«Умный» цветной металл

«Умный» цветной металл

Опубликовано в номере:
PDF версия
Цифровые технологии стремительно меняют многие сферы нашей жизни — розничную торговлю, рынок банковских услуг, общение граждан с государством. Коснулась цифровизация и промышленности. И, конечно, в том числе металлургии. На цифровой формат переходят как основные, так и вспомогательные функции, и в производстве, соответственно, копится все больше и больше данных. Согласно прогнозу Technavio, рынок промышленного искусственного интеллекта (ИИ) будет расти ускоренными темпами — в среднем на 54% ежегодно в ближайшие три года [1]. Большинство крупных металлургических предприятий уже берутся за попытки глубокого анализа накопленных данных и разработки моделей на базе технологий ИИ: с этой целью создаются департаменты по анализу, монетизации данных или по цифровизации. Однако в цветной металлургии такие решения внедряются несколько медленнее, чем в других отраслях. Почему так происходит и каковы перспективы использования ИИ в этой отрасли?

Барьеры цифровизации

В связи с низким содержанием необходимого компонента в руде и потребностью в удалении примесей других элементов цветная металлургия является энергозатратным производством и имеет сложную структуру. Так, меди в руде содержится не более 5%, а цинка и свинца — не более 5,5%. Часто сырье является многокомпонентным: в составе может находиться порядка 30 и более химических элементов. На тонну той же меди необходимо добыть до 100 т руды. Энергетические затраты достигают половины общих затрат, связанных с выплавкой 1 т металла (до 5 кВт энергии в час для меди). Многие отрасли цветной металлургии также отличаются многоступенчатым металлургическим переделом промежуточных продуктов. Все эти факторы, с одной стороны, способствуют применению технологий ИИ в данной области, поскольку эти технологии зачастую позволяют повысить удельную эффективность, которая носит критический характер в подобных производствах.

С другой стороны, цветной металлургии свойственен сравнительно большой ассортимент принципиально различной продукции, а соответственно, и весьма широкий набор технологических процессов. При создании ИИ-моделей необходимо учитывать специфику предприятий, которые, даже работая с одним и тем же металлом, порой сильно отличаются друг от друга. Все это снижает потенциал масштабирования созданного решения и, как следствие, инвестиционную привлекательность его развития, а также увеличивает риски реализации.

Это делает внедрение решений на базе ИИ в цветной металлургии в среднем более сложным, а значит, и дорогостоящим проектом.

Для сравнения, в черной металлургии процесс идет немного быстрее. Отчасти из-за того, что в этой отрасли технологические процессы на всех предприятиях мира очень похожи. Более того, компании даже используют оборудование одних и тех же производителей. Это приводит, с одной стороны, к повышенному вниманию к собственной эффективности, поскольку это вопрос конкурентоспособности. С другой стороны, оптимизация подобных процессов является потенциально тиражируемой, а следовательно, более привлекательной для сторонних разработчиков.

Об этом говорят темпы внедрения подобных решений на предприятиях ведущих мировых производителей, в том числе Tata Steel и Severstal. Так, с применением технологий промышленного «Интернета вещей» и ИИ на одном из предприятий была создана рекомендательная система для оператора дуговой сталеплавильной печи (ДСП). Данная система (рис. 1) позволила без модернизации текущего производственного оборудования достигнуть сокращения времени работы под током при каждой плавке с 55 минут до 41 минуты при полном соблюдении всех требований по качеству (в том числе по содержанию FeO в шлаке, содержанию фосфора и азота в полупродукте). Система предоставляет сталевару подсказки по выбору режимов работы и переключению трансформатора управления ДСП, работе горелок, добавке раскислителей. Кроме того, система прогнозирует время достижения заданной температуры расплавленной стали в ДСП.

Снижение времени под током для ДСП

Рис. 1. Снижение времени под током для ДСП

Конечно, эффективная работа подобных систем требует анализа исторических данных (физических показателей работы конкретного оборудования или системы на протяжении определенного периода времени, за которое становится возможным отследить влияние конкретных условий на работу этого оборудования и выявить закономерности) для каждой печи. Это позволяет точно определить ее особенности и рассчитать ключевые показатели для прогноза времени плавки заданного состава и веса шихты. Однако общий порядок внедрения дает возможность использовать аналогичные решения на многих предприятиях в разных регионах мира.

