IT-продукты активно распространяются по всем сферам промышленности, теперь они добрались и до управления тяжёлыми отраслями. Искусственный интеллект в металлургии – мощнейшая технология, способная решить множество производственных задач. Система способна заменить человека, проводя сложные расчёты в очень сжатые сроки. Параметры, которые необходимо просчитать человеку исчисляются десятками: какие ферросплавы необходимо добавить при выплавке стали, какое количество каждого компонента нужно внести, чтобы получить заданный химический состав металла. При этом необходимо успеть сопоставить температурный режим с объёмом и прочими параметрами. Нюанс в том, что вычисления нужно провести максимально оперативно и безукоризненно точно, иначе цена ошибки выльется в десятки и сотни миллионов рублей.
Важно также отметить экономический аспект, поскольку новые технологии делают производственный процесс наиболее эффективным, оптимизируют расходы редких и дорогостоящих ресурсов, используемых при изготовлении стальных сплавов. Самые дорогостоящие из них – ферросплавы, которые могут стоить за одну тонну до 3 000 000 рублей. Даже немного снизив расходы, произойдёт весомое снижение затрат.
Особенности применения продукта Data Science
Из-за специфики производства, Data Science в тяжёлой промышленности настраивается с учётом уникальных условий, управления данными и оборудования. Алгоритм работы продукта следующий:
- Собираются данные, проводится анализ. На производствах, работающих на оборудовании прошлых веков, нет возможности проводить мониторинг его состояния в автоматическом режиме. А новые системы, например, имеют даже датчики для определения утечек.
- Разрабатываются модели. Экспертиза исключительно в способах машинного обучения – недостаточное решение проблемы. Необходима информация о физико-химических особенностях металлургических процессов. Без ИИ человек, работающий на таком производстве, должен обладать экспертными знаниями в предметной сфере.
- Проводится тестирование и опытное использование. Цифровизация в металлургии позволяет получать достоверную информацию и обратную связь на любом этапе реального производства непрерывно, что тестовые мероприятия никогда не предоставят. А любые недочёты приведут к сбою производственных и технологических процессов.
- Разрабатываются интерфейсы для трансляции информации для каждого пользователя. Сейчас у сталеваров пульты управления, схожие с оборудованием Центра управления полётами, на них несколько мониторов, элементы управления. На каждом экране в реальном времени происходит передача огромного количества данных о том, как в конкретный промежуток времени проходят процессы на производстве, чтобы была возможность отследить их состояние.
Немного из истории
В конце 19 века началось производство стали в мартеновских печах, эта технология использовалась и следующие 100 лет. Процесс характеризуется длительностью процедуры производства и высокой степенью сложности. В нашей стране первую мартеновскую печь запустили в 1870 году, а последнее подобное оборудование было остановлено в 2018 году. На сегодняшний день на современных металлургических концернах применяется дуговое печное сталеплавильное оборудование и конвертеры, с высокой мощностью и КПД.
Особенности процесса производства стали
В мире тысячи марок чёрного и цветного проката, что существенно осложняет технологический процесс изготовления стали. Всемирная ассоциация стали ведёт учёт марок, в перечень включено свыше 3500 разных образцов металлопродукции, классификация которых происходит по химическому составу, качеству, назначению, технологии выплавки.
От химического состава сплавов зависят параметры прочности, характеристики жаропрочности, свойства пластичности и прочие качества, необходимые для отдельных сфер применения. Например, сплавы с повышенными параметрами износостойкости нашли применение в изготовлении рельсов для железнодорожной отрасли. Жаропрочные стальные марки необходимы для выпуска труб промышленного назначения, где высока вероятность длительной эксплуатации при температурном режиме до 600 градусов. Сплавы коррозионностойких высокоуглеродистых сталей используют для производства медицинских иголок, игл для швейных машинок, так как отличаются небольшой вязкостью.
Максимально эффективной оптимизация считается в случае с ферросплавами, используемыми на металлургическом сегменте рынка в качестве легирующих компонентов. Их необходимо добавлять в расплав в строго регламентированном количестве, у различных марок разное пропорциональное соотношение. Легирование – процесс улучшения характеристик металлов, а легирующие компоненты стоят дорого. Поэтому внедрение искусственного интеллекта на заводе позволяет оптимально расходовать дорогостоящее сырьё.
О схеме технологического процесса
Алгоритм технологического процесса выплавки стали проходит по следующему сценарию:
- Загрузка исходной сырьевой базы (металлического лома, шихты) в дуговое печное оборудование. В оборудовании происходит нагрев до температурного режима от 1500 до 1600 градусов на протяжении часа. Когда шихта расплавится, из неё убирают ненужные примеси (молекулы серы, фтора, лишнего кислорода).
- Перемещение расплава в специальный сталеразливочный ковш, куда добавляют первую часть ферросплавов согласно стандартам и инструкциям.
- Транспортировка ковша с содержимым на участок к агрегату «ковш-печь» (АКП), где происходит нагрев композиции до температурного режима около 1600 градусов. Затем добавляют вторую часть ферросплавов.
- Разливка стального сплава в агрегате непрерывного литья, чтобы получить заготовки в виде прямоугольных плоских слитков.
Машинное обучение в промышленности стало очень актуальным, ведь искусственный интеллект позволяет замерять температурный режим, брать пробы стали, проводить химический анализ и вносить коррективы непосредственно во время производственного процесса.
Как решить задачу с внедрением системы?
Необходимо сформировать гипотезу, исходя из потребностей заказчика, провести аудит производства с последующим анализом данных. Следующим шагом идёт разработка решения с последующим тестированием модели и мониторингом её адекватности. На заключительном этапе рассчитывается экономический эффект.
