای رفورمر، برج های تقطیر، راکتورها و کیلومترها لوله. آنها هیدروکربن ها را در حالت های مختلف، اغلب در شرایط شدید، جابجا می کنند. انرژی بالقوه موجود در یک تأسیسات منفرد بسیار عظیم است. پیامدهای از خروج ماده از ظرف LOC فقط مالی نیست – که به صدها میلیون یا حتی میلیاردها دلار می رسد – بلکه به طرز غم انگیزی انسانی و محیط زیستی است. تاریخ با رویدادهایی مانند بوپال، فلیکسبرو، پایپر آلفا و تگزاس سیتی لکه دار شده است که هر یک یادآور هشداردهنده هزینه ویرانگر انحرافات ایمنی فرآیند هستند.
2.1. پایه های مدیریت ایمنی فرآیند سنتی
برای دهه ها، این صنعت بر چارچوب های مدیریت ایمنی فرآیند نیرومند، مانند استاندارد سازمان ایمنی و سلامت شغلی CFR 1910.119 در ایالات متحده یا دستورالعمل Seveso III اتحادیه اروپا تکیه کرده است. این چارچوب ها حول عناصر کلیدی مانند موارد ذیل ساخته شده اند:
• تجزیه و تحلیل خطر فرآیند: روش های سیستماتیک (مانند تجزیه و تحلیل خطر و قابلیت عملیاتی، روش چه می شود اگر، تحلیل حالات شکست و اثرات آن) برای شناسایی و ارزیابی خطرات بالقوه.
• یکپارچگی مکانیکی: برنامه هایی برای اطمینان از طراحی، نصب و نگهداری صحیح تجهیزات بحرانی.
• مدیریت تغییر: یک فرآیند رسمی برای بررسی و تصویب تغییرات در فرآیندها، تجهیزات و روش های اجرایی.
• روش های اجرایی عملیاتی و آموزش: اطمینان از اینکه پرسنل تأسیسات را در محدوده های ایمن اداره می کنند.
• آمادگی اضطراری: برنامه ها و آموزش برای پاسخ به رویدادها.
• بررسی رویداد: تجزیه و تحلیل علت ریشه ای رویدادها برای جلوگیری از تکرار.
3.1. شکاف¬های لایه های حفاظتی: محدودیت¬های مدیریت ایمنی فرآیند سنتی
در حالی که این سیستم ها ضروری هستند، دارای محدودیت های ذاتی هستند که آسیب پذیری ایجاد می کنند:
• ماهیت واکنشی: بررسی رویداد و بسیاری از فعالیت های یکپارچگی مکانیکی اساساً واکنشی هستند. آنها از انحراف¬هایی که قبلاً اتفاق افتاده اند یاد می گیرند.
• نگهداری مبتنی بر زمان: نگهداری برنامه ریزی شده، چه بر اساس کار تا شکست و چه بازسازی دوره ای، ناکارآمد است. می تواند منجر به نگهداری غیرضروری (و بروز خطرات جدید) شود یا در صورت فرسودگی سریع تر ازمورد انتظار یک جزء، از خرابی جلوگیری نکند.
• سیلوی داده و تأخیر انسانی: تأسیسات مدرن حجم بسیار زیادی داده از سیستم های کنترل توزیع شده، سیستم های ابزار دقیق ایمنی، حسگرهای ارتعاش و پروب های خوردگی تولید می کنند. با این حال، این داده ها اغلب در سیستم های غیریکپارچه و مجزا قرار دارند. از مهندسان خواسته می شود تا به صورت دستی روندها را بررسی کنند، فرآیندی که به طرز ناامیدکننده ای ناکارآمد است و منجر به کرختی هشدار و از دست دادن سیگنال ها در میان نوفه و سرو صداها می شود.
• عدم توانایی در پیش بینی زنجیره های انحراف های پیچیده: حوادث بزرگ به ندرت یک علت واحد دارند. آنها نتیجه یک زنجیره پیچیده، اغلب پنهان، از انحراف¬های نهفته، خطاهای انسانی و خرابی تجهیزات هستند که تراز می شوند. مغز انسان برای پیش بینی این کنش های متقابل غیرخطی و چند متغیره مجهز نیست.
در درون این شکاف ها است که بذرهای فاجعه می توانند جوانه بزنند، دیده نشود و حل نشده باقی بماند. آنچه نیاز است، سیستمی است که بتواند به این سایه ها نگاه کند، یک دیده بان دیجیتال که هرگز نمی خوابد.
