Как машинное обучение помогает сталеварам. Кейс НЛМК и «Инфосистемы Джет»

ИТ-решения на базе искусственного интеллекта активно проникают на разные участки промышленных производств. Например, на Новолипецком металлургическом комбинате (НЛМК) рабочее место ИИ – рядом со сталеваром, который осуществляет выплавку стали.

К задаче превращения искусственного интеллекта в сталевара подключились специалисты компании «Инфосистемы Джет». Они в буквальном смысле обучили программную систему – она работает на основе алгоритмов машинного обучения.

Зачем искусственному интеллекту разбираться в марках стали

Для получения марок стали с улучшенными характеристиками, например, предназначенными для конкретных условий эксплуатации, во время выплавки в ее состав вводят дополнительные химические элементы. Самым распространенным способом является введение в жидкий расплав металла специальных материалов в виде сплава железа с одним или несколькими химическими элементами (кремнием, марганцем, хромом и др.). Их вводят в разные периоды выплавки и обработки стали. Например, ферроникель вводится в первый период – окислительный, из-за того, что никель не окисляется в кислородном конвертере, но содержит водород, который при нагреве превращается в газ и удаляется на втором этапе в процессе кипения стали. А вот феррониобий и феррованадий хорошо окисляются, поэтому их вводят на завершающих этапах обработки стали.

Марки стали различаются между собой химическим составом, для которого в каждом случае есть своя четкая «рецептура». Однако процессы, происходящие при выплавке и обработке стали, настолько сложны, что добавление определенного количества ферросплава не гарантирует точного попадания в интервал допустимых химических параметров. Есть много причин, по которым не получается с первого раза попасть в «ворота» допусков, например, может оказаться слишком много кислорода и т.д. Этот процесс несколько сродни искусству, только вместо творческого вдохновения здесь опыт. Если на этом участке металлургического производства работает опытный специалист, дотошно изучивший все мельчайшие детали процессов, он точнее учитывает параметры плавки и быстрее получает нужный результат, чем новичок, который только осваивает профессию – ему приходится пройти несколько итераций, добавляя ферросплав и проводя химический анализ получившегося металла.TAdviser Security 100: Крупнейшие ИБ-компании в России 58.9 т

Конвертерный цех НЛМК

Однако ферросплавы – достаточно дорогие материалы, они заметно влияют на себестоимость произведенного металла.

Задача, которую поставил комбинат, понятна: определять минимально необходимое количество ферросплава, чтобы попасть в заданный интервал по химическому составу, использовать при этом минимальное количество самих материалов, а если возможность выбора, то применить наиболее дешевый материал, – рассказывает Евгений Колесников, директор Центра машинного обучения компании «Инфосистемы Джет».

Фактически стояла задача создать рекомендательную систему, с помощью которой сталевар может быстрее и точнее получить заданный химический состав сплава на своем производстве, чем, если бы это делалось традиционным способом, то есть вручную.

Как можно оптимизировать процесс плавки стали

С точки зрения цифровых решений, это классическая система поддержки принятия решений, которая призвана подтянуть всех работников до единого уровня мастерства и одновременно оптимизировать производственные процессы, – поясняет Евгений Колесников. – Конечно, на любом предприятии есть настоящие таланты, маститые профессионалы – они способны работать точнее компьютерной системы. Но в среднем машинный алгоритм предлагает более оптимальные решения, так как человек склонен перестраховываться.

Иными словами, если у человека – профессионала – задача получить материал в заданных граничных условиях, то основной KPI системы – получить такой материал по нижней границе объема добавленных материалов.

Решение оптимизации плавки на первом этапе проекта испытывалось на площадке первого конвертерного цеха НЛМК на ограниченном сортаменте стали. Решение включает два ключевых компонента:

Система прогноза химического состава. «Сердце» системы – математическая модель на базе алгоритмов машинного обучения (ML), которая прогнозирует, каким будет химический состав, если в конкретный момент времени добавить те или иные материалы.

НЛМК – хорошо информатизированное предприятие, и для построения модели был доступен большой объем исторических данных о проведенных плавках.

Это позволило создать модель, которая с большой точностью работает в режиме прогноза «что если, – рассказывает Евгений Колесников.

Сталевару НЛМК помогают работать умные компьютерные программы

Модель учитывает десятки различных параметров.

С точки зрения математической статистики, это позволяет достичь более высокой точности прогноза, – продолжает эксперт.

Модель работает в рамках ограничений, обусловленных технологическим процессом, и так называемых технологических инструкций, которые задают необходимые соотношения материалов, их количество и многое другое.

С помощью этого цифрового инструмента можно быстро осуществлять перебор большого количества различных ферросплавов и из этих комбинаций выбирать те, которые дают наибольшую экономию.

Расчет оптимального количества ферросплавов.

На первом этапе проекта мы провели глубокое исследование производственных процессов», – говорит Евгений Колесников. – Узнали целевой химический состав стали и ферросплавов, их взаимозаменяемость, маршрут плавки. Получили данные о стоимости каждого ферросплава, и остатке материалов на складе. На основании всего этого множества данных мы научили систему подбирать такое сочетание составных частей ферросплава, которое имеет наименьшую стоимость, но при этом дает требуемый химический состав.

Техническая реализация

Рекомендательный сервис реализован как АРМ сталевара. Рекомендации выводятся на мониторы, расположенные в помещениях управления различными агрегатами цеха. В рамках проекта новая система была интегрирована с внешними источниками данных, включая системы SAP и АСУ ТП.

Ключевой элемент интеграционных механизмов – связь с единым корпоративным хранилищем «сырых» данных Data Lake всего комбината — в нем хранятся все исторические данные НЛМК.

Кроме того, в прошлом году на предприятии была запущена в продуктивную эксплуатацию система анализа данных и моделирования (САДиМ) собственной разработки. В основу архитектурного решения САДиМ положена структура Data Lake, которая позволяет получать данные в «сыром» виде и сохранять их для дальнейшей обработки наиболее простым и экономичным способом.

Управление выплавкой стали на НЛМК напоминает работу ситуационного центра

Уже созданная на НЛМК ИТ-инфраструктура позволила реализовать проект внедрения рекомендательного сервиса как обычный сервис системной интеграции, никаких особых проблем не возникало, – подчеркивает Евгений Колесников.

Разработка сервиса (включая первичное обследование производственной площадки) заняло, по словам Колесникова, 8 месяцев, само внедрение — полгода.

В 2019 г. система, работающая в конвертерном цехе №1, переведена в режим промышленной эксплуатации. НЛМК уже приступил к разработке аналогичного рекомендательного сервиса на второй площадке – в конвертерном цехе №2. По оценкам руководства комбината, ожидаемый экономический эффект при расширении сервиса на максимальный объем марочного сортамента в двух цехах конвертерного производства может составить 100 млн руб. в год.

В компании «Инфосистемы Джет» говорят, что разработанный для НЛМК сервис-помощник в оптимизации плавок имеет очень хорошие перспективы тиражирования на другие предприятия черной металлургии РФ. По оценкам экспертов компании, в стране около 100 металлургических компаний используют в производстве ферросплавы.

Физико-химические процессы плавки не зависят ни от конкретных производственных регламентов, ни от формы собственности, ни от размера завода, – подчеркивает Евгений Колесников. – Даже небольшое сталелитейное производство – это миллиардные обороты, и экономия на ферросплавах для него весьма ощутима. Это открывает хорошие перспективы внедрений такого ИТ-решения, как на отечественных предприятиях черной металлургии, так и за рубежом.