Такие системы, созданные на базе «Интернета вещей» и ИИ, внедряются не только в технологические процессы плавки, но и в другие производственные циклы. Очень успешным является опыт их применения в линии горячего проката, где использование данной системы позволяет уменьшить процент брака, своевременно выполнить перенастройку клетей прокатного стана и обеспечить переназначение продукции. Клети прокатных станов оснащаются датчиками, и общее количество тэгов дает возможность полностью контролировать состояние каждой клети. На основе анализа исторических данных определяются предикторы, комбинации тэгов для прогноза критического состояния отдельной клети, приводящего к возникновению брака. Система в режиме «онлайн» предоставляет прогноз качественных характеристик проката и рекомендует изменения в настройках отдельных клетей, рольгангов для компенсации негативных последствий. Использование подобной рекомендательной системы в одном из проектов позволило снизить брак не менее чем на 0,3% и обеспечило своевременное техническое обслуживание оборудования стана (рис. 2).

Повышение производительности прокатного стана

Рис. 2. Повышение производительности прокатного стана

 

Выгода предприятий

В цветной металлургии решения, подобные описанным выше, только начинают внедрять — из-за сложности технологических процессов, где до сих пор понимание некоторых технологических моментов имеет обобщенный характер. Обычно это приводило к тому, что часть операционных решений традиционно оставалась за человеком: оператор, металлург принимает соответствующие решения, основываясь на двух вещах — существующем регламенте (который имеет определенный диапазон) и собственном опыте (внутри этого диапазона). Сегодня же ИИ как раз находит широкое применение там, где традиционные инструменты автоматизации не могли потеснить эксперта-металлурга, то есть в операционных решениях с нечеткой логикой. Как правило, это рутинные решения, которые сотрудники предприятия вынуждены принимать ежедневно или даже порой несколько десятков раз в сутки.

На нынешем уровне развития ИИ еще не способен создавать принципиально новые методы или решения, его функция скорее заключается в оптимизации: снижении объема расходных материалов либо энергии, поиске оптимальных режимов работы оборудования и управлении качеством.

Поскольку речь идет об оптимизации устоявшихся технологических процессов, ожидать перехода на принципиально новый уровень эффективности от внедрения ИИ не следует: как правило, величина эффекта колеблется от 3 до 10%. Высокий уровень повышения эффективности в данном случае говорит о том, что процесс изначально был отлажен далеко не идеально и результат носит скорее интегральный характер. Но даже оптимизация 3% издержек — это значительный с финансовой точки зрения показатель для крупных и средних предприятий.

Например, по нашему опыту, применение оптимизационных ИИ-моделей для процесса флотации в среднем позволяет повысить коэффициент извлечения на 3,5%, для электролиза — увеличить эффективность на 4,7%.

 

Перспективные направления

Машинное зрение — это одна из наиболее быстро развивающихся и востребованных областей применения ИИ в цветной металлургии. Ключевая задача в этой области — разработка технологий, которые позволяют получать изображения объектов реального мира, обрабатывать их, анализировать, а затем использовать полученные данные для решения прикладных задач. Например, для контроля над конкретным производственным участком: оперативно отследить замыкание катода и анода в электролизном цехе, распознать материал, движущийся по транспортеру, и классифицировать его по качеству.

Решения, основанные на этой технологии, уже внедрены на предприятиях группы «Русал» на действующем электролизном оборудовании. Применение технологий машинного зрения в электролизных цехах позволяет не только оптимизировать технологический процесс и существенно сократить затраты (в том числе за счет потребляемого электричества), но и повысить безопасность и экологичность производства.

Еще одно перспективное направление — это цифровой двойник, т. е. создание математической модели технологического процесса. На основе данных цифровых двойников операторы производства могут получать в реальном времени рекомендации по управлению производственным процессом. Решение применяется для контроля расходования материалов и энергоресурсов, выявления брака, а также для мониторинга показателей технологического процесса. Так, на Кольской ГМК цифровой двойник позволил оптимизировать доставку штейна от плавильных печей до конвертеров.

 

Пример реализации

В проекте Z.Smelting ИИ был применен для сквозной оптимизации маржинальности процесса (рис. 3).