2. ظهور دیده¬بان پیش¬بینی¬کننده: تحلیل پیش¬بینی¬کننده چیست؟
تحلیل پیش¬بینی¬کننده شاخه ای از تحلیل پیشرفته است که از داده¬های تاریخی، الگوریتم¬های آماری و تکنیک¬های یادگیری ماشین برای شناسایی احتمال پیامدهای آینده استفاده می¬کند. در یک زمینه صنعتی، این مربوط به پیش¬بینی آینده با قطعیت نیست، بلکه پیش بینی احتمال یک رویداد با درجه دقت بالا است که یک پنجره حیاتی برای مداخله فراهم می¬کند.
1.2. بخش¬های بنیادی فناوری
یک راه حل پیش¬بینی¬کننده یک نرم افزار واحد نیست، بلکه یک پیکره یا هسته یکپارچه فناورانه integrated technological stack است:
• لایه داده: بنیان. این شامل دریافت داده های حجیم، پرسرعت و متنوع از سراسر تأسیسات است:
داده های سری زمانی: جریان پیوسته از سیستم کنترل توزیع شده (مانند فشارها، دماها، جریان ها، سطوح) و سیستم های ابزار دقیق ایمنی.
داده های سلامت دارایی: تحلیل ارتعاش، تحلیل روغن، الگو یا اثرنگاشت signatures جریان موتور، قرائت های ضخامت فراصوت و داده های گرماسنجی مادون قرمز.
سوابق نگهداری: تاریخچه دستور کار، گزارش های شکست و جزئیات تعمیر.
داده های مهندسی فرآیند: نقشه های لوله کشی و ابزار دقیق، گزارش های تجزیه و تحلیل خطر فرآیند و برگه های اطلاعات تجهیزات.
داده های خارجی: شرایط آب و هوا، داده های لرزه ای.
• لایه تحلیل: مغز. این جایی است که مدل های هوش مصنوعی و یادگیری ماشین داده ها را پردازش می کنند.
o مدل های یادگیری ماشین: الگوریتم ها الگوهای عملیاتی عادی را از داده¬های پیشین می¬آموزند. آن¬ها می-توانند نظارت شده (آموزش دیده بر روی داده های خرابی برچسب دار) یا، رایج تر، بدون نظارت باشند که حیاتی است زیرا رخدادهای خرابی نادر هستند. این مدل¬¬ها ناهنجاری¬های anomalies ظریفی را که از خطوط پایه ایجاد شده منحرف می شوند، تشخیص می دهند.
o دوقلوهای دیجیتال: یک نسخه مجازی و پویا از یک دارایی فیزیکی یا فرآیند. از شبیه سازی، داده و یادگیری ماشین برای انعکاس همتای واقعی خود استفاده می کند و به مهندسان اجازه می دهد تا سناریوها را مدل کنند، تغییرات را آزمایش کنند و رفتار را تحت شرایط مختلف بدون ریسک پیش بینی کنند.
o پردازش زبان طبیعی: برای تحلیل داده های بدون ساختار از گزارش¬های نگهداری، گزارش¬های رویداد و یادداشت های اپراتور استفاده می شود و بینش های ارزشمندی را که در غیر این صورت از دست می روند، استخراج می کند.
• لایه پلتفرم و نمایش: رابط. این جایی است که بینش ها به صورت شهودی و قابل عمل به کاربران ارائه می شود. داشبوردها امتیازات سلامت دارایی، هشدارهای ناهنجاری، برآوردهای پیش¬آگهی عمر مفید باقی مانده و اقدامات توصیه شده را نمایش می دهند. هدف ارائه داده های پیچیده به صورت ساده است و تصمیم گیری سریع را امکان پذیر می کند.
3.2. از توصیفی تا تجویزی: تکامل تحلیل
تحلیل پیش¬بینی¬کننده نشان دهنده جهش در بلوغ است:
تحلیل توصیفی (چه اتفاقی افتاد؟): داشبوردها و گزارش های سنتی یا واکنشی.
تحلیل تشخیصی (چرا اتفاق افتاد؟): تجزیه و تحلیل علت ریشه ای و همچنان واکنشی است.
تحلیل پیش¬بینی¬کننده (چه اتفاقی خواهد افتاد؟): هسته این بحث کنشگرا (پیش دستانه) بودن است.
تحلیل تجویزی (چگونه می توانیم از آن جلوگیری کنیم؟( قدم بعدی. سیستم فقط یک انحراف، خرابی یا شکست را پیش بینی نمی¬کند، بلکه اقدامات خاص و بهینه شده را برای جلوگیری از آن توصیه می¬کند (به عنوان مثال، " کاهش توان خروجی تا 5% و برنامه¬ریزی تعویض آب بند پمپ در عرض 72 ساعت").
3. کاربردها در ایمنی فرآیند: یک الگوی جدید پیشگیری
قدرت واقعی راه حل های پیش¬بینی¬کننده در کاربرد عینی آنها در چالش های بنیادی ایمنی فرآیند نهفته است. در ادامه نحوه تحول حوزه های کلیدی آورده شده است:
1.3. تحلیل پیش¬بینی¬کننده خرابی تجهیزات
این کاربردی ترین موضوع تحلیل پیش¬بینی¬کننده است. به جای انتظار برای عبور سطح ارتعاش از یک آستانه هشدار، مدل های یادگیری ماشین کل طیف ارتعاش را به صورت بلادرنگ تحلیل می کنند و خطای نگاشت خاص (عدم تعادل، ناهمترازی، سایش یاتاقان، حفره زایی) را روزها یا هفته ها قبل از خرابی شناسایی می کنند.
• مورد عینی - خرابی پمپ بحرانی: یک پمپ که هیدروکربن های فرار را جابجا می کند، یک تغییر ظریف در هارمونیک های ارتعاش خود نشان می دهد. یک هشدار سنتی ممکن است تا زمانی که شدت بالا باشد فعال نشود. یک مدل پیش¬بینی¬کننده الگوی غیرعادی را تشخیص می دهد، آن را با افزایش جزئی در دمای تخلیه و کاهش در بازدهی همبستگی می دهد و به تیم هشدار می دهد که یک یاتاقان در حال فرسودگی است. نگهداری برای توقف برنامه ریزی شده بعدی برنامه ریزی می شود و از خرابی آب بند و انتشار احتمالی جلوگیری می کند.
2.3. شناسایی ناهنجاری در عملیات فرآیند
اختلالات فرآیند اغلب پیش¬نشانگرهای حوادث بزرگ تر هستند. مدل های یادگیری ماشین "ردپای دیجیتال" عملیات عادی و پایدار را در هزاران متغیر در تعامل می آموزند.
• مورد عینی – پدیده طغیان برج Column Flooding: یک برج تقطیر شروع به ظغیان متناوب می کند. علائم ظریف هستند – یک نوسان فشار جزئی در اینجا، یک انحراف دمای کوچک در آنجا – و ممکن است توسط یک اپراتور به عنوان نویز نادیده گرفته شوند. مدل پیش¬بینی¬کننده ، با پایش صدها پارامتر به طور همزمان، ترکیب منحصر به فردی از انحرافاتی را که نشان دهنده آغاز سیلان هستند شناسایی کرده و یک هشدار اولیه صادر می کند. اپراتور سپس می تواند نرخ بازجریان یا فشارها را برای پایدار کردن برج تنظیم کند و از توقف یا یک سناریوی فشار بیش از حد اجتناب کند.
3.3. مدیریت پیش¬بینی¬کننده خوردگی
خوردگی تحت عایق و خوردگی شتاب گرفته با جریان flow-accelerated corrosion ، قاتلان خاموش در لوله کشی و مخازن هستند. راه حل های پیش¬بینی¬کننده این قلمرو را دگرگون می کنند.
• مورد عینی - خوردگی تحت عایق در لوله کشی بالاسری: با ادغام داده های از پروب های خوردگی بی سیم، بازرسی های مادون قرمز، داده های فرآیند (دما، محتوای رطوبت) و داده های محیطی (بارندگی، رطوبت)، یک مدل می تواند نرخ خوردگی را پیش بینی کند و مکان های خاص در معرض بیشترین ریسک را مورد اشاره قرار می دهد. به جای کندن عایق از کیلومترها لوله در طول توقف، بازرسان به مکان های دقیق و با احتمال بالا هدایت می شوند که بازرسی را به طور بسیار کارآمدتر و مؤثرتر می کند.
4.3. پایش عملکرد پیش دستانه سیستم ایمنی
کارکرد ابزار دقیق ایمنی Safety Instrumented Functions (SIFs)، آخرین خط دفاعی هستند. عملکرد آنها حیاتی است. تحلیل پیش¬بینی¬کننده می تواند "سلامت" یک لوپ یا حلقه ابزار دقیق ایمنی را پایش کند.
• مورد عینی - شیر اضطراری چسبنده Sticky Emergency Valve : مدل، زمان پاسخ یک شیر قطع اضطراری بحرانی را در طول تست¬های با تکان و ضربه جزئی، تحلیل می کند. با گذشت زمان، افزایش جزئی در زمان مورد نیاز برای بسته شدن را تشخیص می دهد. این روند، نامرئی برای بررسی دستی، پیش بینی می کند که عملگر شیر در حال فرسودگی است. لذا سرویس و نگهداری اجرا می شود تا شیر به قابلیت اطمینان مورد نیاز خود بازگردد و حصول اطمینان گردد که چه زمانی بیشترین نیاز به عملکرد خواهد داشت.
5.3. ادغام عامل انسانی
تحلیل پیش¬بینی¬کننده همچنین می تواند عملکرد انسانی را بهبود بخشد. با تحلیل اقدامات اپراتورهای اتاق کنترل، زمان های پاسخ به هشدار و پایبندی به روش اجرایی، مدل ها می توانند الگوهای خستگی، شکاف های آموزشی یا روش های اجرایی مسئله محور را که می تواند منجر به خطای انسانی شود، شناسایی نموده تا اجازه آموزش هدفمند و بهبود روش اجرایی را فراهم نمایند.
4. راه اجرا: یک نقشه راهبردی
به کارگیری تحلیل پیش¬بینی¬کننده یک دگرگونی فرهنگی و فناورانه است، نه فقط نصب نرم افزار. یک رویکرد گام به گام و راهبردی برای موفقیت حیاتی است.
فاز 1: ارزیابی و بنیانگذاری
• جلب حمایت رهبری: ارزش پیشنهادی را از نظر کاهش خطر، عملکرد ایمنی و بازگشت سرمایه (اجتناب از رخداد ، کاهش توقفات، بهینه شازی سرویس و نگهداری) نشان دهید.
• تشکیل یک تیم چند وظیفه ای: مهندسان ایمنی، مهندسان قابلیت اطمینان، متخصصان فناوری اطلاعات/فناوری عملیاتی، دانشمندان داده و اپراتورها را مشمول نمایید.
• شناسایی موارد استفاده با ارزش بالا: اقیانوس را نجوشان (سعی نکن همه کار را یکباره انجام بدهی). با یک پروژه پایلوت مورد هدف یک قطعه تجهیزات با ریسک بالا و پر هزینه یا یک مشکل فرآیندی تکرار شونده شروع کنید. یک پمپ شارژ بحرانی یا یک راکتور با موضوع گرفتگی ، گزینه های عالی هستند.
• ارزیابی زیرساخت داده: در دسترس بودن، کیفیت و دسترسی داده را ممیزی کنید. این فاز اغلب کار ضروری برای بهبود سلامت سنسور و حکمرانی داده را آشکار می کند.
فاز 2: انتخاب فناوری و استقرار پایلوت
• انتخاب راه حل مناسب: بین ساخت یک پلتفرم داخلی (نیاز به تخصص عمیق دارد) یا همکاری با یک فروشنده تصمیم بگیرید. راه حل ها را بر اساس توانایی آنها برای ادغام با سیستم های موجود، قابلیت های خاص هوش مصنوعی/یادگیری ماشین آنها برای داده های صنعتی و تجربه کاربری آنها ارزیابی کنید.
• اجرای پایلوت: راه حل را برای موارد کاربرد use case انتخاب شده اجرا کنید. بر ادغام داده، آموزش مدل و تصدیق تمرکز کنید. هدف ایجاد چند هشدار بسیار دقیق و قابل عمل است، نه هزاران هشدار مثبت کاذب.
فاز 3: توسعه و ادغام سازمانی
• نشان دادن و انتقال ارزش: موفقیت پایلوت را به نمایش بگذارید – چگونه یک موضوع را می توان پیش بینی کرد و قادر به پیشگیری نمود. از این داستان ها برای شاخت اعتماد سازمانی در فناوری استفاده کنید.
• توسعه گردش کار و روش های اجرایی: هشدارهای پیش¬بینی¬کننده را داخل گردش کار عملیاتی و نگهداری موجود ادغام کنید. چه کسی هشدار را دریافت می کند؟ پروتکل پاسخ چیست؟ اقدام چگونه مستند می شود؟ نتیجتا، روش های اجرایی را به روز کنید.
• توسعه تدریجی: بر اساس ماتریس ریسک اولویت بندی شده به واحدها، انواع تجهیزات و فرآیندهای دیگر توسعه دهید.
• سرمایه گذاری در آموزش مداوم: پرسنل را ارتقاء مهارت دهید. اپراتورها و مهندسان باید درک کنند که چگونه بینش ها را تفسیر نموده و بر روی آنها عمل کنند، انتقال از حل کنندگان مشکل واکنشی به مدیران ریسک کنشگرا.
5. چالش ها و ملاحظات اخلاقی
مسیر بدون موانع نیست. یک اجرای مسئولانه باید این چالش ها را به طور مستقیم مورد توجه قرار دهد:
• کیفیت داده و یکپارچگی: "ورودی بد، خروجی بد." داده های ناسازگار، مفقود شده یا با کیفیت ضعیف از حسگرها هر مدل یادگیری ماشینی را ناتوان خواهد کرد. ادغام سیستم های قدیمی و شکستن سیلوی داده یک مانع فنی مهم است.
• امنیت سایبری: سیستمی که مرکزی برای تصمیم گیری ایمنی می شود، یک هدف با ارزش بالا برای حملات سایبری است. اقدامات امنیت سایبری مستحکم، از بخش بندی شبکه تا کنترل های دسترسی سختگیرانه، غیرقابل مذاکره هستند.
• مشکل "جعبه سیاه": برخی مدل های یادگیری ماشین پیچیده می توانند غیرقابل درک باشند، که درک چرایی یک پیش بینی را مشکل می کند. هوش مصنوعی قابل توضیح یک حوزه در حال ظهور است که برای ساخت اعتماد با مهندسانی که نیاز به درک دلیل پشت یک هشدار برای اعمال اقدامات قاطع دارند، اساسی است.
• مقاومت فرهنگی و مدیریت تغییر: تغییر از یک فرهنگ واکنشی و مبتنی بر تجربه به یک فرهنگ کنشگرا و داده محور می تواند با بدبینی مواجه شود. "ما همیشه این کار را به این روش انجام داده ایم" یک اینرسی قدرتمند است. ارتباطات شفاف و شامل کاربران نهایی در فرآیند توسعه کلید غلبه بر این مسئله هستند.
• اتکای بیش از حد و رضایت از اتوماسیون: فناوری یک ابزار پشتیبانی تصمیم است، نه یک مدیر مستقل. نظارت و تخصص انسانی حاکم باقی می ماند. سیستم باید بهبود یابد، نه جایگزین، قضاوت انسانی گردد.
6. آینده، پیش¬بینی¬کننده است: یک نتیجه گیری
قیومیت صنعت پتروشیمی برای عملیات ایمن یک امر ابدی و همیشگی است. ابزارهای دستیابی به آن، بنابراین، با سرعت بی سابقه ای در حال تکامل هستند. تحلیل پیش¬بینی¬کننده ، هوش مصنوعی و یادگیری ماشین ارائه مهم¬ترین جهش رو به جلو در ایمنی فرآیند پس از رسمی سازی چارچوب های مدیریت ایمنی فرآیند هستند.
این یک فانتزی و خيال¬پردازى آینده نیست؛ این یک واقعیت امروزی است. پذیرندگان اولیه پیش از این در حال برداشت پاداش ها هستند: پیشگیری از توقف ها، اجتناب از انتشارات مواد به محیط، توسعه عمر دارایی و بطور مهم، ایجاد تأسیسات ذاتاً ایمن تر. آنها در حال حرکت از الگوی "خرابی و تعمیر" به الگوی "پیش بینی و پیشگیری" هستند.
نقش متخصص ایمنی در کنار فناوری در حال تکامل است. آنها در حال بدل شدن به مدیران ریسک داده محور، مفسران بینش های هوش مصنوعی و یکپارچه¬گران فناوری در فرهنگ ایمنی هستند. برای اینکه هدف بدون تغییر بماند: اطمینان از اینکه هر کارگر بطور ایمن به خانه می رود، محیط ما حفاظت شده است و تأسیسات ما بصورت صحیح کار می کند. با پذیرش "دیده بان دیجیتال تحلیل پیش¬بینی¬کننده" ، صنعت پتروشیمی می تواند فونداسیون خود را تقویت کند و یک آینده ایمن¬تر، پایدارتر و تاب-آورتر برای همه بسازد. اکنون، زمان اقدام است. فناوری آماده است. بحث این است، آیا ما هستیم؟
بدون دیدگاه