Проект Z.Smelting: экономический эффект для заказчика

Рис. 3. Проект Z.Smelting: экономический эффект для заказчика

За счет анализа исторических данных получилось оптимизировать работу сталеплавильной печи с загрузкой вместимостью 120 тонн и уменьшить время плавки на 4–6%. В ковше-печи удалось просчитать оптимальный объем использования ферросплавов, что позволило без потери качества уменьшить их количество на 3–5%. Также благодаря расчетам ИИ выяснилось, что оптимальным решением будет уменьшить количество операций по добавлению ферросплавов с трех до двух, что тоже помогло сократить их использование. Наконец, оптимизация заказов и предикативное обслуживание на разливочной машине позволили повысить коэффициент готовности с 94 до 98%. Как итог, экономия издержек на отдельных этапах и участках производственной цепи дала возможность сократить издержки производства в целом и сохранить $10 млн за год.

Искусственному интеллекту отдали на обработку данные о работе лучших операторов конкретного предприятия за несколько лет, и, изучив их опыт, он рассчитал оптимальное время под током для ДСП. Удалось на 10% снизить время под током при соблюдении требований по качеству. Это привело к значительному снижению затрат на использование электроэнергии.

Уменьшить количество ферросплавов при литье стали удалось следующим образом. Марка стали определяется содержанием определенных химических элементов в заданных границах:

aiyi ≤ bi.

При текущем производственном процессе итоговый объем добавок попадает в середину диапазона. Оптимизация позволяет приблизиться к нижней границе и сократить расход ферросплавов при обеспечении требуемого качества. Задача для ИИ была сформулирована по следующей логике.

На входе:

  • список добавляемых ферросплавов;
  • спецификация стали;
  • измеренные параметры технологического процесса.

На выходе: рекомендации по количеству каждого ферросплава.

Ограничения: спецификация стали.

Цель: минимизация стоимости добавок.

Используя данный алгоритм, удалось снизить расход ферросплавов в среднем на 5%, что позволяет напрямую экономить до $4,3 млн в год только по этому направлению.

 

Будущее искусственного интеллекта

Сегодня искусственный интеллект позволяет решать задачи предсказания качества и, отчасти, управления технологическим процессом на базе исторических данных, накопленных предприятиями. Если говорить о сложных производственных процессах, пока не идет речи о полном замещении людей на местах. Сейчас ИИ зачастую играет скорее рекомендательную роль, но в то же время уже начинают появляться системы с полным автоматическим управлением на базе таких технологий. При этом необходимость персонала сохраняется для контролирующей функции, а также для тех случаев, когда требуется ручное управление.

Другими словами, даже через двадцать лет еще не будет полностью безлюдных предприятий, хотя разговоры об этом ведутся уже не первый год. Без обслуживающего персонала все равно будет не обойтись. Другое дело, что многие операции, в том числе и опасные, вместо человека будут делать роботы. Которые, безусловно, тоже появятся на определенном этапе развития ИИ в данной отрасли, когда будет накоплена достаточная база опытных данных. И это разумно, поскольку на металлургическом производстве требования к безопасности труда и здоровья очень высоки. Соответственно, если можно на том или ином участке с вредными условиями заменить человека роботом, если он будет выполнять необходимые операции быстрее, то почему бы этого не сделать?

При этом все так же будут востребованы инженеры-металлурги (не только со знанием теоретических основ процесса, но и с четким пониманием бизнес-системы), а также инженеры-программисты — создатели того самого искусственного интеллекта, который будет управлять всеми процессами завода.

Материаловедение как фундаментальное знание в будущем перейдет на глобальную интернет-платформу, так же, как и трейдинг, управление поставками и финансами предприятия. Необходимо отметить, что службы подбора персонала не только не потеряют своей значимости, но, напротив, будут одним из ключевых факторов успешного бизнеса. Грамотно подготовленные и обученные кадры станут основой экономической эффективности предприятий.

Когда закончится процесс внедрения решений на отдельных отрезках производства, будут автоматизированы и созданы модели оптимизации отдельных процессов, появится возможность разработки надсистемы. Такой надсистемой станет искусственный интеллект, который контролирует и оптимизирует работу других ИИ, управляющих отдельными процессами.

Когда будет достигнут этот уровень цифровизации, станет возможным процесс автоматизации на уровне целого производства. В этом случае экономическая выгода будет в разы больше, чем эффект от использования ИИ на отдельных участках производства. Это станет настоящим прорывом, и такова неизбежная перспектива развития отрасли.

Литература
  1. businesswire.com/news/home/20181023006123/en/Global-Artificial-Intelligence-Market-Industrial-Sector-2018-2022

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *